076923 : Main - mysetting

12:23 5/31

076923.github.io

mobile screenshot relative

12:23

076923.github.io

mobile screenshot

076923 : Main
https://076923.github.io/

RSS Feed for 076923 : Main (Generated by Feedity)

저작도구: Feedity/3.4.2 (+https://feedity.com)

최종 피드 수집: 2026-11-09 22:47

전체 (85)

2d

Recommender System Theory : 추천 시스템이란?

추천 시스템(Recommender System)쇼핑몰에는 수백만 개의 상품이 있고, 동영상 서비스에는 매일 수십만 개의 영상이 올라오며, 음악 서비스에는 수천만 곡의 노래가 있습니다. 사용자가 이 모든 항목을 직접 살펴보는 것은

000

2d

Recommender System Theory : 협업 필터링(Collaborative Filtering)

협업 필터링(Collaborative Filtering)협업 필터링(Collaborative Filtering)은 다른 사용자들의 행동을 근거로 추천하는 방법입니다. 과거에 취향이 비슷했던 사람들은 앞으로도 비슷한 것을 좋아할 것

000

2d

Recommender System Theory : 암시적 피드백(Implicit Feedback)

암시적 피드백(Implicit Feedback)행렬 분해(Matrix Factorization)까지는 사용자가 직접 남긴 평점, 즉 명시적 피드백(Explicit Feedback)을 가정했습니다. 그러나 추천 시스템이란?에서 다룬

000

2d

Recommender System Theory : 행렬 분해(Matrix Factorization)

잠재 요인 모델(Latent Factor Model)협업 필터링(Collaborative Filtering)의 이웃 기반 방법은 두 사용자가 함께 평가한 아이템이 있어야 둘을 비교할 수 있었습니다. 사용자-아이템 행렬의 대부분이

000

2d

Recommender System Theory : 콘텐츠 기반 필터링(Content-based Filtering)

콘텐츠 기반 필터링(Content-based Filtering)콘텐츠 기반 필터링(Content-based Filtering)은 사용자가 과거에 좋아한 아이템과 비슷한 아이템을 추천하는 방법입니다. 여기서 “비슷하다”는 아이템이

000

9d

Artificial Intelligence Theory : 전이 학습과 자기 지도 학습(Transfer Learning & Self-Supervised Learning)

레이블의 비용지금까지 다룬 신경망은 대부분 지도 학습(Supervised Learning)으로 학습했습니다. 입력마다 정답 레이블이 붙은 데이터를 대량으로 준비하고, 예측이 정답과 가까워지도록 가중치를 갱신하는 방식입니다. 합성곱

001

9d

Python Django 강좌 : 제 15강 - Authentication & Permission

Authentication & Permission지금까지 작성한 API는 누구나 데이터를 조회하고, 작성하고, 수정하고, 삭제할 수 있습니다.실제 서비스에서는 로그인한 사용자만 게시물을 작성하거나, 작성자 본인만 게시물을 수정할

001

9d

Python Django 강좌 : 제 14강 - Router

Django Router8강에서는 ViewSet을 URL에 연결하기 위해 as_view({"get": "list", "post": "create"})처럼 HTTP 메서드와 동작(action)을 직접 바인딩했습니다.뷰셋이 많아지면

001

9d

Artificial Intelligence Theory : 앙상블 학습(Ensemble Learning)

앙상블 학습(Ensemble Learning)중요한 결정을 내릴 때 한 사람의 의견보다 여러 사람의 의견을 모으는 편이 더 믿을 만한 경우가 많습니다. 각자 실수를 하더라도 그 실수가 서로 다르다면, 의견을 모으는 과정에서 개인의

001

16d

Artificial Intelligence Theory : 생성 모델(Generative Model)

판별 모델과 생성 모델지금까지 다룬 모델은 대부분 입력을 보고 답을 고르는 모델이었습니다. 이미지를 보고 고양이인지 개인지 판단하고, 집의 정보를 보고 가격을 예측합니다. 이처럼 입력 \(x\)가 주어졌을 때 정답 \(y\)의 확

001

16d

Python Pytorch 강좌 : 제 16강 - 과대적합 방지(Regularization)

과대적합(Overfitting)합성곱 신경망(Convolutional Neural Network)에서는 학습 데이터 60,000장으로 FashionMNIST 분류 모델을 학습해 시험 데이터에서 약 89%의 정확도를 얻었습니다. 그

001

16d

Natural Language Processing Theory : 검색 증강 생성(Retrieval-Augmented Generation)

검색 증강 생성(Retrieval-Augmented Generation)대규모 언어 모델(Large Language Model)은 방대한 지식을 가지고 있지만, 그 지식은 가중치 안에 흩어져 저장되어 있습니다. 모델이 무엇을 알고

001

16d

Artificial Intelligence Theory : 합성곱 신경망(Convolutional Neural Network)

이미지와 완전 연결 신경망지금까지 다룬 신경망은 한 층의 모든 노드가 다음 층의 모든 노드와 연결된 완전 연결 신경망(Fully Connected Network)이었습니다. 입력이 몇 개의 숫자로 이루어진 표 형태의 데이터라면 이

002

16d

Python Pytorch 강좌 : 제 15강 - 합성곱 신경망(Convolutional Neural Network)

합성곱 신경망(Convolutional Neural Network)퍼셉트론(Perceptron)에서는 입력을 1차원 벡터로 받아 nn.Linear 계층을 쌓은 다층 퍼셉트론(Multi Layer Perceptron)으로 문제를 해

002

16d

Computer Vision Theory : 기하 변환과 이미지 정합

기하 변환(Geometric Transformation)전처리 알고리즘에서 이미지를 회전하거나 확대하는 변환을 간단히 다루었습니다. 이러한 변환은 픽셀의 값을 바꾸는 필터링과 달리, 픽셀의 위치를 바꿉니다. 이처럼 이미지의 좌표를

002

16d

Natural Language Processing Theory : 효율적인 미세 조정과 추론(Efficient Fine-tuning & Inference)

모델의 크기와 비용대규모 언어 모델(Large Language Model)은 매개변수가 수십억에서 수천억 개에 이릅니다. 매개변수 하나는 결국 메모리에 저장된 숫자 하나이므로, 모델이 크다는 것은 그만큼 많은 메모리와 연산이 필요

002

16d

Artificial Intelligence Theory : 손실 함수(Loss Function)

손실 함수(Loss Function)순전파(Forward Propagation) & 역전파(Back Propagation)에서 모델은 예측값과 정답의 차이를 계산하고, 그 차이를 줄이는 방향으로 가중치를 갱신한다고 설명했습니다.

001

16d

Computer Vision Theory : 객체 검출

객체 검출(Object Detection)이미지 인식에서 다룬 이미지 분류는 사진 한 장을 보고 무엇이 찍혀 있는지 하나의 답을 냅니다. 그러나 실제 장면에는 대개 여러 물체가 함께 있습니다. 도로 사진에는 자동차 여러 대와 보행

002

23d

Python Numpy 강좌 : 제 18강 - 정렬

정렬(Sort)import numpy as nparray = np.array([ [5, 1, 4], [2, 6, 3]])print(np.sort(array))print(np.sort(array, axis=0))print(np.so

003

23d

Python Numpy 강좌 : 제 19강 - 고유값 및 집합 연산

고유값(Unique)import numpy as nparray = np.array([3, 1, 2, 3, 1, 3, 5])print(np.unique(array))values, counts = np.unique(array, ret

003