claovy☘️

회고기간 : 2025.05.19월~2025.05.23금 Linux01. 설치 및 세팅1. 운영체제 확인 후 VM VirtualBox 설치2. VirtualBox에 우분투 설정하기우분투 iso 파일 다운"새로 만들기" 클릭 후 가상머신 생성컨트롤러 생성재시작 후 정상 부팅 확인하기02. 파일 시스템 💡 파일 시스템은 파일에 이름을 붙이고 저장, 탐색을 위해 파일을 어디에 위치 시킬 것인지 나타내는 체계이다. 즉, 컴퓨터에서 자료들을 쉽게 찾고 관리할 수 있게 하는 구조적인 시스템을 말한다. 03. 리눅스 파일 구조 04. 개발 환경 설정사용자 및 권한 관련sudo # 관리자 권한으로 명령어 실행whoami # 현재 접속한 계정명 확인su..

회고기간 : 2025.05.12월~2025.05.16금이번 주차는 이미지처리, 3차 프로젝트, 소프트웨어 공학 기초에 대해 학습했다.스타일 전이학습스타일 전이학습은 일반적으로 사전 학습된 CNN (주로 VGG-19)의 중간 계층에서 추출된 feature map을 사용하여 콘텐츠와 스타일을 분리한다.하나의 이미지로부터 콘텐츠(content)를, 또 다른 이미지로부터 스타일(style)을 추출하여 두 요소를 결합한 새로운 이미지를 생성하는 기법 ex) 직접 찍은 풍경 사진을 반 고흐 화풍으로 변환 구성요소콘텐츠 : 이미지의 윤곽, 구조, 배치 등 실제 장면을 구성하는 정보이다. 예를 들어 어떤 물체가 어디에 배치되어 있는지에 대한 정보를 의미스타일 : 색상 분포, 질감, 붓 터치 등의 시각적 요소로서, 예술..

회고기간 : 2025.05.07수~2025.05.09금이번 주차는 자연어 - 이미지 멀티모달 기법에 대해 배웠다CNN (합성곱 신경망)합성곱이란?이미지 처리에서 주변 픽셀과의 가중합을 계산하여 특징을 추출하는 연산합성곱 연산은 커널(필터)를 사용하여 입력 데이터와의 내적을 수행한다.CNN 구성 개요합성곱 계층 : 필터(커널)을 사용하여 이미지의 특징 추출풀링 계층 : 데이터의 크기를 줄이고 중요한 특징을 유지하여 연산량 감소완전 연결 계층 : 최종적으로 학습된 특징을 바탕으로 분류 또는 회귀배치 처리 : 여러개의 입력 데이터를 한 번에 연산하는 방식, 학습을 안정적으로 수행하고 연산 속도 향상1. 필터 & 특징맵 필터 : 연산에서 사용하는 커널. 학습을 통해 최적 값을 찾으며, 특정한 특징을 추출함특징맵..

회고기간 : 2025.04.28월~2025.05.02금이번 주차는 fine tunning 기법에 대해 배웠다 Fine tunning- 이미 학습된 LLM을 특정 작업이나 데이터셋에 맞춰 재학습하는 기능- 프롬프트 엔지니어링만으로 해결하기 어려운 문제 해결- 모델 추가학습 없이 입력을 조정하하는 프롬프트 엔지니어링과 달리 모델을 재학습하여 특정 작업에 최적화 sLLMLLM의 축소판으로, 학습과 배포 비용을 줄이기 위해 설계sLLM은 파인튜닝이 비교적 간단하고 리소스가 적게 듦 (양자화가 필요없음)주로 제한된 연산 리소스를 가진 환경에서 활용sLLM 모델 (meta-llama/Llama-2-7b-hf) 사용해보기from transformers import AutoTokenizer, AutoModelForCa..

회고기간 : 2025.04.21월~2025.04.25금이번 주차는 langchain에 대해 배웠다 LangChainLangChain 은 LLM의 기능을 확장하고 체계화하여 복잡한 애플리케이션을 구축할 수 있도록 지원하는 프레임워크다. 여러 프롬프트, 도구, 데이터 소스를 체인으로 연결해 효율적으로 작업을 수행할 수 있다.1. Prompt Template프롬프트 템플릿은 반복적인 작업에서 재사용 가능한 프롬프트를 설계하고, 동적 입력 변수를 통해 작업을 수행하는 구조자동화된 입력 구성대화형 응답샘플 기반 학습결과 파싱 키를 활용하기 전 환경변수를 로드하는 것은 필수! from dotenv import load_dotenvload_dotenv()프롬프트 예시 (few shot)from langchain.pr..

회고기간 : 2025.04.14월~2025.04.18금이번 주차는 트랜스포머, bert, 허깅페이스 파이프라인, prompt engineering, local llm에 대해 배웠다. Transformerhttps://wikidocs.net/31379기존의 seq2seq 구조의 인코더-디코더 + attention 알고리즘을 구현한 모델[기존의 seq2seq 구조]인코더가 입력 시퀀스를 하나의 벡터로 압축하는 과정에서 입력 시퀀스의 정보가 일부 손실됨[transformer]병렬 처리와 전역 문맥 이해를 통해 RNN의 한계를 극복한 딥러닝 모델로, 인코더-디코더 구조와 어텐션 메커니즘을 기반으로 한다. * 어텐션입력 시퀀스의 중요한 부분에 가중치를 부여해 번역 품질을 향상시키는 메커니즘이다. 인코더: 입력 ..

회고기간 : 2025.04.07월~2025.04.11금이번 주차는 NLP의 subword tokenizer, 워드 임베딩, 등을 배웠다. 0407월Subword Tokenizer- 서브워드 분리는 하나의 단어를 더 작은 단위로 쪼개 의미있는 조합으로 구성- 하나의 단어를 여러 서브워드로 분리해 단어를 인코딩 및 임베딩 할 수 있음import sentencepiece as spm# 모델 학습 input = 'naver_review.txt' # 학습해야 하는 학습 데이터셋 경로 vocab_size = 10000 # 결과로 만들 token의 개수 (사전의 크기)model_prefix = 'naver_review' # 학습에 대한 결과물 이름 지정 cmd = f'--input={inpu..

💡아이디어n개의 집을 rgb로 가지는 2차원 배열을 만들어서 최적 탐색을 한다  풀이과정먼저 arr 변수에 n개의 집을 이차원 배열로 만들어준다rgb 배열의 탐색 할 dp 배열을 초기화 해준 후 반복문을 통해 최솟값을 구하면 된다 코드import sysinput = sys.stdin.readlinen = int(input())arr = [list(map(int, input().split())) for _ in range(n)]dp = [[0] * 3 for _ in range(n + 1)] # dp[n]까지 만들기 위해 n+1 크기로dp[0] = [0, 0, 0] # 1번째 집부터 n번째 집까지 dp 채우기for i in range(1, n + 1): dp[i][0] = min(dp[i-1][..

회고기간 : 2025.03.31월~2025.04.04금이번 주차는 프로젝트 발표와 NLP의 코사인 유사도, 전처리 등을 학습했다. NLTK설치!conda install nltk -yimport nltk# nltk 설치 후에는 기본 패키지들을 별도로 다운로드 해야함nltk.download('punkt')nltk.download('punkt_tab')nltk.download('stopwords') 토큰화from nltk.tokenize import word_tokenize, sent_tokenize단어 토큰화 (word_tokenize)단어 기준 토큰화['NLTK', 'is', 'a', 'powerful', 'library', 'for', 'NLP', '!', '!', '!']문장 토큰화 (sent_toke..

8주차 회고기간 : 2025.03.24월~2025.03.28금 이번주차는ML : 추천 시스템 (코사인 유사도)DL : 딥러닝 최적 모델 학습 ~ 에 대해 배웠다 오차 역전법오차역전법에 대해 설명해놓은 블로그를 참고하자 !!https://velog.io/@nyulnyul/%EB%B0%91%EB%B0%94%EB%8B%A5%EB%B6%80%ED%84%B0-%EC%8B%9C%EC%9E%91%ED%95%98%EB%8A%94-%EB%94%A5%EB%9F%AC%EB%8B%9D1-%EC%98%A4%EC%B0%A8%EC%97%AD%EC%A0%84%ED%8C%8C%EB%B2%95 밑바닥부터 시작하는 딥러닝1 : 오차역전파법앞서 구현 했던 수치 미분은 단순하고 구현하기 쉽지만 계산시간이 오래 걸린다.(실제로 코드를 구현해 ..