'딥러닝' 검색 분석 결과

🍊 와, 하버드 교수님이 쓴 ML 시스템 교재가 무료로 풀렸어! 2048페이지 분량이라는데, 이 정도면 거의 바이블 아니야? 내용이 너무 방대해서 간단히 요약해봤어. 🍎 기초부터 실전까지, 탄탄한 지식 쌓기 *️⃣ AI 역사부터 딥러닝 기초, DNN 아키텍처까지 꼼꼼히 다뤄. *️⃣ 데이터 엔지니어링, AI 프레임워크, 트레이닝 시스템 같은 시스템적인 부분도 놓치지 않았네. 🍎 성능 최적화와 실질적인 배포 *️⃣ 모델 최적화, AI 가속화, 벤치마킹 같이 성능 🏋️‍♀️ 관련된 내용도 상세하게 있어. *️⃣ MLOps, 온디바이스 러닝, 보안, 개인정보 보호까지 배포할 때 꼭 필요한 기술들도 다뤘어. 🍎 미래와 실습을 한 번에 *️⃣ 책임 있는 AI, 지속 가능한 AI, AI 포 굿 등 앞으로 우리가 고민해야 할 윤리적인 부분까지 다루는 게 인상적이야. *️⃣ 무엇보다 🧪 실습 파트가 대박인데, 라즈베리 파이나 아두이노 같은 보드로 직접 해볼 수 있대.

요즘 개발자 취업 준비하는 학생들 보면 내가 미안해서 괜히 더 도와주게 됩니다 🥲 7년 전 나: Python 못함. C++ 못함, 리눅스 3달 써봄. 딥러닝 모름. 머신러닝 모름. 알고리즘/자료구조/운영체제/네트워크 수업 안 들음. 백준 못 풀음. 국제 컨퍼런스/저널 없음. 석사 학위 하나 있음. 근데 취업 성공… 요즘 학생: C, C++, Java, Python 가능. 컴퓨터 비전, LLM, 강화학습, 임베디드 수업듣고 실습해봄. 알고리즘/자료구조/운영체제/네트워크 다 알음. 도커, 쿠버네티스 알음. 1년째 매일 백준 풀음. 석사 따고 논문도 1-2개씩 있음. 부트캠프 수료함. 포폴 프로젝트 3-5개씩 있음. 근데 1년이 되도록 취업 안됨.

SLAM 신입 개발자 면접을 보는데, 논문에 ViT, PointNet 등 딥러닝 쪽을 많이 다뤄보셨다고 해서 이미지 프로세싱이나 이미지 임베딩 생성 과정을 물어봤는데, 사실상 답변을 하나도 못하셨음. (논문 퀄리티나 학벌도 상당하셨는데…) 펀더멘털을 물어본 내 잘못인가… 요즘은 다들 하이레벨 API만 가져다 쓰는 걸까… ORB-SLAM도 써봤다길래 멀티스레딩 동작 원리나 Covisibility 그래프 동작 방식을 물어봤는데, 이 역시 제대로 답하는 사람이 없음. (이런 걸 이해하려고 시도해본 사람 자체가 거의 없음…) 사실 이전에도 Vision/NLP AI 개발자들(경력 5년 차 정도)에게 펀더멘털 프로세싱이나 딥러닝 기본 과정을 물어보면, 제대로 답하는 사람을 한 번도 못 봤음… Transformer의 Attention 메커니즘이 대표적인 예.... 결국, 하이레벨 라이브러리만 사용하다 보면 기본 원리를 놓칠 수밖에 없는 건가 싶기도 함.

파이썬 딥러닝 AI 할 때 꼭 썼으면 하는 라이브러리 - loguru - torchmetrics - tqdm - einops - black - prettyable - lovely_tensors - 파이썬 3.11

딥러닝과 복잡계 과학 사이에는 꽤 많은 접점이 있다. 1. 손실 지형 딥러닝이 이야기하는 손실 지형(loss landscape)은 복잡계 물리학이나 통계물리학이 말하는 에너지 지형(energy landscape)과 거의 같은 개념이다. 이 지형에는 수많은 국소 최솟값(local minima)이 있고, 안장점(saddle points)과 평평한 고원(flat plateau)이 있다. 스핀글라스, 단백질 접힘 등의 연구에서도 이 개념이 자주 활용된다. 초기 딥러닝 이론은 스핀글라스 이론이나 평균장 이론 등 통계물리로부터 많은 아이디어를 빌려온 것으로 알려져 있다.

딥러닝 하는 다른 중소기업들은 gpu 어케 구해? a100같은거 대표가 대략 알아본거 같은데 못사주겠다는데... 4080갖고 해보래...

한국외국어대학교 정보통신공학과 졸업하고 주식회사 씨디피피에서 책임연구원으로 일하고 있습니다-! 관심있는 분야는 - 딥러닝 - 비전 AI 지금 하는 일은 - AI 모델 연구 - Do it! 컴퓨터 구조 집필 컴퓨터를 전공으로 했지만 다양한 것을 잡학다식하게 알고 싶기도 합니다 일명 찍먹-! 아! 그리고 제 꿈은 햇볕아래 나른하게 누워있는 게으른 뚱냥이 Fatzy Cat이 되는 것 입니다-!

. ݁₊ ⊹ . ݁ ⟡ ݁ . ⊹ ₊ ݁. . ݁₊ ⊹ . ݁ ⟡ ݁ . ⊹ ₊ ݁. . ݁₊ ⊹ . ݁ ⟡ ݁ . ⊹ ₊ ݁. 애니프사 오따끄가 기록하는 DL 쓰레드 ⸜(｡˃ ᵕ ˂ )⸝♡

Backend 쪽 개발자가 딥러닝 쪽 파려니까 머리가 아프다. 엄청 어려운 건 아닌데 패러다임이 달라서 낯선 환경 적응하는 느낌 힝 힘드렁

<<머신러닝 vs. 딥러닝>> 말 나온 김에 머신러닝이랑 딥러닝에 대해 간략하게 설명해줄게! -> 직접 "피쳐를 추출하느냐? vs. 알아서 추출하게 하느냐?"의 차이야 * 결정적 차이= 피쳐 엔지니어링(Feature Engineering) 1) 머신러닝(Machine Learning): 사람이 직접 어떤 특징을 학습에 쓸지 골라줌 - ex) 강아지 vs. 고양이 분류기 만들 때 --> 사람 눈으로 "귀 크기" "꼬리 길이" "홍채 모양" 등 수치형 피쳐를 정리해서 모델에 넣어줌 --> SVM, 랜덤포레스트, 로지스틱 회귀 같은 전통 알고리즘으로 학습 = 똑똑한 사람이 모델을 먹여살림 (아래 딥러닝)