여행하는 디발자

📅 데일리 학습• 7월 13일 (월)[69일차] 화면구현 - 바이브코딩 프론트엔드의 전체적인 흐름을 간단히 배우고 바이브 코딩을 실습했다. 실습하면서 "프론트 개발자의 역할이 앞으로 어떻게 될까?"라는 생각이 들어 조금 걱정되기도 했다.Stitch를 사용해보니 전반적으로 편리했지만, 원하는 결과가 90% 정도까지만 나오고 마지막 10%는 아쉬운 느낌이 있었다. 이 부분이 프롬프트를 더 잘 작성하면 해결되는 것인지, 아니면 아직은 사람이 직접 다듬어야 하는 영역이 남아 있는 것인지 생각해보게 되었다. 그래도 AI 도구를 잘 활용하는 능력이 앞으로 더욱 중요해질 것 같아서, 자주 사용하며 프롬프트 작성 능력도 함께 키우고 더 좋은 결과를 만들어보고 싶다. • 7월 14일 (화)[70일차] 화면구현 - J..

문제상품 가격을 만원 단위로 버림한 뒤, 가격대별 상품 개수를 조회하는 문제였다. 배운 점1. TRUNCATE()를 이용한 만원 단위 버림- 소수점뿐만 아니라 음수를 사용하면 자릿수 단위로도 버림이 가능하다.TRUNCATE(PRICE, -4) 예시TRUNCATE(17500, -4) -- 10000TRUNCATE(29999, -4) -- 200002. 가공한 값을 기준으로 GROUP BY- 원본 PRICE가 아닌, TRUNCATE()로 만든 가격대를 기준으로 그룹화할 수 있다. 풀이SELECT TRUNCATE(PRICE, -4) AS PRICE_GROUP, COUNT(*) AS PRODUCTSFROM PRODUCTGROUP BY PRICE_GROUPORDER BY PRICE_GROUP; htt..

📅 데일리 학습• 7월 6일 (월)[64일차] 멀티모달 - 이미지 멀티모달 AI를 학습하면서 이미지와 텍스트를 함께 이해하는 모델의 동작 방식을 살펴봤다. 특히 CLIP은 이미지와 텍스트를 같은 임베딩 공간에 표현한 뒤 유사도를 비교하는 구조라는 점이 인상적이었다. 단순히 이미지를 분류하는 모델이 아니라 이미지 검색이나 추천 등 다양한 분야에 활용할 수 있다는 점도 알게 됐다. 결국 중요한 것은 이미지와 텍스트를 모델이 비교할 수 있는 벡터 형태로 변환하는 과정이라는 점을 다시 한번 느꼈다. • 7월 7일 (화)[65일차] 멀티모달 - 동영상 동영상에서 프레임을 추출하고, 해당 프레임을 설명하거나 검색에 활용하는 실습을 진행했다. 영상은 결국 이미지의 연속이기 때문에 필요한 장면을 얼마나 잘 추출하느냐..

문제입양 시각이 09시부터 19시까지인 데이터를 시간대별로 조회하는 문제. 풀이SELECT HOUR(DATETIME) AS HOUR, COUNT(*) AS COUNTFROM ANIMAL_OUTSWHERE HOUR(DATETIME) BETWEEN 9 AND 19GROUP BY HOUR(DATETIME)ORDER BY HOUR(DATETIME); SQL 문법BETWEEN은 ,가 아니라 **AND**를 사용해야 한다.WHERE 컬럼 BETWEEN 시작값 AND 끝값 예시WHERE HOUR(DATETIME) BETWEEN 9 AND 19 의미WHERE HOUR(DATETIME) >= 9 AND HOUR(DATETIME) https://school.programmers.co.kr/learn/cou..

📅 데일리 학습• 6월 29일 (월)[59일차] 파인튜닝 - 기초 Ollama API를 활용해 로컬 환경에서 LLM을 실행하고, Hugging Face의 오픈소스 모델을 직접 로드해 추론하는 과정을 실습했다. 또한 파인튜닝용 데이터셋 구조와 JSONL 학습 데이터 생성 방법을 익히면서, 상용 API 없이도 로컬 환경에서 오픈소스 LLM을 활용하고 파인튜닝을 준비할 수 있다는 점을 알게 되었다.• 6월 30일 (화)[60일차] 파인튜닝 - LoRA LoRA를 이용해 LLM을 파인튜닝하고, 학습한 모델을 Ollama에서 실행하는 과정까지 실습했다. 아직 모든 내용을 완전히 이해하지는 못했지만, 모델을 학습하고 활용하는 전체 흐름을 직접 경험할 수 있었다.• 7월 1일 (수)[61일차] LangGraph -..

📅 데일리 학습• 6월 20일 (월)[54일차] AI 에이전트 - @decorator, n8n 타입스크립트나 Go처럼 타입이 엄격한 언어를 주로 사용하다가 파이썬을 배우니 처음에는 타입이 없어 조금 불편하다고 생각했다. 하지만 @decorator를 사용하면 기능을 깔끔하게 분리하고 코드도 더 이해하기 쉽게 만들 수 있다는 점을 알게 되었다. n8n도 간단한 자동화를 만들 수 있는 도구라고 들었는데, 잠깐 사용해보니 생각보다 어렵게 느껴졌다. 나중에 직접 프로젝트를 만들면서 어떤 식으로 연결해서 사용하는지 다시 익혀보고 싶다.• 6월 21일 (화)[55일차] AI 에이전트 - 추천시스템 llm LLM과 LanceDB를 이용해 추천 시스템을 만들어봤다. 한 번 따라 해본 것만으로는 아직 감이 잘 오지 않았..

📅 데일리 학습• 6월 15일 (월)[49일차] RAG - Load, Chunking 여러 가지 파일을 Load할 수 있다는 것을 알게 되었고, 어떤 Loader를 사용하는지에 따라 데이터를 불러오는 방식이 달라진다는 것을 배웠다. 역시 모든 일에 기초가 중요하듯이, 데이터의 품질이 좋아야 하고 이를 깨지지 않게 잘 불러오는 과정도 중요하다는 것을 느꼈다. Load 방식도 다양하고 Chunking 방식도 여러 종류가 있어서 어떤 기준으로 선택해야 할지 고민이 된다. RAG에서는 Chunking이 매우 중요한 요소인 것 같은데, 다양한 방식을 직접 적용해 보면서 경험을 쌓아야 할 것 같다.• 6월 16일 (화)[50일차] RAG - Embedding, VectorDB VectorDB는 이름만 들어봤지 ..

더보기📌 목차 1. CNN 개요2. CNN 구조3. 합성곱층 (Convolution Layer)- 합성곱 연산- Kernel- Stride- Padding- Feature Map4. 활성화 함수 (Activation Function)5. 풀링층 (Pooling Layer)6. Flatten Layer7. 밀집층 (Fully Connected Layer)8. CNN의 장점9. CNN의 단점10. 출처CNN (Convolutional Neural Network, 합성곱 신경망)1. CNN 개요이미지 처리 및 패턴 인식에 특화된 딥러닝 모델이미지의 공간적 특징(Spatial Features) 추출픽셀(RGB 값)로 구성된 격자(Grid) 형태 데이터 처리객체 인식, 이미지 분류, 얼굴 인식, 영상 분석 등에..

📅 데일리 학습• 6월 1일 (월)[40일차] 자연어 처리 개요 지난 자연어 처리 학습에서 데이터 정제와 빈도수 분석, 토픽 분석을 진행했다면 오늘은 한 단계 더 나아가 네트워크 분석과 감성 분석을 학습했다. 네트워크 분석은 단어들 사이의 관계를 시각화하여 어떤 단어들이 함께 등장하는지 파악하는 방법이다. 단순히 많이 나온 단어를 확인하는 것이 아니라, 단어 간 연결 구조를 통해 핵심 주제와 연관성을 이해할 수 있다는 점이 인상적이었다. 감성 분석은 리뷰나 문장을 긍정, 부정과 같은 감성 라벨(Label)로 분류하여 사용자 반응을 분석하는 기법으로, 실제 서비스 운영 과정에서 사용자 만족도나 불만 사항을 파악하는 데 활용될 수 있다는 점을 알게 되었다. 또한 TF-IDF(Term Frequency–In..

1. 자연어 처리(NLP, Natural Language Processing)사람이 사용하는 언어(자연어)를 컴퓨터가 이해하고 처리할 수 있도록 만드는 기술과거에는 사람이 언어 규칙을 하나씩 컴퓨터에 직접 알려주는 방식이었지만, 이후 딥러닝 기술이 발전하면서 현재의 LLM(Large Language Model)까지 발전하게 되었다. 발전 흐름규칙 기반 NLP ↓통계 기반 NLP ↓딥러닝 NLP ↓LLM (ChatGPT 등) 2. 텍스트 마이닝(Text Mining)NLP로 정리된 텍스트 데이터에서 의미 있는 정보나 패턴을 추출하는 과정목적주요 키워드 파악관심사 분석주제 분석감성 분석문서 분류3. 텍스트 분석 과정텍스트 데이터 수집 ↓전처리 ↓토큰화(형태소 분석) ..