이번 3강에서는 현재 가장 많은 관심을 받고 있는 초거대 언어모델에 대해 다룰 예정입니다. 특히, 오픈AI의 GPT 시리즈와 그 이후의 다양한 라지 랭귀지 모델(LLM)들에 대해 살펴보고, 이들 모델이 인공지능 연구와 개발에 어떤 영향을 미치고 있는지 논의할 것입니다.

이번 강의에서는 오버피팅과 언더피팅의 개념에 대해 살펴볼 예정입니다. 이 두 개념은 기계학습의 목표인 일반화와 밀접한 관계가 있으며, 바이어스와 배리언스와도 깊게 연관되어 있습니다. 이를 이해하는 것이 적절한 기계학습 모델을 선택하는 데 필수적입니다.기계학습에서 학습

기계학습은 인공지능의 한 분야로, 실험적으로 얻은 데이터로부터 점점 개선되는 알고리즘을 설계하고 개발하는 학문입니다. 기계학습의 목표는 데이터로부터 학습하여 성능을 향상시키는 것입니다. 이를 통해 기계학습 시스템은 주어진 작업(T)을 통해 성능 지표(P)를 개선할 수

이번 강의에서는 Principal Component Analysis (PCA)에 대해 다룹니다. PCA는 데이터 차원 축소 기법으로, 데이터 분석과 시각화, 머신러닝 모델의 성능 향상에 매우 유용합니다. 특히, Part 1의 매트릭스 분해(Matrix Decomposi

이번 강의에서는 Convex Optimization(볼록 최적화)에 대해 다룹니다. Convex Optimization은 머신러닝 모델 학습에서 매우 중요한 주제로, 모델의 최적 파라미터를 찾는 과정과 밀접한 관련이 있습니다. 이 강의에서는 Convex Optimiza

이번 강의 시리즈에서는 "Math for ML"이라는 주제로 세 가지 파트를 소개합니다. 첫 번째 파트에서는 매트릭스 디컴포지션(Matrix Decomposition)을 다룰 예정입니다. 이번 강의에서는 행렬의 기본 개념인 디터미넌트(Determinant), 트레이스(

이번 강의에서는 카이스트 차미영 교수님께서 데이터 사이언티스트로 전 세계 여러 기관에서 유명한 분들과 함께 일하면서 얻은 경험과 그들이 어떻게 성공적인 데이터 과학자가 되었는지에 대해 이야기합니다. 특히, 데이터 과학자로서 실천할 수 있는 일상적인 루틴과 태도에 대해

이번 강의에서는 AI 알고리즘이 우리 사회에 가져오는 다양한 영향과 특히 AI가 창작자로서 활동하면서 발생하는 여러 윤리적 이슈들을 다루어 보겠습니다. 또한, AI의 결정이 인간의 윤리와 다를 때 어떻게 대처해야 할지에 대해 논의하겠습니다.AI는 주어진 문제에 대한 답

상관관계: 두 변수 간의 연관성.인과관계: 하나의 변수가 다른 변수에 직접적인 영향을 미침.예시: 초콜릿 소비와 노벨상 수상자 수의 상관관계는 있지만, 인과관계를 의미하지는 않음.유의점: 상관관계는 반드시 인과관계를 의미하지 않음. 데이터 분석 시, 이를 명확히 구분해

벌써 패스트캠퍼스 AI 부트캠프 과정의 마지막 프로젝트 회고 시간이 왔다. 이 많은 프로젝트를 어떻게 쳐냈는지, 어떻게 여기까지 버텨왔는지 생각만해도 꿈만 같다. 마지막 프로젝트에서는 팀원도 한 명 더 늘었고 마지막이기도 해서 2개의 프로젝트에 참여하기로 하였다.(인간

효율적인 RAG 구축 공략 : 과학지식 편 (The Goal of Building an Efficient RAG: Scientific Knowledge)

오리엔테이션(OT) CH01 - 이상 탐지 개요 차원 축소 기술 EDA 데이터 시각화 CH02 - ML 기반 이상 탐지 본격적인 이상 탐지 학습 DL

딥러닝 프로젝트 중 2번째 프로젝트인 NLP 프로젝트가 끝났다. NLP 프로젝트 회고를 작성해보고자 한다.A. 개요이번 대회는 computer vision domain에서 가장 중요한 태스크인 이미지 분류 대회이다.이미지 분류란 주어진 이미지를 여러 클래스 중 하나로

팀명 : 플러스 우여곡절 길고 길었던 CV 프로젝트가 끝났다. 처음 접해보는 Deep Learning 프로젝트여서 순탄하게 진행되지 않았던 것 같지만 그래도 열심히 참여했던 CV 프로젝트 회고를 작성해보고자 한다. 1. 프로젝트 개요 A. 개요 이번 대회는 c

팀명 : 마이너스(Data Miners & Minus Loss) 벌써 몇 번째 프로젝트인지 모르겠다. 정신없이 달리다보니 여기까지 와 버렸다. 앞서 진행된 프로젝트 정리도 채 끝나지 않은 채 이번 Machine Learning 대회 개인 회고를 작성해보고자 한다.

딥러닝의 발전 5단계 | DL Development in 5 StepsAI/ML/DL 관점에서 크게 5단계로 개발 방법론이 진화(세 단계로 SW 1.0, SW 2.0, SW 3.0 으로도 나뉨) \[단계 별 특징]Rule based programming(SW 1.0

신경망(neural networks) 설명: 인간의 뇌를 모방하여 만든 알고리즘으로, 데이터를 처리하고 패턴을 학습하는 데 사용됩니다. 여러 층(layer)과 노드(node)로 구성되어 있으며, 각 노드는 입력 데이터를 가중치와 결합하여 출력을 생성합니다. > ##

인공(Artificial) + 지능(Intelligence) -> AI ex) 로봇청소기, Expert system학습(learning)하는 기계(machine) -> 학습 기반 ex) Decision tree, SVM깊은(deep) 신경망 구조의 머신러닝 ex)