숫자형 데이터 스케일링이란?Linear, Z-score, Log Scaling, Clipping 쉽게 이해하기머신러닝에서는 데이터를 그냥 넣는다고 끝이 아니다.특히 숫자형 데이터는 크기 차이, 이상치, 치우친 분포 때문에 모델이 데이터를 이상하게 받아들일 수 있다.그래서 사용하는 것이 바로 스케일링(Scaling) 이다. 수업 자료에서도 숫자형 데이터 처리의 핵심 목표로 outlier 처리와 Linear, Z-score, Log 같은 정규화/스케일링 기법을 함께 다루고 있다.예를 들어 한 데이터셋에 다음 두 feature가 있다고 해보자.나이: 35연봉: 100,000,000둘 다 중요한 정보인데, 숫자 크기만 보면 연봉이 훨씬 커 보인다.이러면 모델은 연봉을 더 중요하게 착각할 수 있다. 수업 자료에서..

✔️ AI vs ML핵심AIArtificial Intelligence, 인공지능지능적인 기계를 만드는 큰 분야MLMachine Learning, 머신러닝AI의 하위 분야로, 데이터에서 패턴을 학습하는 기술한 줄 정리AI = 큰 개념ML = AI 안에서 데이터를 통해 배우는 방법 ✔️ Supervised vs Unsupervised= 지도학습 vs 비지도학습구분 지도학습비지도학습정답(label)있음없음목적결과 예측숨은 패턴 찾기대표 작업분류, 회귀군집화, 차원 축소예시스팸 판별, 집값 예측고객 그룹화, 이상치 탐지한 줄 정리지도학습 = 정답을 보고 배움비지도학습 = 정답 없이 패턴을 찾음 ✔️ Classification vs Regression= 둘 다 지도학습 안에 포함됨구분 분류회귀예측 결과범주형 값숫..

다섯 과목 수강: 총 9학점 도전원래 1학기는 6학점이 기본이지만, 2학점을 추가로 들을 수 있어서 2학기에는 8학점을 듣기로 했다.여기에 1학점짜리 논문 필수 과목까지 더해서, 결과적으로 총 9학점을 수강했다.수강 과목은 아래 다섯 개.자기주도적연구계획및설계논문 주제를 찾아야 해서 여러 논문을 읽고 방향을 잡아볼 수 있었던 강의.비정형데이터분석내 지식과 거리가 있는 내용이 많아서 개인적으로 가장 어렵게 느껴졌다.클라우드컴퓨팅업무와 밀접해서 비교적 친숙했고, 온라인 대체가 꽤 있어서 정말 감사했던 강의.데이터베이스실무에서 DB를 쓰니까 “나 꽤 안다”라고 생각했는데… 이 수업 듣고 나는 아는 게 없다를 깨닫게 해준 강의.논문작성법 및 연구윤리논문 작성의 기본을 잘 설명해줘서 도움이 많이 됐다.한 학기에 ..

오래된 프로젝트를 인텔리제이에서 maven install 하는 과정에서 인코딩 에러가 발생함. 설정 > 에디터 > 파일 인코딩에서 모든 옵션을 UTF-8로 바꿔줌. 하지만 같은 에러 발생.다른 분들은 여기까지만 설정하면 해결 되던데 난 아님. "도움말 > 사용자 지정 VM 옵션 편집" 에서 아래 옵션을 추가해줬다, -Dfile.encoding=UTF-8-Dconsole.encoding=UTF-8 하지만 같은 에러 발생.다른 분들은 여기까지만 설정하면 해결 되던데 난 아님. 설정 > 에디터 > 파일 인코딩에서 "명확한 Native에서 ASCII" 로의 변환 옵션을 체크해준다. 하지만 같은 에러 발생.다른 분들은 여기까지만 설정하면 해결 되던데 난 아님.

논문 정보제목 ASurvey on AgentOps: Categorization, Challenges, and Future Directions 링크https://arxiv.org/abs/2508.02121 인용수 1 발행일 2025년 8월 4일 1 서론 (1 Introduction)DeepSeek-R1 및 Claude와 같은 기술의 출현으로, 현재 대규모 언어 모델(LLM)의 추론 능력은 지속적으로 향상되고 있습니다. LLM을 강력한 인지 엔진으로 활용함으로써, 기존의 LLM 기반 에이전트 시스템, 특히 다중 에이전트 시스템은 다양한 도구를 갖추었을 때 광범위한 복잡한 작업과 사회 시뮬레이션을 수행할 수 있는 능력을 얻었습니다. 마이크로서비스 아키텍처와 같은 전통적인 시스템과 비교하여, 에이전트 시스..

논문 정보제목Requirements are All You Need: From Requirements to Code with LLMs링크https://ieeexplore.ieee.org/abstract/document/10628487인용수52발행일2024년Requirements are All You Need: From Requirements to Code with LLMsAbstract1. 배경 및 기회소프트웨어 요구사항 문서화에 텍스트 형식이 널리 사용되고 있다는 점은 LLMs(거대 언어 모델)를 소프트웨어 엔지니어링 작업에 적용할 수 있는 절호의 기회를 제공합니다.고품질 소프트웨어 요구사항은 수동 소프트웨어 개발 프로세스를 개선할 뿐만 아니라, 조직이 새롭게 등장하는 LLMs 기술의 잠재력을 최대한 활..

논문 정보제목Leveraging LLMs for Legacy Code Modernization: Challenges and Opportunities for LLM-Generated Documentation링크https://arxiv.org/abs/2411.14971인용수9발행일2024년 I. 서론: 레거시 코드 현대화의 어려움과 LLM의 역할1. 레거시 시스템의 문제점레거시 시스템은 COBOL, MUMPS 또는 메인프레임 어셈블리와 같은 오래된 언어로 작성된 구식 컴퓨터 소프트웨어를 포함합니다. 이러한 시스템은 유지보수와 추가 개발을 어렵게 만듭니다.미국 연방 정부의 경우, 레거시 시스템 중 상당 부분이 30년에서 60년 이상 되었으며, 이는 효율성, 유지보수, 인력 확보(staffing), 보안 측면에..

논문 정보제목Large Language Models (LLMs) for Source Code Analysis링크https://arxiv.org/abs/2503.17502인용수17발행일2025년 1장 서론 요약LLM의 중요성과 적용대규모 언어 모델(LLMs)과 트랜스포머 기반 아키텍처는 소스 코드 분석에 점점 더 많이 활용되고 있습니다.소프트웨어 시스템의 복잡성이 증가함에 따라, LLM을 코드 분석 워크플로에 통합하는 것이 효율성, 정확성, 그리고 자동화를 향상시키는 데 필수적입니다.LLM은 소스 코드 분석에 적용되어 소프트웨어 엔지니어링, 버그 탐지, 그리고 코드 최적화의 발전을 이끌고 있습니다.특히 LLM은 코드 패턴, 구조, 기능을 이해하는 데 유용하며, 복잡한 소스 코드에서 의미론적 구조를 추출하여..