Machine Learning 85
- LangChain과 LangGraph를 활용한 실전 프로젝트 구축 - part.9
- LangGraph를 활용한 복잡한 AI 워크플로우 구축 - part.8
- LangChain과 API 및 외부 서비스 연동 - part.7
- LangChain과 데이터베이스 및 벡터DB 연동 - part.6
- LangChain에서 Chains와 Workflow 활용하기 - part.5
- LangChain에서 Tools와 Agents 활용하기 - part.4
- LangChain에서 Multi-turn 대화와 Memory 활용하기 - part.3
- LangChain의 프롬프트 엔지니어링과 메시지 유형 활용하기 - part.2
- LangChain 개요 및 환경 설정 - part.1
- LangSmith Hub를 활용한 고급 프롬프트 최적화
- LangChain 에이전트 (Agent) 개념과 활용
- LangChain에서 Multi-turn 대화 구현하기
- LangChain 프롬프트 템플릿과 메시지 유형 활용하기
- LangChain에서 응답 속도 최적화: Caching 활용하기
- LangChain에서 실시간 응답을 위한 Streaming 구현
- LangChain 시작하기: 필수 라이브러리 설치 및 환경 설정
- RAG 챗봇 디버깅 및 성능 최적화- Part.6
- RAG 프롬프트 구성 및 LLM 응답 생성- Part.5
- 벡터 저장소 구축과 리트리버 활용- Part.4
- 문서 처리: Chunking과 Embedding- Part.3
- RAG 환경 설정 및 기본 코드 작성- Part.2
- RAG (Retrieval-Augmented Generation) 개념 및 구축 과정 개요- Part.1
- LangChain을 활용한 고급 체인 구성 및 최적화 전략
- Runnable 컴포넌트와 체인 확장하기 - 특강5
- LangChain Expression Language(LCEL) 이해하기 - 특강4
- 프롬프트를 활용한 페르소나 챗봇 만들기 - 특강3
- 프롬프트 템플릿 활용하기 (ChatPromptTemplate) - 특강2
- LangChain과 LLM의 기본 개념 - 특강1
- Hugging Face와 Stable Diffusion을 활용한 생성형 AI 모델 사용법
- 비지도 학습: 고객 세분화 분석 모델 (과제 해설)
- 지도학습: 주택 가격 예측 모델 구축 (과제 해설)
- 생성형 모델(Generative Models)의 기본 원리
- 특강: 인공신경망과 딥러닝 학습 과정 정리
- 생성형 AI(Generative AI)의 개발 과정과 어려움
- Hugging Face 모델의 사전 학습과 파인 튜닝
- Hugging Face의 Transformers 라이브러리로 NLP 모델 활용하기
- 특강: PyTorch 기초 - 텐서와 기본 연산
- GitHub 오픈소스를 활용한 AI 프로젝트 시작하기
- AI 활용 vs 연구: 차이점과 실무 적용법
- 특강: 딥러닝. 퍼셉트론에서 RNN까지
- LLM 활용 기법: 프롬프트 트렁케이션, CoT, RAG 개념 정리
- Meta의 Llama-2-7b를 On-Premise 환경에서 실행하기
- Django 프로젝트로 챗봇 기능 만들기 - Part 2
- Django 프로젝트로 챗봇 기능 만들기 - Part 1
- OpenAI API 기반 챗봇 구현
- 고객 세분화 분석(클러스터링 기법 비교 및 시각화)
- 고객 세분화 분석(데이터 조회 및 전처리)
- 주택 가격 예측 모델 구축(모델 학습 및 평가)
- 주택 가격 예측 모델 구축(스케일링 및 이상치 처리)
- 주택 가격 예측 모델 구축(데이터 조회 및 결측치 처리)
- 심층 신경망 구현 및 학습: 패션 MNIST 데이터셋 사례
- 딥러닝과 인공 신경망: 텐서플로를 활용한 패션 MNIST 분류
- 차원 축소와 PCA(주성분 분석) 이해하기
- k-평균 알고리즘을 활용한 과일 사진 자동 군집화
- 흑백 사진 분류를 위한 비지도 학습과 군집 알고리즘 이해하기
- 트리 앙상블 (Tree Ensemble)
- 교차 검증과 그리드 서치
- 결정 트리와 로지스틱 회귀를 활용한 와인 분류
- 확률적 경사 하강법 (Stochastic Gradient Descent, SGD)
- 로지스틱 회귀: 럭키백 확률 계산 및 K-최근접 이웃 분류기
- 특성 공학과 규제: 머신러닝 모델의 숨은 비법
- 머신러닝 모델 평가: 선형 회귀와 다항 회귀 실습
- k-최근접 이웃 회귀와 머신러닝 데이터 준비 과정
- 데이터 전처리와 K-최근접 이웃 알고리즘 실습
- 도미와 빙어 데이터를 활용한 지도 학습 실습
- 도미와 빙어 데이터를 활용한 머신러닝 학습
- 딥러닝 모델 설계와 학습
- 주요 딥러닝 라이브러리 소개
- ML: 인공신경망의 기본 개념
- ML: 심층 강화 학습의 응용
- ML: 심층 강화 학습의 세부 원리
- ML: 강화 학습 개요
- ML: 비지도 학습
- ML: 고급 머신러닝 알고리즘: 앙상블 학습
- ML: 피처 생성 (Feature Engineering)
- ML: 피처 선택 (Feature Selection)
- ML: 모델 성능 평가
- ML: 분류와 회귀 문제 이해
- ML: 선형 회귀와 로지스틱 회귀
- ML: 데이터 시각화
- ML: 데이터 전처리
- ML: 데이터 이해와 전처리
- 머신러닝의 주요 활용 분야
- 머신러닝의 유형
- 머신러닝이란?