interview

ChatGPT Prompt Engineering for Developers 강의를 들었습니다 1시간정도 분량인데 pompt 에 대해서 이런방식으로 사용하면 좋다는 howto를 알려줍니다 다양한 예시와 함께 알려줘서 prompt 예제를 기록해두고 필요한 경우에 맞춰서 사용하려고 합니다

Auto GPT는 어떻게 시작되었나

주목받는 오픈소스 Auto-GPT는 어떻게 시작되었나. 초기 커밋을 살펴보면서 Auto-GPT의 구조와 기능을 파악해보고 실제로 돌려본 몇가지 케이스와 후기를 남겨본다.

앞서 정리한 Event Driven Architecture The Complete Guide - 강의노트 를 바탕으로 가상 시나리오를 작성하고 event driven architecture 를 연습해보겠습니다.

공변성/반공변성(Variance) 스칼라의 타입 시스템은 다형성 뿐 아니라 클래스 계층관계도 처리해야만 한다. 클래스의 계층은 상/하위 타입 관계를 만든다. OO와 다형성이 합쳐지면서 생기는 핵심문제는 바로 “

함수형 프로그래밍언어, 스칼라 시작하다

프로그래밍 언어를 처음배울때 대다수 사람들이 시작하듯 Java로 언어를 배우기 시작했다

Back to Top ↑

web

NAVER Deview 2023 Day1 Review(2)

Day1 세션들 중 직접 듣지는 못하였으나 관심있는 세션들을 슬라이드 내용을 중심으로 요약정리했습니다

NAVER Deview 2023 Day1 Review(1)

Day1 만 신청완료되었고 여러 세션들 중 관심있는 세션들을 듣고 내용을 요약정리했습니다. 각 세션 끝에는 간단히 느낀점과 생각들도 정리하였습니다.

window.close 와 self.close

팝업창을 닫아야 하는데 ie에서는 잘 작동되는 소스가 ipone 웹, 앱에서는 작동되지않는 문제가 발생다른 방법으로 해결하기는 했으나 close 메서드가 다양하게 있는걸 알고 각각의 특징을 정리해두고자 한다

window.close();
현재창을 닫거나 호출된 창을 닫는다이 메서드는 window.open() 메서드를 사용해서 열린 창들에게만 적용된다스크립트로 호출된 창이 아니면 다음과 같은 에러가 나오기도 한다Scripts may not close windows that were not opened by script.

Back to Top ↑

api

API 그리고 Django REST framework View들 비교하기

API를 알게되고 개발에 직접 사용하게 된 것은 얼마되지 않았다.
API는 백엔드와 프론트가 분리되어 개발되는 현재 우리팀에서도 물론 필요하고 아래 그림처럼 API를 사용하는 End Consumers 가 다양해지는 앞으로의 환경속에서는 그 사용이 더 늘어날 것이다.

API 그리고 Django REST framework View들 비교하기

API를 알게되고 개발에 직접 사용하게 된 것은 얼마되지 않았다.
API는 백엔드와 프론트가 분리되어 개발되는 현재 우리팀에서도 물론 필요하고 아래 그림처럼 API를 사용하는 End Consumers 가 다양해지는 앞으로의 환경속에서는 그 사용이 더 늘어날 것이다.

korean

Dual Ask-Answer Network for Machine Reading Comprehension

한글문서 기반 QA 생성모델 만들기_part1

Back to Top ↑

retrospect

함께 자라기 애자일로 가는 길

내가 정말 잘 할 수 있을까? 아니 우리가 정말 자랄 수 있을까?

한글 및 한국어 정보처리 학술대회 2019

1부

Back to Top ↑

ocr

NAVER Deview 2023 Day1 Review(2)

Day1 세션들 중 직접 듣지는 못하였으나 관심있는 세션들을 슬라이드 내용을 중심으로 요약정리했습니다

NAVER Deview 2023 Day1 Review(1)

Day1 만 신청완료되었고 여러 세션들 중 관심있는 세션들을 듣고 내용을 요약정리했습니다. 각 세션 끝에는 간단히 느낀점과 생각들도 정리하였습니다.

한글 및 한국어 정보처리 학술대회 2019

Back to Top ↑

cicd

엔지니어에게 직접 배우는 GCP, kubernetes, Firebase 환경세팅(1)

쿠버네티스 관련 책을 사두고 1번정도 읽어보기는 했지만

Python에서 온 개발자P, Java에서 온 개발자J

Back to Top ↑

database

가상 시나리오로 살펴본 MySQL과 MongoDB의 차이점은?

MySQL과 MongoDB의 주요 차이점은 다음과 같다

스타크래프트 인공지능 봇을 만들어보자 chap1

- 막장을 위하여! 위대한 여정의 시작

1st week reading list

# Bayesian Learning for hackers Ch1

Back to Top ↑

한글문서 기반 QA 생성모델 만들기_part1

Question Answering ( 질의응답 시스템)

위키피디아 그리고 검색을 통해서

Arbitrary Style Transfer with Style-Attentional Networks

Django-Postgres-Gunicorn-Nginx 구성환경을 Docker 에 구현하는 튜토리얼을 참고해 작성한 글입니다.

Back to Top ↑

ci/cd

Travis CI 에서 Github Action 으로 AWS Elastic Beanstalk 배포하기

들어가며

한 번에 끝내는 AWS 인프라 구축과 DevOps 운영 초격차 패키지 Online - 강의노트

패스트 캠퍼스 온라인 강의 한 번에 끝내는 AWS 인프라 구축과 DevOps 운영 초격차 패키지 Online 를 수강하며 강의 주요 내용을 정리해보았습니다

들어가며

어떻게 로깅할 것인가 feat. Elastic Beanstalk Cloud Watch Logging

실제로 서비스를 운영하기 시작하면 운영자로부터 다양한 요청들을 받기 시작한다.

엔지니어에게 직접 배우는 GCP, kubernetes, Firebase 환경세팅(2)

첫번째 글에서는 Firebase, GCP IAM, Cloud Run, Cloud Tasks, Cloud DNS, Filestore 를 하나씩 세팅해보면서 준비했고 이번 글에서는 GKE Cluster 세팅을 중점적으로 다뤄보려고 한다.

Back to Top ↑

engineering

Back to Top ↑

em algorithm

6th week reading list

Murphy Ch11. Mixture models and the EM algorithm

11.1 Latent variable models 숨겨진 변수 leaden variable or lvm
2가지이유에서 이점이 있다 lvm 은 더 적은 파라미터를 갖는다
11.2 Mixture models 다대다 일대다 다대일 일대일 형식의 모델로 구분된다

base distribution 을 mixing 하는것이라 mixture model 이라고 부른다혼합모델은 크게 2개가 있는데 하나가 black-box density model이고 데이터 요약, 이상치 검출, 분류를 생성할때 유용하다

다른 하나는 클러스터링에 적합
Soft clustering 은 한 개체가 여러 군집에 속할수있음
Hard clustering 은 한 개체가 여러 군집에 속하는 경우를 허용하지 않는 군집화 방법
효모유전자 시간경과에 따른 데이터 plot, 16개 클러스터 중심을 만듬

11.5 그림을 보면 mixing weights가 나와있는데 결과가 좋지않다
모델이 너무 단순해서 숫자의 시각적인 특성들을 잡아내지 못한다
Likelihood function이 볼록하지않다

mixture of experts
expert 전문가 또는 학습자
각각의 하위모델들을 입력공간의 특정지역의 학습자로 여긴다
Inverse 문제를 푸는데 유용하다
x축에 값들에 대해 unique한 값을 갖는 y들을 forwards model
Posterior mean은 좋은 예측치를 만들지 못한다
그러나 posterior mode는 input 값이 종속적이라면 합리적인 추정치를 제공한다

11.3 Parameter estimation for mixture models
파라미터들을 어떻게 배우는지 이야기해보자
결측치가 없고 hidden 변수가 없는걸 complete data 라고 한다

K=2 인 2차원 가우시안 혼합 모델의 데이터에 대해서 우도함수는 두 개의 피크를 포함하고 있다.
사후확률이 다수의 봉우리를 포함한 (multimodal ) 형태로 표현될 수도 있다는 것이다
Unidentifiability MLE가 unique 하지않다
유일한 최대우도 (MLE)이 존재하지 않기 때문에, 매개변수는 식별가능하지 않다고 한다.
그러므로 사전확률이 특정 라벨링에 영향을 주지 않는다면, 유일한 최대 사후확률 추정(MAP)도 존재하지 않는다
이는 사후확률이 다수의 봉우리를 포함한 형태라는 것과 같은 의미이다
사후확률이 포함하는 봉우리의 개수가 몇 개인지 찾는 것은 어려운 문제다. NP-hard 문제

MCMC

Globally optimal MLE를 찾는다 따라서 MAP 가 된다

11.4 The EM algorithm
expectation maximization, or EM
latent 변수를 알지못하기에 Log likelihood의 기대값을 사전확률분포에 취한다
K-means 알고리즘에서는 유클리디언 거리 함수를 사용하는 반면에 EM 알고리즘은 log-likelihood 함수를
사용하여 모델의 적합성을 평가한다. K-means가 거리 기반 군집 방법인 것에 비하여 EMdms 확률 기반 군집이라고 한다.

Estep 추정단계
k개의 확룰 분포에 대하여 각 레코드들이 속할 확률을 계산하여 weight로 변환하여 배정한다

Mstep 최대화단계
혼합모델의 매개변수들을 업데이트한다

EM알고리즘과 K-means 알고리즘과의 관계
K-mean 알고리즘은 임의의 데이터셋을 클러스터링 할 때 쓰이는 알고리즘으로, 가우시안
혼합 모델의 EM 알고리즘과 비슷하다. K-means 알고리즘의 경우, 각 데이터 포인트에 클러스터를 정확히
1가지 지정하는데 반해 EM 알고리즘은 여러개의 클러스터에 대해 사후확률에 비례하도록 지정한다

Vector quantization
연속적으로 샘플링된 진폭값들을 그룹핑하여 이 그룹단위를 몇개의 대표값으로 양자화
음성압축, 영상 압축 부호화기법, 음성인식, 패턴인식 등 여러분야에 사용
단점 : 매우 낮은 데이터율에서도 높은 효율성을 갖지만, 반면에 양자화 왜곡을 제어하기 어려움
장점 : 구조가 단순하며 압축률이 높음
비록 인코딩 과정에서는 속도가 느리나, 디코딩 과정에서는 새인에 의해 코드북을 1회만 참조하게되므로 속도가 빠름

군집화에서 고려해야하는 중요한 문제점

최적의 클래스(확률분포모델) 개수는 몇 개인가? ( K의 개수 결정)
주어진 데이터에서 가장 근접한 클래스(확률분포모델)은 무엇인가? (클러스터링 과정)
오차가 가장 최소가 되는 클래스(확률분포모델)는 무엇인가? (클래스 특징을 변화)위의 3가지 문제를 고려하여 클래스 구성과 최적화 과정을 EM 알고리즘을 통하여 진행한다

11.4.5 EM for the Student distribution
결측치도 없는데 왜 EM 을 사용하는가? 인공적인 hidden or 보조변수로 알고리즘을 단순화하기 위함이다
Gaussian scale mixture
Mixtures of Student distributions
11.4 도표를 보면 Student 모델은 4개의 에러, 가우시안 모델은 21개의 에러
Class 조건부 확률밀도에 극단값이 포함되어 가우시안 모델이 잘못된 선택을 하기떄문이다
11.4.7 Theoretical basis for EM 11.4.7.1 Expected complete data log likelihood is a lower bound
Q(θ ,θ ) = logp(xi|θ ) = l(θ ) (11.93)

EM monotonically increases the observed data log likelihood

11.4.8 Online EM
incremental EM
각 데이터셋마다 기대되는 충분한 통계가 저장되어있어야한다
stepwise EM
확률적 추정이론
전역적인 최대치를 찾기위해선 한가지 방법으로 deterministic annealing

11.5 Model selection for latent variable models
클러스터의 갯수 K를 특정짓는것 모델을 고르는것이다

11.5.1 Model selection for probabilistic models marginal likelihood lvm의 를 측정하기가 어렵다모델의 수가 큰수라 검색할 필요
11.5.2 Model selection for non-probabilistic methods

11.21 도표에서 c그림은 무얼 의미하는가?
K를 어떻게 고를수있나
K별로 reconstruction errorfmf plot 해보면서 알수있다

11.6 Fitting models with missing data

Back to Top ↑

mixture models

6th week reading list

Murphy Ch11. Mixture models and the EM algorithm

11.1 Latent variable models 숨겨진 변수 leaden variable or lvm
2가지이유에서 이점이 있다 lvm 은 더 적은 파라미터를 갖는다
11.2 Mixture models 다대다 일대다 다대일 일대일 형식의 모델로 구분된다

base distribution 을 mixing 하는것이라 mixture model 이라고 부른다혼합모델은 크게 2개가 있는데 하나가 black-box density model이고 데이터 요약, 이상치 검출, 분류를 생성할때 유용하다

다른 하나는 클러스터링에 적합
Soft clustering 은 한 개체가 여러 군집에 속할수있음
Hard clustering 은 한 개체가 여러 군집에 속하는 경우를 허용하지 않는 군집화 방법
효모유전자 시간경과에 따른 데이터 plot, 16개 클러스터 중심을 만듬

11.5 그림을 보면 mixing weights가 나와있는데 결과가 좋지않다
모델이 너무 단순해서 숫자의 시각적인 특성들을 잡아내지 못한다
Likelihood function이 볼록하지않다

mixture of experts
expert 전문가 또는 학습자
각각의 하위모델들을 입력공간의 특정지역의 학습자로 여긴다
Inverse 문제를 푸는데 유용하다
x축에 값들에 대해 unique한 값을 갖는 y들을 forwards model
Posterior mean은 좋은 예측치를 만들지 못한다
그러나 posterior mode는 input 값이 종속적이라면 합리적인 추정치를 제공한다

11.3 Parameter estimation for mixture models
파라미터들을 어떻게 배우는지 이야기해보자
결측치가 없고 hidden 변수가 없는걸 complete data 라고 한다

K=2 인 2차원 가우시안 혼합 모델의 데이터에 대해서 우도함수는 두 개의 피크를 포함하고 있다.
사후확률이 다수의 봉우리를 포함한 (multimodal ) 형태로 표현될 수도 있다는 것이다
Unidentifiability MLE가 unique 하지않다
유일한 최대우도 (MLE)이 존재하지 않기 때문에, 매개변수는 식별가능하지 않다고 한다.
그러므로 사전확률이 특정 라벨링에 영향을 주지 않는다면, 유일한 최대 사후확률 추정(MAP)도 존재하지 않는다
이는 사후확률이 다수의 봉우리를 포함한 형태라는 것과 같은 의미이다
사후확률이 포함하는 봉우리의 개수가 몇 개인지 찾는 것은 어려운 문제다. NP-hard 문제

MCMC

Globally optimal MLE를 찾는다 따라서 MAP 가 된다

11.4 The EM algorithm
expectation maximization, or EM
latent 변수를 알지못하기에 Log likelihood의 기대값을 사전확률분포에 취한다
K-means 알고리즘에서는 유클리디언 거리 함수를 사용하는 반면에 EM 알고리즘은 log-likelihood 함수를
사용하여 모델의 적합성을 평가한다. K-means가 거리 기반 군집 방법인 것에 비하여 EMdms 확률 기반 군집이라고 한다.

Estep 추정단계
k개의 확룰 분포에 대하여 각 레코드들이 속할 확률을 계산하여 weight로 변환하여 배정한다

Mstep 최대화단계
혼합모델의 매개변수들을 업데이트한다

EM알고리즘과 K-means 알고리즘과의 관계
K-mean 알고리즘은 임의의 데이터셋을 클러스터링 할 때 쓰이는 알고리즘으로, 가우시안
혼합 모델의 EM 알고리즘과 비슷하다. K-means 알고리즘의 경우, 각 데이터 포인트에 클러스터를 정확히
1가지 지정하는데 반해 EM 알고리즘은 여러개의 클러스터에 대해 사후확률에 비례하도록 지정한다

Vector quantization
연속적으로 샘플링된 진폭값들을 그룹핑하여 이 그룹단위를 몇개의 대표값으로 양자화
음성압축, 영상 압축 부호화기법, 음성인식, 패턴인식 등 여러분야에 사용
단점 : 매우 낮은 데이터율에서도 높은 효율성을 갖지만, 반면에 양자화 왜곡을 제어하기 어려움
장점 : 구조가 단순하며 압축률이 높음
비록 인코딩 과정에서는 속도가 느리나, 디코딩 과정에서는 새인에 의해 코드북을 1회만 참조하게되므로 속도가 빠름

군집화에서 고려해야하는 중요한 문제점

최적의 클래스(확률분포모델) 개수는 몇 개인가? ( K의 개수 결정)
주어진 데이터에서 가장 근접한 클래스(확률분포모델)은 무엇인가? (클러스터링 과정)
오차가 가장 최소가 되는 클래스(확률분포모델)는 무엇인가? (클래스 특징을 변화)위의 3가지 문제를 고려하여 클래스 구성과 최적화 과정을 EM 알고리즘을 통하여 진행한다

11.4.5 EM for the Student distribution
결측치도 없는데 왜 EM 을 사용하는가? 인공적인 hidden or 보조변수로 알고리즘을 단순화하기 위함이다
Gaussian scale mixture
Mixtures of Student distributions
11.4 도표를 보면 Student 모델은 4개의 에러, 가우시안 모델은 21개의 에러
Class 조건부 확률밀도에 극단값이 포함되어 가우시안 모델이 잘못된 선택을 하기떄문이다
11.4.7 Theoretical basis for EM 11.4.7.1 Expected complete data log likelihood is a lower bound
Q(θ ,θ ) = logp(xi|θ ) = l(θ ) (11.93)

EM monotonically increases the observed data log likelihood

11.4.8 Online EM
incremental EM
각 데이터셋마다 기대되는 충분한 통계가 저장되어있어야한다
stepwise EM
확률적 추정이론
전역적인 최대치를 찾기위해선 한가지 방법으로 deterministic annealing

11.5 Model selection for latent variable models
클러스터의 갯수 K를 특정짓는것 모델을 고르는것이다

11.5.1 Model selection for probabilistic models marginal likelihood lvm의 를 측정하기가 어렵다모델의 수가 큰수라 검색할 필요
11.5.2 Model selection for non-probabilistic methods

11.21 도표에서 c그림은 무얼 의미하는가?
K를 어떻게 고를수있나
K별로 reconstruction errorfmf plot 해보면서 알수있다

11.6 Fitting models with missing data

Back to Top ↑

murphy

6th week reading list

Murphy Ch11. Mixture models and the EM algorithm

11.1 Latent variable models 숨겨진 변수 leaden variable or lvm
2가지이유에서 이점이 있다 lvm 은 더 적은 파라미터를 갖는다
11.2 Mixture models 다대다 일대다 다대일 일대일 형식의 모델로 구분된다

base distribution 을 mixing 하는것이라 mixture model 이라고 부른다혼합모델은 크게 2개가 있는데 하나가 black-box density model이고 데이터 요약, 이상치 검출, 분류를 생성할때 유용하다

다른 하나는 클러스터링에 적합
Soft clustering 은 한 개체가 여러 군집에 속할수있음
Hard clustering 은 한 개체가 여러 군집에 속하는 경우를 허용하지 않는 군집화 방법
효모유전자 시간경과에 따른 데이터 plot, 16개 클러스터 중심을 만듬

11.5 그림을 보면 mixing weights가 나와있는데 결과가 좋지않다
모델이 너무 단순해서 숫자의 시각적인 특성들을 잡아내지 못한다
Likelihood function이 볼록하지않다

mixture of experts
expert 전문가 또는 학습자
각각의 하위모델들을 입력공간의 특정지역의 학습자로 여긴다
Inverse 문제를 푸는데 유용하다
x축에 값들에 대해 unique한 값을 갖는 y들을 forwards model
Posterior mean은 좋은 예측치를 만들지 못한다
그러나 posterior mode는 input 값이 종속적이라면 합리적인 추정치를 제공한다

11.3 Parameter estimation for mixture models
파라미터들을 어떻게 배우는지 이야기해보자
결측치가 없고 hidden 변수가 없는걸 complete data 라고 한다

K=2 인 2차원 가우시안 혼합 모델의 데이터에 대해서 우도함수는 두 개의 피크를 포함하고 있다.
사후확률이 다수의 봉우리를 포함한 (multimodal ) 형태로 표현될 수도 있다는 것이다
Unidentifiability MLE가 unique 하지않다
유일한 최대우도 (MLE)이 존재하지 않기 때문에, 매개변수는 식별가능하지 않다고 한다.
그러므로 사전확률이 특정 라벨링에 영향을 주지 않는다면, 유일한 최대 사후확률 추정(MAP)도 존재하지 않는다
이는 사후확률이 다수의 봉우리를 포함한 형태라는 것과 같은 의미이다
사후확률이 포함하는 봉우리의 개수가 몇 개인지 찾는 것은 어려운 문제다. NP-hard 문제

MCMC

Globally optimal MLE를 찾는다 따라서 MAP 가 된다

11.4 The EM algorithm
expectation maximization, or EM
latent 변수를 알지못하기에 Log likelihood의 기대값을 사전확률분포에 취한다
K-means 알고리즘에서는 유클리디언 거리 함수를 사용하는 반면에 EM 알고리즘은 log-likelihood 함수를
사용하여 모델의 적합성을 평가한다. K-means가 거리 기반 군집 방법인 것에 비하여 EMdms 확률 기반 군집이라고 한다.

Estep 추정단계
k개의 확룰 분포에 대하여 각 레코드들이 속할 확률을 계산하여 weight로 변환하여 배정한다

Mstep 최대화단계
혼합모델의 매개변수들을 업데이트한다

EM알고리즘과 K-means 알고리즘과의 관계
K-mean 알고리즘은 임의의 데이터셋을 클러스터링 할 때 쓰이는 알고리즘으로, 가우시안
혼합 모델의 EM 알고리즘과 비슷하다. K-means 알고리즘의 경우, 각 데이터 포인트에 클러스터를 정확히
1가지 지정하는데 반해 EM 알고리즘은 여러개의 클러스터에 대해 사후확률에 비례하도록 지정한다

Vector quantization
연속적으로 샘플링된 진폭값들을 그룹핑하여 이 그룹단위를 몇개의 대표값으로 양자화
음성압축, 영상 압축 부호화기법, 음성인식, 패턴인식 등 여러분야에 사용
단점 : 매우 낮은 데이터율에서도 높은 효율성을 갖지만, 반면에 양자화 왜곡을 제어하기 어려움
장점 : 구조가 단순하며 압축률이 높음
비록 인코딩 과정에서는 속도가 느리나, 디코딩 과정에서는 새인에 의해 코드북을 1회만 참조하게되므로 속도가 빠름

군집화에서 고려해야하는 중요한 문제점

최적의 클래스(확률분포모델) 개수는 몇 개인가? ( K의 개수 결정)
주어진 데이터에서 가장 근접한 클래스(확률분포모델)은 무엇인가? (클러스터링 과정)
오차가 가장 최소가 되는 클래스(확률분포모델)는 무엇인가? (클래스 특징을 변화)위의 3가지 문제를 고려하여 클래스 구성과 최적화 과정을 EM 알고리즘을 통하여 진행한다

11.4.5 EM for the Student distribution
결측치도 없는데 왜 EM 을 사용하는가? 인공적인 hidden or 보조변수로 알고리즘을 단순화하기 위함이다
Gaussian scale mixture
Mixtures of Student distributions
11.4 도표를 보면 Student 모델은 4개의 에러, 가우시안 모델은 21개의 에러
Class 조건부 확률밀도에 극단값이 포함되어 가우시안 모델이 잘못된 선택을 하기떄문이다
11.4.7 Theoretical basis for EM 11.4.7.1 Expected complete data log likelihood is a lower bound
Q(θ ,θ ) = logp(xi|θ ) = l(θ ) (11.93)

EM monotonically increases the observed data log likelihood

11.4.8 Online EM
incremental EM
각 데이터셋마다 기대되는 충분한 통계가 저장되어있어야한다
stepwise EM
확률적 추정이론
전역적인 최대치를 찾기위해선 한가지 방법으로 deterministic annealing

11.5 Model selection for latent variable models
클러스터의 갯수 K를 특정짓는것 모델을 고르는것이다

11.5.1 Model selection for probabilistic models marginal likelihood lvm의 를 측정하기가 어렵다모델의 수가 큰수라 검색할 필요
11.5.2 Model selection for non-probabilistic methods

11.21 도표에서 c그림은 무얼 의미하는가?
K를 어떻게 고를수있나
K별로 reconstruction errorfmf plot 해보면서 알수있다

Back to Top ↑

tools

GPT를 활용한 프로젝트 자동 채점 기능 개발기 - 도전과 해결 과정

학습관리플랫폼 에서 중요한 부분인 프로젝트 평가의 흐름에 대해 설명해보면

Back to Top ↑

interview

slowpaper

slow paper

slow paper

slow paper

slow paper

slow paper

slow paper

slow paper

slow paper

howto

들어가며

devops

2023 CERTIFIED KUBERNETES ADMINISTRATOR (CKA) 시험을 준비하며 공부한 자료들과 시험에 응시한 후기를 정리했습니다

architecture

backend interviews

백엔드 개발자 면접 예상 질문 및 주요개념을 정리해보았습니다.

백엔드 개발자 면접 예상 질문 및 주요개념을 정리해보았습니다.

RDBMS vs NoSQL 의 비교되는 특징과 데이터베스 선택시 어떤 점을 고려해야할지 정리해보았습니다.

Python에서 온 개발자P, Java에서 온 개발자J

nlp

Dual Ask-Answer Network for Machine Reading Comprehension

Related Work

한글문서 기반 QA 생성모델 만들기_part1

chatgpt

event

scala

web

api

korean

Dual Ask-Answer Network for Machine Reading Comprehension

Related Work

한글문서 기반 QA 생성모델 만들기_part1

retrospect

한글 및 한국어 정보처리 학술대회 2019

1부

ocr

한글 및 한국어 정보처리 학술대회 2019

cicd

python

백엔드 개발자 면접 예상 질문 및 주요개념을 정리해보았습니다.

Python에서 온 개발자P, Java에서 온 개발자J

database

RDBMS vs NoSQL 의 비교되는 특징과 데이터베스 선택시 어떤 점을 고려해야할지 정리해보았습니다.

search

deview 2023

prompt

cqrs

algorithms

coursera

구글에서 진행하는 머신러닝 부트캠프 2023을 수료하고 그 과정에서 학습하고 느낀 점을 정리했습니다

whether

alarm