인공지능 (21) 썸네일형 리스트형 2024년 AI 전망 예측 작년은 LLM(large language model)의 시대였습니다. 재작년 말 ChatGPT의 등장 이후 사회적으로 가장 많은 관심을 받았던 것은 OpenAI의 ChatGPT, Meta의 llama, google의 bard, gemini 등등.. 대부분 언어 모델이 가져갔죠. 그렇다면 올해의 키워드는 과연 무엇이 될까요? 가능성이 있는 3가지를 간단히 예상해 보겠습니다. 1. 음성 2년 전 이미지 1년 전 언어 그렇다면 올해 음성이 완성된다면 진정한 ai로만으로 만들어지는 콘텐츠를 만나볼 수 있을 것 같습니다. 음성의 경우 작년 여름부터 많은 모델과 논문이 공개 되고 있고, 유명 가수나 해외 가수의 음성으로 노래를 부르는 콘텐츠도 많이 나오고 퀄리티도 상당히 괜찮게 나오고 있습니다. 심지어 노래를 부르.. ChatGPT 대항마 Gemini에 대한 논란 정리 3줄 요약 3년 12월 7일 구글버전 ChatGPT Gemini의 시연 영상이 올라왔다. 시연 영상 속 Gemini의 성능은 매우 뛰어났고, 이는 조작 영상으로 밝혀졌다. 조작 영상이지만, Gemini는 충분히 매력적인 AI 모델이다. 23년 12월 7일 Google youtube 채널에 올라온 Gemini 시연 영상은 가히 충격적이라고 할 수 있었습니다. 시연 영상에서 Gemini는 실시간으로 그려지는 그림에 따라 대답을 하며 상호작용을 하는 모습을 보였고 사용자의 의도를 추측하기도 하고, 틀렸을 때의 상황에 대한 대처도 훌륭한 모습을 보였습니다. 아직 영상을 보지 못하신 분이 있다면 한번 봐보시는 것도 좋을 것 같습니다. (#1 Gemini 시연 영상) 영상대로만 나온다면 openAI의 ChatGPT.. Matplotlib 파이썬의 데이터 시각화 라이브러리 %matplotlib inline을 통해 활성화 plt로 축약 명령어 명령어 내용 방식 plt.figure 크기 설정 (figsize = (n, m)) plt.xlabel x의 라벨설정 ("label name") plt.ylabel y의 라벨설정 ("label name") plt.axis x, y의 범위 설정 [x_min, x_max, y_min, y_max] plt.xticks x축의 눈금 설정 ([range]) plt.yticks y축의 눈금 설정 ([range]) plt.title 그래프의 제목 설정 ("title name") plt.legend lengend 설정 (loc = "loc") plt.show 그래프를 보여줌 꺾은선 그래프(Plot) plt.plot(x.. Pandas pandas Prerequisite : Table 행과 열을 이용해서 데이터를 저장하고 관리하는 자료구조(컨테이너) 주로 행은 개체, 열은 속성 Pandas 시작하기 import pandas를 통해서 진행 import pandas as pd Pandas로 1차원 데이터 다루기 - Series Series 1-D labeled array 인덱스를 지정해줄 수 있음 Series + Numpy Series는 ndarray와 유사하다 Series + dict series는 dict와 유사하다 Series에 이름 붙이기 name 속성을 가지고 있다. 처음 Series를 만들 때 이름을 붙일 수 있다. Datafrane 2-D labeled table From CSV to dataframe csv를 DataFram.. Numpy 연산 Numpy로 연산하기 vector와 Scalar 사이의 연산 벡터의 각 원소에 대해서 연산을 진행 vector와 vector 사이의 연산 벡터의 같은 인데스끼리 연산이 진행 Array의 Indexing python과의 차이점 [a][b] -> [a, b] Array의 Slicing python의 List와 유사하게 진행 Array의 Broadcasting M * N, M * 1 => M * N M * N, 1 * N => M * N M * 1, 1 * N => M * N 기본적으로 같은 Type의 data에 대해서만 연산이 적용가능 하지만 만약에 피연산자가 연산이 가능하도록 변환이 가능하다면 연산이 가능 이를 Broadcasting이라고 한다. 영벡터(영행렬) np.zeros(dim)을 통해 생성, di.. 교차엔트로피 엔트로피 자기정보 A: 사건 엔트로피 엔트로피의 활용 평균비트수를 표현 데이터 압축에 사용 가능 4가지 정보를 표현하는데 필요한 비트수 일반적으로 2비트 i(X)를 활용하는 경우 평균비트수 교차 엔트로피 확률분포 P와 Q 분류 문제에서의 손실함수 분류문제 주어진 대상이 A인지 아닌지를 판단 주어진 대상이 A, B, C중 어느것 인지를 판단 기계학습에서는 주어진 대상이 각 그룹에 속할 확률을 제공 정답과 얼마나 다른지 측정하기 위해 사용 분류문제에서의 손실함수 P와 Q가 얼마나 다른지 척도가 필요 제곱합 확률이 다를수록 큰 값을 가짐 학습속도가 느림 교차 엔트로피 H(P,Q) 확률이 다를수록 큰 값을 가짐 학습속도가 빠름 가설 검증 통계적 가설검증 모평균의 검정 가설 검정 검정의 단계 모평균의 검정 대립가설 검정통계량 기각역 대립가설 문제에서 검정하고자 하는것이 무엇인지 파악 필요 대립가설 $H_1$채택을 위한 통계적 증거 확보 필요 증거가 없으면 귀무가설 $H_0$채택 검정통계량, 기각역 추정 모평균의 추정 점추정 구간추정 점추정 표본평균이 점 추정값(추정량) 이 됨 구간추정(많이 사용) 모비율의 추정 점추정 구간추정 점 추정 구간 추정 1234567x = 48n = 150phat = x / nalpha = 0.05zalpha = scipy.stats.norm.ppf(1 - alpha/2)sd = np.sqrt(phat * (1 - phat) / n)ci = [phat - zalpha * sd, phat + zalpha * sd]cs 이전 1 2 3 다음
