Alex Han: Coding Explorer

아버지가 운영하시는 가게에서 현재 포스기에 찍히는 테이블들의 가격들을 합산하여 모든 테이블의 총 가격을 자동으로 계산하는 프로그램을 개발하게 되었다. 포스기와 연동할 수 있는 API가 없을 것이라는 기대하에, 포스기의 화면을 주기적으로 촬영할 카메라를 설치하여 포스기의 화면 이미지를 얻는 방식으로 문제를 해결하고자 했다.이 방법이 성공적으로 구현된다는 전제하에, 이미지에서 숫자인 가격만 인식하면 충분하기 때문에 OCR(Optical Character Recognition) 기술을 사용하였다.  먼저, 현재 포스기의 UI를 정확히 얻지 못한 상황이었기 때문에 예시 샘플을 만들어 테스트를 진행하였다.성공적으로 가격을 인식하는 것을 확인하였으며, Png 확장자 이미지를 사용해야 인식률이 높다는 점을 발견하였다..

먼저 읽어보기Upstage는 다양한 종류의 API를 제공하며, 이 중 Chat API를 중심으로 설명을 다루려고 한다. 그 외에도 텍스트 임베딩, 번역, 레이아웃 분석, 주요 정보 추출 등 여러 기능이 있으나 이 장에서는 프롬프트의 기본 구성에 대해 배우고 Chat API를 사용하여 효율적인 채팅 응답을 생성하는 방법에 대해 설명한다. https://jyhan0625.tistory.com/90 [Solar] 0. Solar AI 사용해보기먼저 읽어보기AI 기술이 발전함에 따라 다양한 대형 언어 모델(LLM)이 등장하고 있다. 이번 글에서는 Upstage에서 개발한 Solar AI를 사용해보는 방법을 소개한다. 특히 Solar Pro 모델을 활용하여 기jyhan0625.tistory.com https://..

LlamaIndex(구 GPT Index)는 문서에서 정보를 효율적으로 검색하고 활용할 수 있도록 하는 프레임워크이다. 특히 대형 언어 모델(LLM)과 결합하여 문서 기반 질의응답(Q&A) 시스템을 구축하는 데 유용하다.   1. LlamaIndex의 역할일반적인 LLM은 단순히 입력된 텍스트에 대해 응답을 생성하지만, LlamaIndex는 문서를 인덱싱하고 검색하여 보다 정확한 답변을 제공할 수 있도록 한다. 예제: LLM vs. LlamaIndex방식설명LLM만 사용모델이 사전 학습된 데이터만 기반으로 응답 생성LlamaIndex 활용모델이 외부 문서(논문, PDF, 웹 데이터)를 검색하고 응답 생성 즉, LlamaIndex는 LLM이 실제 데이터를 검색하여 더 정확한 답변을 제공하도록 도와주는 도구..

먼저 읽어보기AI 기술이 발전함에 따라 다양한 대형 언어 모델(LLM)이 등장하고 있다. 이번 글에서는 Upstage에서 개발한 Solar AI를 사용해보는 방법을 소개한다. 특히 Solar Pro 모델을 활용하여 기본적인 설정을 진행하고, 간단한 대화를 수행하는 과정을 살펴본다. https://jyhan0625.tistory.com/81 [Solar] Solar AI 프롬프트 엔지니어링 학습을 시작하며프롬프트 엔지니어링(Prompt Engineering)은 인공지능 모델이 사용자로부터 받은 요구를 정확히 이해하고, 원하는 출력을 생성하도록 하는 기술입니다. 대규모 언어 모델(LLM)을 활용할 때 특히 중요jyhan0625.tistory.com https://github.com/UpstageAI/sola..

LangChain은 대규모 언어 모델(LLM) 기반 애플리케이션을 쉽게 개발할 수 있도록 돕는 오픈소스 프레임워크이다. 주로 OpenAI, Hugging Face, Cohere 등의 LLM API를 활용하여 문서 처리, 질문 응답, 체인형 워크플로우 구성 등의 기능을 구현할 때 사용된다.   1. LangChain의 주요 개념LangChain은 다음과 같은 주요 개념으로 구성된다. 1) LLM (Large Language Models) • OpenAI GPT-4, Hugging Face Transformers, Claude 같은 다양한 언어 모델을 사용할 수 있도록 지원한다. • from langchain.llms import OpenAI 같은 방식으로 쉽게 LLM을 호출할 수 있다. 2) 프롬프트 템플..

AI 모델을 학습하고 프로덕트에 적용하려면 적절한 플랫폼을 선택하는 것이 중요하다. 개인적인 AI 공부 과정에서는 Colab, Kaggle, SageMaker, Vertex AI 등의 플랫폼이 유용하고, 서비스 및 프로덕트 배포 단계에서는 FastAPI, TensorFlow Serving, MLflow, AWS Lambda 등의 솔루션을 활용할 수 있다.   AI 모델에 대해 공부하기 좋은 플랫폼AI를 처음 배우거나 연구하는 과정에서는 Google Colab, Kaggle, Amazon SageMaker, Google Vertex AI 같은 플랫폼이 유용하다. Google Colab✅ 무료 GPU(T4, A100) 제공✅ Jupyter Notebook 기반으로 사용이 간편✅ Google Drive와 연동..

프롬프트 엔지니어링(Prompt Engineering)은 인공지능 모델이 사용자로부터 받은 요구를 정확히 이해하고, 원하는 출력을 생성하도록 하는 기술입니다. 대규모 언어 모델(LLM)을 활용할 때 특히 중요한 이 기술은 모델과의 상호작용에서 핵심적인 역할을 하며, 효율적이고 창의적인 답을 이끌어낼 수 있는 기회를 제공합니다.   솔라(Solar) 모델 소개 솔라(Solar)는 업스테이지(upstage)에서 개발한 차세대 대규모 언어 모델로, 최근 Hugging Face의 Open LLM Leaderboard에서 최고의 성능을 기록하며 주목을 받았습니다. GPT-3.5와 비교할 수 있는 뛰어난 성능을 보이면서도 파라미터 수가 적고 처리 속도는 2.5배 빠릅니다. 솔라는 다양한 모델들, 예를 들어 Llam..

StandardScaler를 사용했음에도 불구하고 RandomForest 모델의 정확도가 변화하지 않는 이유는 랜덤 포레스트(Random Forest) 모델의 특성과 관련이 있습니다. 1. 랜덤 포레스트는 스케일링에 민감하지 않음랜덤 포레스트는 결정 트리(decision tree)의 앙상블(ensemble) 모델입니다. 결정 트리는 데이터를 분할할 때 특정 피처의 값 대신 값의 순서와 조건(예: “피처 A가 값 X보다 크거나 작은가?”)만 고려합니다. 따라서: • 데이터의 스케일(크기나 단위)은 중요하지 않습니다. • StandardScaler가 데이터를 정규화(normalization)하여 값의 분포를 바꾸더라도, 결정 트리와 랜덤 포레스트의 작동 방식에는 영향을 미치지 않습니다. 2. 스케일링이 영향..

- p-값과 관련한 Dacon 답변블루몰드 님 안녕하세요.선형 회귀분석 스테이지1의 F-통계량의 p- 값에 관한 문의를 주셨습니다.  p-값은 F-통계량에 대응하는 유의확률로서, 귀무가설이 참일 때 현재의 F-통계량 값이나 그보다 더 극단적인 값을 관측할 확률을 의미합니다. 여기서 귀무가설은 "모델이 통계적으로 유의하지 않다" 또는 "독립 변수들이 종속 변수에 유의한 영향을 미치지 않는다"는 가정입니다. 따라서 p-값이 작을수록 귀무가설을 기각할 수 있으며, 이는 모델이 통계적으로 유의미하다는 것을 나타냅니다.간략히 요약하자면, p값이 작을 수록 모델을 믿을 수 있다는 의미로 이해하시면 됩니다.일반적으로 p값은 0.05 보다 작을 경우 통계적으로 신뢰할 수 있다고 하나,0.01로 바꿔야한다는 주장이 있을..

우도(likelihood)는 주어진 데이터가 특정한 모델을 따를 가능성, 즉 “이 모델(또는 파라미터)이 주어진 데이터를 얼마나 잘 설명하는가”를 측정하는 개념입니다. 예를 들어 로지스틱 회귀 문제를 통해 쉽게 설명해 보겠습니다. 예시: 로지스틱 회귀 문제에서의 우도 로지스틱 회귀는 특정 사건이 발생할 확률을 예측하는 모델입니다. 예를 들어, 어떤 학생이 시험에 합격할지 여부를 예측한다고 가정해 봅시다. 이 예측은 학생의 공부 시간에 따라 달라질 수 있습니다. 우도의 의미  1. 모델이 예측한 확률: 로지스틱 회귀 모델은 공부 시간이 x일 때 합격할 확률을 P(y=1 | x)로 예측합니다. 이때 y=1은 합격을 의미하고, x는 공부 시간입니다. 2. 실제 결과와 비교: 예를 들어, 실제로 한 학생이 5시..