리눅스 마스터 2급 자격증을 준비하면서 공부한 주요 내용을 정리하고자 합니다. 베이스가 없다보니 바로 기출문제부터 풀기보다는 개념을 먼저 정리하고 넘어갔습니다. 특히 목차를 먼저 파악한 뒤 세부 내용을 살펴보니 공부하는데 훨씬 도움이 되었습니다. 자격증을 준비하시는 분들께 도움이 되었으면 합니다. 과목분류내용리눅스 운영 및 관리파일 시스템 관련 명령어권한 및 그룹 설정, 파일 시스템의 관리쉘(Shell)개념 및 종류, 환경 설정프로세스 관리개념 및 유형, 프로세스 Utility에디터에디터의 종류, 에디터 활용소프트웨어 설치 및 삭제개념 및 사용법, 소프트웨어 설치 및 삭제장치 설정주변장치 연결 및 설정, 주변장치 활용리눅스 활용X 윈도우개념 및 사용법, X 윈도우 활용인터넷 활용네트워크의 개념, 인터넷 ..

YOLO는 실시간 객체 탐지를 위한 딥러닝 모델로, 한 번의 신경망 연산으로 이미지 내의 객체를 빠르게 탐지할 수 있는 것이 특징입니다. YOLO 모델에 대한 설명은 이전 포스팅을 참고해주세요. YOLOv10 모델 구조YOLO(You Only Look Once)는 객체 감지 및 이미지 분할 모델입니다. 2015년 출시된 YOLO 모델은 빠른 속도와 정확성으로 널리 사용되었습니다. YOLOv10은 Ultralytics 파이썬 패키지를 기반으로 구축되어 실시bompro.tistory.com 아래는 YOLO 모델을 로컬 환경에서 실행하는 코드입니다. 1. 가상환경 생성conda create -n yolov10 python=3.10conda activate yolov10 2. 의존성 패키지 설치git clon..

YOLO(You Only Look Once)는 객체 감지 및 이미지 분할 모델입니다. 2015년 출시된 YOLO 모델은 빠른 속도와 정확성으로 널리 사용되었습니다. YOLOv10은 Ultralytics 파이썬 패키지를 기반으로 구축되어 실시간 객체 감지에 대한 새로운 접근 방식을 도입하였습니다. 이전 YOLO 버전에서 NMS를 제거하고 End-to-End Head를 도입하여 실시간 객체 탐지 기능을 향상시켰습니다. 실시간 물체 감지는 짧은 지연 시간으로 이미지에서 물체의 범주와 위치를 정확하게 예측하는 것을 목표로 합니다. 그러나 기존 YOLO 모델은 NMS에 대한 의존도와 아키텍처의 비효율성이 성능을 저해했습니다. YOLOv10은 NMS 없는 학습을 위한 Consistent Dual Assignment..

2025년 3월 말, 한국금융연수원에서 「파이썬을 활용한 빅데이터 분석(중급)」 과정을 수강하고 왔습니다. 연수에 대한 간단한 정보와 함께 개인적으로 느낀 점을 정리해보려 합니다.  과정: 파이썬을 활용한 빅데이터 분석(중급)일정: 2025년 3월 31일(월) ~ 4월 4일(금), 총 5일장소: 한국금융연수원 본관 (서울 종로구 삼청로 118)대상: 파이썬을 활용해 실무에 적용 가능한 데이터 분석 역량을 키우고자 하는 금융권 종사자 해당 과정은 파이썬 기초부터 머신러닝의 다양한 알고리즘까지를 폭넓게 다루는 커리큘럼으로 구성되어 있습니다. 주요 내용은 다음과 같습니다.파이썬과 머신러닝/딥러닝 개요데이터 분석을 위한 파이썬 문법데이터 전처리 및 시각화회귀/분류/군집 알고리즘 실습모델 평가, 교차 검증, 앙상..

최근 금융연수원에서 연수 받고 온 후기를 간단하게 남겨보려고 합니다.  금융연수원은 서울시 종로구 삼청로에 위치해 있고, 대중교통이나 셔틀버스를 이용해 갈 수 있습니다. 대중교통을 이용할 경우, 마을버스 종로11번을 타거나 지하철 안국역 1번 출구에 하차해 도보로 이동하면 됩니다. 셔틀버스는 출판회관, 광화문역, 시청역, 을지로입구역, 종각역을 경유하여 운행합니다. 자세한 위치나 운행 시간표는 금융연수원 홈페이지를 참고해 주세요.  참고차 제가 연수 듣던 시점 기준으로 셔틀버스 운행 시간표를 공유드립니다. 출근 시간뿐만 아니라 퇴근 시간에도 운행해서 편하게 이용할 수 있었습니다. 다만 운행 시간은 날마다 달라질 수 있으니, 연수 들으실 분들은 꼭 금융연수원 홈페이지를 확인해 주세요. 금융연수원 내에는 산..

깃허브에서 커밋하고 푸쉬했는데 잔디가 심어지지 않는 경우가 발생했습니다..!원인은 로컬 git에 등록된 사용자와 깃허브의 사용자가 일치하지 않아서 였습니다. 해결방법은 아래와 같습니다. 1. 깃허브 사용자 이름과 이메일 확인 2. 로컬 git에 등록된 사용자 이름과 이메일 확인git config --list 3. 깃허브에 등록된 정보와 동일하게 설정git config --global user.name "name"git config --global user.email "email"  위처럼 설정을 변경하면 다음 커밋부터는 정상적으로 잔디가 심어지게 됩니다. 하지만 위 작업만으로는 이전에 작업한 내역이 반영되지 않습니다. 이미 푸쉬한 커밋을 잔디에 복구하는 방법은 아래와 같습니다. 1. 인터랙티브 리베이스 ..

LLM 모델 추론이나 학습에 필요한 허깅페이스 모델을 로컬로 다운받는 방법입니다. 1. huggingface-cli 로그인pip install huggingface_hub huggingface cli를 위한 패키지를 설치하고 https://huggingface.co/settings/tokens 에서 토큰을 발급받아 로그인합니다.huggingface-cli login 2. 허깅페이스 모델 접근 권한 획득 권한 부여 상태는 설정에서 확인 가능합니다. Hugging Face – The AI community building the future. huggingface.co 3. 로컬 다운로드git clone https://huggingface.co/{모델 주소} 4. .git 파일 삭제rm -rf .git..

지난 11월 11~12일 팀 네이버에서 DAN24 컨퍼런스를 개최했습니다. 여러 세션 중 첫째날 진행한 [네이버 검색이 이렇게 좋아졌어? LLM의 Re-Ranking Ability 검색에 이식하기] 트랙에 대한 내용을 정리해보고자 합니다.  검색에서의 LLM검색에서 LLM은 문서의 순위를 정렬하는 Ranker로 사용됩니다. 문서를 검색해서 사용자의 query와 유사한 문서인지 순위를 매깁니다. 순위를 매기는 방법으로는 크게 두가지가 있습니다. List-wise 방법과 Point-wise 방법입니다. List-wise는 문서 전체를 고려하여 query와의 유사도를 ranking합니다. Point-wise는 각 문서에 대해 개별적으로 query와의 유사도를 판단합니다. 이런 방법은 실시간으로 검색 결과를 제..

G-Eval: NLG Evaluation using GPT-4 with Better Human AlignmentThe quality of texts generated by natural language generation (NLG) systems is hard to measure automatically. Conventional reference-based metrics, such as BLEU and ROUGE, have been shown to have relatively low correlation with human judgments, especiallyarxiv.org G-Eval은 사람이 아닌 GPT4를 사용해서 평가하는 방법론입니다. 해당 방법론을 활용해서 LLM을 평가하고자 논문에서 예시로..

HAE-RAE Bench는 언어 모델의 한국어 능력을 평가하기 위해 제작된 벤치마크 데이터셋입니다. 여러 언어 모델이 공개되면서 한국어만 하는 언어 모델이 필요한가에 대한 논의가 활발해지고 있는데, HAE-RAE Bench는 이에 대한 가이드를 주고자 합니다. 이는 한국어의 고유한 특성과 지식을 반영한 Instruction 데이터셋입니다. 한국어 어휘, 독해, 문법과 지식, 총 4가지 영역에 걸쳐 언어 모델의 능력을 평가하는 벤치마크입니다.    평가 메트릭으로는 log-likelihood를 사용했습니다. 각 답변에 대해 log-likelihood를 계산하여 가장 높은 likelihood를 선택하는 방식입니다.    출처https://arxiv.org/abs/2309.02706https://github..