Archives
- 04 / 09 [Do it! 쉽게 배우는 머신러닝 + 딥러닝] ML/DL을 Colab으로 구현하는 이론서
- 14 / 08 26년 8월 14일
- 09 / 08 [Backtracking] 테트리스 블럭 안의 합 최대화 하기 - 삼성전자
- 09 / 08 [Math] 바이러스 검사 - 삼성전자
- 09 / 08 [BFS] 전투 로봇 - 삼성전자
- 09 / 08 알고리즘 공부 - 다루는 범위와 순서
- 08 / 08 [AI 에이전트 주식 자동 매매] 커서 AI와 키움 REST API로 만드는 자동 매매 프로그램
- 07 / 08 LangChain 기초 (3) - Prompts and Output Parsers: 템플릿과 구조화 출력
- 07 / 08 LangChain 기초 (2) - Runnable and LCEL: 부품 규격과 파이프 합성
- 07 / 08 LangChain 기초 (1) - Why LangChain: 손으로 짠 파이프라인이 무너지는 지점
- 07 / 08 LangChain 기초 (0) - Introduction
- 06 / 08 LLM 에이전트 기초 (8) - Evaluation and Operations: 궤적 채점, 비용, 실패 대응
- 06 / 08 LLM 에이전트 기초 (7) - MCP: 도구를 표준 규격으로 분리하기
- 06 / 08 LLM 에이전트 기초 (6) - Planning and Subagents: 작업을 나누고 위임하기
- 06 / 08 LLM 에이전트 기초 (5) - Permissions: 되돌릴 수 없는 행동에 사람을 세우기
- 06 / 08 LLM 에이전트 기초 (4) - Context: 토큰 예산, 도구 결과 다이어트, 압축
- 06 / 08 LLM 에이전트 기초 (3) - Agent Loop: 관측, 판단, 행동의 순환과 종료 조건
- 06 / 08 LLM 에이전트 기초 (2) - Tool Use: 함수를 모델에 넘기고 결과를 돌려주기
- 06 / 08 LLM 에이전트 기초 (1) - Why Agents: 프롬프트와 파이프라인으로 안 되는 것
- 05 / 08 LLM 에이전트 기초 (0) - Introduction
- 02 / 08 RAG 기초 (7) - Evaluation and Operations: 나눠서 채점하기
- 01 / 08 [클로드 에이전트 협업의 기술] 코워크와 코드로 만드는 나만의 AI 팀
- 31 / 07 RAG 기초 (6) - Retrieval Quality: 검색이 실패할 때
- 26 / 07 [시나공 정보처리기사 필기 기출문제집] 시나공으로 정보처리기사 준비합니다!
- 24 / 07 RAG 기초 (5) - Generation: 근거를 넣고 출처와 함께 답하기
- 22 / 07 [딥 러닝 파이토치 교과서] 파이토치 기초부터 RAG, LLM 파인튜닝까지
- 20 / 07 RAG 기초 (4) - Vector Store: 저장하고 찾아오기
- 19 / 07 RAG 기초 (3) - Embeddings: 의미를 벡터로 바꾸기
- 15 / 07 RAG 기초 (2) - Chunking: 문서를 검색 단위로 나누기
- 14 / 07 RAG 기초 (1) - Why RAG: 검색을 붙이는 이유
- 13 / 07 RAG 기초 (0) - Introduction
- 10 / 07 [따라 하면서 완성하는 AWS 인프라 구축 입문] AWS 첫 입문서
- 04 / 07 프롬프트 엔지니어링 기초 (7) - Operations: caching, 비용, 버전 관리
- 02 / 07 프롬프트 엔지니어링 기초 (6) - Evaluation: 프롬프트를 채점하는 코드
- 01 / 07 서평을 시작하며
- 30 / 06 프롬프트 엔지니어링 기초 (5) - Reasoning: thinking과 effort로 추론 조절하기
- 29 / 06 프롬프트 엔지니어링 기초 (4) - Structured Output: 출력 형식을 강제하기
- 24 / 06 프롬프트 엔지니어링 기초 (3) - Few-shot: 예시를 넣고 정확도를 측정하기
- 17 / 06 프롬프트 엔지니어링 기초 (2) - Instructions: 지시를 구체적으로 쓰는 법
- 14 / 06 프롬프트 엔지니어링 기초 (1) - First Call: 요청과 응답 뜯어보기
- 13 / 06 프롬프트 엔지니어링 기초 (0) - Introduction
- 10 / 06 LangGraph 기초: 순환하고 분기하는 LLM 에이전트 만들기
- 05 / 06 LangChain 기초: LLM 애플리케이션을 조립하는 프레임워크
- 02 / 06 RAG 기초: LLM에게 우리 문서를 근거로 답하게 하는 법
- 31 / 05 AWS ML CI/CD와 CDC 파이프라인 구축 (5) Terraform 코드화와 마무리
- 30 / 05 프롬프트 엔지니어링 기초: LLM에게 일을 정확히 시키는 법
- 25 / 05 AWS ML CI/CD와 CDC 파이프라인 구축 (4) CDC 파이프라인: Debezium 로컬 구축과 실험
- 24 / 05 AWS ML CI/CD와 CDC 파이프라인 구축 (3) CodePipeline 조립과 트러블슈팅
- 20 / 05 AWS ML CI/CD와 CDC 파이프라인 구축 (2) AWS 인프라 구성: ECR, S3, IAM, CodeBuild
- 19 / 05 AWS ML CI/CD와 CDC 파이프라인 구축 (1) ML 코드 작성과 로컬 검증
- 10 / 05 AWS ML CI/CD와 CDC 파이프라인 구축 (0) 프로젝트 소개
- 06 / 05 반려동물 품종 분류기 만들기 (7) 모델 export와 FastAPI 서빙
- 03 / 05 반려동물 품종 분류기 만들기 (6) 평가와 오류 분석
- 02 / 05 반려동물 품종 분류기 만들기 (5) Transfer learning: ResNet fine-tuning
- 30 / 04 반려동물 품종 분류기 만들기 (4) Baseline: CNN을 처음부터 학습
- 28 / 04 반려동물 품종 분류기 만들기 (3) 데이터 준비와 EDA
- 25 / 04 반려동물 품종 분류기 만들기 (2) 개발환경 세팅
- 16 / 04 반려동물 품종 분류기 만들기 (1) 프로젝트 설계
- 12 / 04 반려동물 품종 분류기 만들기 (0) 시리즈 소개
- 08 / 04 NYC 택시 수요 예측 파이프라인 만들기 (8) Airflow 자동화, 모니터링, CI
- 04 / 04 NYC 택시 수요 예측 파이프라인 만들기 (7) FastAPI 서빙과 학습-서빙 편차
- 01 / 04 소프트웨어 마에스트로 17기 합격 수기
- 31 / 03 NYC 택시 수요 예측 파이프라인 만들기 (6) PostgreSQL, MinIO, MLflow 연동
- 25 / 03 NYC 택시 수요 예측 파이프라인 만들기 (5) Baseline vs LightGBM vs PyTorch
- 23 / 03 NYC 택시 수요 예측 파이프라인 만들기 (4) 집계와 피처 생성
- 20 / 03 NYC 택시 수요 예측 파이프라인 만들기 (3) 데이터 수집과 EDA
- 17 / 03 NYC 택시 수요 예측 파이프라인 만들기 (2) 개발환경 세팅
- 13 / 03 NYC 택시 수요 예측 파이프라인 만들기 (1) 프로젝트 설계
- 12 / 03 NYC 택시 수요 예측 파이프라인 만들기 (0) 시리즈 소개
- 08 / 03 Airflow 해부 (7) 응용: 재학습 파이프라인 DAG
- 07 / 03 Airflow 해부 (6) 운영: 컨테이너 구동, executor, 멱등성
- 02 / 03 Airflow 해부 (5) Operator, Connection, Sensor
- 01 / 03 Airflow 해부 (4) 스케줄과 시간: logical date, catchup, backfill
- 28 / 02 Airflow 해부 (3) DAG 작성 기초: TaskFlow API와 의존성
- 27 / 02 PyTorch 기초 (5) - 학습 실무: GPU, train/eval 모드, 체크포인트, 재현성
- 25 / 02 Airflow 해부 (2) 설치와 첫 실행: constraint와 standalone
- 21 / 02 Airflow 해부 (1) 오케스트레이션 문제와 Airflow 구조
- 14 / 02 Airflow 해부 (0) 시리즈 소개
- 10 / 02 MLflow 해부 (7) 응용: 3.x tracing으로 LLM 호출 기록
- 10 / 02 PyTorch 기초 (4) - 데이터 파이프라인: Dataset과 DataLoader
- 07 / 02 MLflow 해부 (6) 운영: tracking server, 스토리지, 인증
- 06 / 02 MLflow 해부 (5) 조회와 자동화: search_runs와 재학습 연동
- 01 / 02 MLflow 해부 (4) Model Registry: 버전, alias, 서빙
- 31 / 01 MLflow 해부 (3) 모델 기록: log_model, signature, autolog
- 30 / 01 PyTorch 기초 (3) - 모델 조립: nn.Module, 손실, 옵티마이저, 학습 루프
- 28 / 01 MLflow 해부 (2) Tracking 기초: 설치와 첫 기록
- 25 / 01 MLflow 해부 (1) 실험 추적 문제와 MLflow 구조
- 17 / 01 MLflow 해부 (0) 시리즈 소개
- 17 / 01 PyTorch 기초 (2) - autograd: 자동 미분과 계산 그래프
- 13 / 01 MySQL 해부 - Docker 설치부터 운영 기본까지
- 08 / 01 PostgreSQL 해부 - 설치부터 운영 기초까지
- 02 / 01 어쩌다 보니 봉사 300시간
- 31 / 12 데이터베이스 기초 (9) - MySQL vs PostgreSQL and Next Steps
- 30 / 12 데이터베이스 기초 (8) - Operations Basics
- 26 / 12 데이터베이스 기초 (7) - Using a Database from Application Code
- 26 / 12 PyTorch 기초 (1) - 텐서 기본 문법
- 24 / 12 데이터베이스 기초 (6) - Transactions, Isolation, and Locks
- 16 / 12 데이터베이스 기초 (5) - Indexes and EXPLAIN
- 13 / 12 데이터베이스 기초 (4) - Aggregation, Subqueries, and Window Functions
- 11 / 12 PyTorch 기초 (0) - 시리즈 소개
- 11 / 12 데이터베이스 기초 (3) - JOIN
- 09 / 12 데이터베이스 기초 (2) - Constraints and Schema Design
- 06 / 12 데이터베이스 기초 (1) - Relational Model and Basic SQL
- 02 / 12 데이터베이스 기초 (0) - Introduction
- 29 / 11 딥러닝 기초 (16) - Transformer: Self-Attention and Beyond
- 25 / 11 Kafka 해부 - topic, partition, consumer group으로 이해하는 이벤트 스트리밍
- 20 / 11 딥러닝 기초 (15) - Seq2seq and Attention
- 20 / 11 Kafka 기초 (6) - Operations Basics: 유실 방지, Retention, 함정
- 15 / 11 딥러닝 기초 (14) - LSTM and GRU: Gating for Long-Term Dependencies
- 13 / 11 Kafka 기초 (5) - Python Client: confluent-kafka
- 10 / 11 Kafka 기초 (4) - Consumer Groups and Offsets
- 07 / 11 딥러닝 기초 (13) - RNN: Recurrence and BPTT
- 06 / 11 Kafka 기초 (3) - Topics and Partitions: Key와 순서 보장
- 02 / 11 딥러닝 기초 (12) - Sequences and Embeddings
- 01 / 11 Kafka 기초 (2) - Installation and First Run
- 31 / 10 Kafka 기초 (1) - What is Kafka: Event Log와 구성요소
- 29 / 10 Kafka 기초 (0) - Introduction
- 24 / 10 딥러닝 기초 (11) - Transfer Learning: Pretrained Models and Fine-tuning
- 24 / 10 CI/CD 기초 (5) - Practice: Full Pipeline
- 22 / 10 딥러닝 기초 (10) - CNN Architectures: From LeNet to ResNet
- 19 / 10 CI/CD 기초 (4) - Cache, Secrets, and Artifacts
- 19 / 10 딥러닝 기초 (9) - Convolution and Pooling: CNN Basics
- 17 / 10 CI/CD 기초 (3) - CD: Delivery and Deployment
- 13 / 10 CI/CD 기초 (2) - CI with GitHub Actions
- 12 / 10 딥러닝 기초 (8) - Overfitting and Regularization: Dropout, Weight Decay, Early Stopping
- 08 / 10 CI/CD 기초 (1) - Why CI/CD
- 04 / 10 CI/CD 기초 (0) - Introduction
- 03 / 10 딥러닝 기초 (7) - Normalization Layers: Batch Norm and Layer Norm
- 02 / 10 딥러닝 기초 (6) - Weight Initialization: Xavier and He
- 27 / 09 딥러닝 기초 (5) - Optimization: SGD, Momentum, Adam
- 25 / 09 AWS 해부 (7) 응용: NYC 택시 스택을 AWS로
- 24 / 09 딥러닝 기초 (4) - Backpropagation: Chain Rule and Computational Graph
- 23 / 09 AWS 해부 (6) 비용과 운영: Budgets, CloudWatch
- 20 / 09 딥러닝 기초 (3) - Loss and Output Layer: Softmax and Cross-Entropy
- 20 / 09 AWS 해부 (5) 컨테이너 배포: ECR에서 EC2까지
- 18 / 09 AWS 해부 (4) EC2: instance, security group, SSH
- 16 / 09 딥러닝 기초 (2) - Activation Functions: Nonlinearity, ReLU and GELU
- 15 / 09 딥러닝 기초 (1) - From Perceptron to MLP and Forward Propagation
- 08 / 09 AWS 해부 (3) S3: bucket, object, boto3
- 07 / 09 AWS 해부 (2) 계정과 IAM: root user, access key, CLI
- 05 / 09 딥러닝 기초 (0) - Introduction
- 03 / 09 AWS 해부 (1) 로컬 스택의 한계와 AWS 구조
- 30 / 08 AWS 해부 (0) 시리즈 소개
- 24 / 08 머신러닝 실전 워크플로 (12) - 모니터링과 드리프트
- 20 / 08 머신러닝 실전 워크플로 (11) - 오케스트레이션: Airflow
- 14 / 08 머신러닝 실전 워크플로 (10) - 컨테이너와 배포: Docker
- 13 / 08 머신러닝 실전 워크플로 (9) - 서빙: 배치와 온라인, FastAPI
- 07 / 08 머신러닝 실전 워크플로 (8) - 모델 레지스트리와 아티팩트
- 06 / 08 머신러닝 실전 워크플로 (7) - 검증 전략과 누수 점검
- 04 / 08 머신러닝 실전 워크플로 (6) - 실험 추적: MLflow
- 29 / 07 머신러닝 실전 워크플로 (5) - 피처 파이프라인
- 27 / 07 머신러닝 실전 워크플로 (4) - EDA와 데이터 품질 자동 점검
- 25 / 07 머신러닝 실전 워크플로 (3) - 데이터 수집과 버전관리
- 24 / 07 머신러닝 실전 워크플로 (2) - 프로젝트 구조와 재현성
- 17 / 07 머신러닝 실전 워크플로 (1) - 문제 정의: 비즈니스 문제를 ML 문제로
- 16 / 07 머신러닝 실전 워크플로 (0) - 시리즈 소개
- 11 / 07 머신러닝 기초 (17) - Anomaly Detection
- 05 / 07 머신러닝 기초 (16) - Dimensionality Reduction: PCA
- 25 / 06 머신러닝 기초 (15) - Clustering: K-means and Hierarchical Clustering
- 19 / 06 머신러닝 기초 (14) - Data Leakage and Pipelines
- 19 / 06 Docker 해부 (3) - Installation and Container Lifecycle
- 15 / 06 머신러닝 기초 (13) - Preprocessing: Scaling, Encoding, and Missing Values
- 12 / 06 머신러닝 기초 (12) - Ensembles: Random Forests and Boosting
- 11 / 06 Docker 해부 (2) - What is Docker: Container, Image, and Registry
- 04 / 06 머신러닝 기초 (11) - Decision Trees
- 01 / 06 대통령과학장학금 합격 수기
- 01 / 06 머신러닝 기초 (10) - Linear Models: Linear Regression and Logistic Regression
- 29 / 05 머신러닝 기초 (9) - Regression Metrics: RMSE, R², and Residuals
- 28 / 05 Git 스터디 노트 (4) CI/CD: GitHub Actions로 자동화
- 27 / 05 머신러닝 기초 (8) - Classification Metrics: Confusion Matrix and ROC-AUC
- 22 / 05 Git 스터디 노트 (3) Pull Request: 브랜치, 리뷰, 병합 전략
- 20 / 05 머신러닝 기초 (7) - Regularization: Ridge and Lasso
- 16 / 05 Git 스터디 노트 (2) 기본 명령어: 사이클, 브랜치, 원격, 되돌리기
- 15 / 05 머신러닝 기초 (6) - Cross-Validation and Hyperparameter Tuning
- 12 / 05 머신러닝 기초 (5) - Overfitting and Generalization: Train/Valid/Test and Bias-Variance
- 10 / 05 Git 스터디 노트 (1) 개념: 스냅샷, 세 영역, 브랜치
- 08 / 05 Matplotlib 기초 (3) - 여러 그래프와 꾸미기, pandas 연동
- 05 / 05 머신러닝 기초 (4) - Gradient Descent: How to Reduce the Loss
- 01 / 05 Matplotlib 기초 (2) - 자주 그리는 그래프들: 분포와 관계
- 29 / 04 Matplotlib 기초 (1) - Figure와 Axes, 그리고 첫 그래프
- 28 / 04 머신러닝 기초 (3) - Loss Functions: What the Model Minimizes
- 24 / 04 Matplotlib 기초 (0) - 시리즈 소개
- 18 / 04 머신러닝 기초 (2) - Supervised Learning: Regression and Classification
- 13 / 04 Pandas 기초 (6) - 조용히 틀리는 것들: 결측치, dtype 함정, 버전 관리
- 13 / 04 머신러닝 기초 (1) - The Map of Machine Learning
- 10 / 04 머신러닝 기초 (0) - Introduction
- 09 / 04 Pandas 기초 (5) - 쪼개고 세고 합치기: groupby, reindex, merge
- 06 / 04 Pandas 기초 (4) - 원하는 데이터만 골라 바꾸기: loc, iloc, 마스크, 접근자
- 02 / 04 Pandas 기초 (3) - 데이터 읽기와 첫 점검
- 01 / 04 Pandas 기초 (2) - Series와 DataFrame
- 31 / 03 Pandas 기초 (1) - Why we use Pandas
- 25 / 03 Pandas 기초 (0) - Introduction
- 22 / 03 NumPy 기초 (2) - Basic Grammar
- 19 / 03 NumPy 기초 (1) - Why we use NumPy
- 13 / 03 NumPy 기초 (0) - Introduction
- 11 / 03 Python 개발 환경
- 27 / 08 Docker 기초 (9) - ML Training and Serving Images
- 23 / 08 Docker 기초 (8) - Docker Compose and Operations
- 22 / 08 Docker 기초 (7) - Volumes, Bind Mounts, and Networks
- 21 / 08 Docker 기초 (6) - Dockerfile: Layers, Cache, and Multi-stage Builds
- 11 / 08 Docker 기초 (5) - Docker Compose: Commands and YAML
- 06 / 08 Docker 기초 (4) - Working with Containers: run, logs, and exec
- 03 / 08 Docker 기초 (3) - Installation and First Run
- 01 / 08 Docker 기초 (2) - What is Docker: Container, Image, and Registry
- 30 / 07 Docker 기초 (1) - Prerequisites: Processes, Kernel, File System, and Networking
- 28 / 07 Docker 기초 (0) - Introduction
- 24 / 07 Daemon이란 무엇인가 - 터미널 프로세스에서 systemd까지
- 07 / 06 세아해암학술장학금 합격 수기