TwentyTwentyOne

📌 JAX로 CNN(합성곱 신경망) 구현 - 손글씨 이미지 분류 (MNIST)🚀 JAX를 활용한 CNN 모델 만들기이전 글에서는 JAX를 사용하여 MLP를 구현하여 MNIST 손글씨 데이터를 분류했습니다.이번 글에서는 **합성곱 신경망(CNN)**을 사용하여 성능을 더욱 향상시키겠습니다.💡 1. CNN의 핵심 개념CNN은 이미지 데이터를 처리하기 위해 개발된 신경망 구조로, 주요 구성 요소는 다음과 같습니다:합성곱 층 (Convolutional Layer): 필터를 사용하여 이미지 특징을 추출풀링 층 (Pooling Layer): 특성 맵의 크기를 줄여 계산량 감소완전 연결 층 (Fully Connected Layer): 분류를 위한 최종 계층📝 2. 데이터셋 준비이전과 동일하게 tensorflo..

📌 JAX를 활용한 신경망 모델 구축 - MLP를 이용한 손글씨 인식 (MNIST)🚀 JAX로 신경망 모델 만들기이전 글에서는 JAX의 자동 미분과 JIT 컴파일의 기본 사용법을 배웠습니다.이번에는 이를 활용하여 간단한 다층 퍼셉트론(MLP) 모델을 구축하여 손글씨 데이터(MNIST)를 분류해보겠습니다.📝 1. 데이터셋 준비💾 MNIST 데이터 불러오기JAX에서는 직접 데이터를 불러와야 하므로 tensorflow_datasets를 사용하여 데이터를 로드합니다.pip install tensorflow-datasetsimport tensorflow_datasets as tfdsimport jax.numpy as jnp# MNIST 데이터 불러오기ds = tfds.load('mnist', split='..

📌 JAX의 핵심 기능 - 자동 미분과 JIT 컴파일로 성능 극대화🚀 JAX의 핵심 기능 둘러보기JAX는 다양한 기능을 제공하지만, 특히 **자동 미분(Automatic Differentiation)**과 **JIT 컴파일(Just-In-Time Compilation)**이 가장 중요한 요소입니다.이 두 가지 기능을 깊이 이해하면 JAX를 활용하여 고성능 모델을 구축할 수 있습니다.💡 1. 자동 미분 (Automatic Differentiation)자동 미분은 수학 함수의 미분을 기계적으로 계산하는 기법으로,기계 학습 모델의 학습 단계에서 필수적인 **기울기 계산(Gradient Calculation)**에 사용됩니다.✅ 자동 미분의 장점수학적 유도 불필요: 복잡한 미분 공식을 직접 계산할 필요가 ..

🌱 현대 인공지능 학습 1단계: 기초 프로그래밍 (Python)📅 학습 기간: 1~3개월🎯 학습 목표: Python 기본 문법과 자료 구조 이해📝 1. Python 기본 개념 정리인공지능(AI)을 공부하기 위해 가장 먼저 익혀야 할 언어는 Python입니다.Python은 간결한 문법과 강력한 라이브러리 생태계로 인해 AI와 데이터 분석 분야에서 널리 사용됩니다.📌 1-1. Python 기본 문법🔑 1) 변수와 데이터 타입변수는 데이터를 저장하는 공간입니다. Python에서는 변수 타입을 명시하지 않고도 자유롭게 사용할 수 있습니다.예시 코드:# 변수 선언과 데이터 타입name = "Alice" # 문자열age = 25 # 정수height = 1.68 ..

📌 JAX 기초 - 왜 JAX를 배워야 할까?🚀 JAX란 무엇인가?JAX는 Google에서 개발한 고성능 수치 계산 라이브러리로, GPU와 TPU를 활용하여 대규모 데이터를 빠르게 처리할 수 있는 특징을 가지고 있습니다.Python의 Numpy와 유사한 문법을 가지고 있어 직관적이면서도 강력한 성능을 제공합니다.💡 JAX의 주요 특징자동 미분 (Automatic Differentiation)JAX는 grad() 함수를 통해 매우 간단하게 미분을 수행할 수 있습니다.딥러닝 모델 학습 시 필수적인 기울기 계산이 간편합니다.JIT 컴파일 (Just-In-Time Compilation)JIT을 사용하여 성능을 크게 향상시킬 수 있습니다.반복되는 연산을 GPU 또는 TPU에서 빠르게 처리할 수 있습니다.함수..

AI 기술의 발전으로 가상 인플루언서가 현실화되었으며, 이는 새로운 수익 창출 기회를 제공합니다. Anil Chandra Naidu Matcha의 Medium 글에서는 Python을 활용하여 AI 인플루언서를 자동화하고 월 $10,000의 수익을 올리는 방법을 소개하고 있습니다. AI 인플루언서 자동화의 이점:24/7 콘텐츠 생성: AI 인플루언서는 지치지 않고 연중무휴로 콘텐츠를 생성할 수 있습니다.무한한 가능성: AI를 통해 다양한 장소와 상황에서 콘텐츠를 제작할 수 있어 창의적인 표현이 가능합니다.비용 효율성: 실제 모델을 고용하지 않고도 광고 캠페인을 확장할 수 있습니다.맞춤화: 다양한 인종, 연령, 성별, 스타일의 AI 모델을 생성하여 브랜드의 요구에 맞출 수 있습니다.일관성: AI 인플루언서는..

🚀 FastAPI 기반 로컬 LLM + RAG 챗봇 만들기 – FastAPI 프로젝트 구조 및 설정이 글에서는 FastAPI 프로젝트 구조를 설계하고, 환경 변수 설정과 PostgreSQL 연결을 설정하는 과정을 다룹니다.✅ 프로젝트 폴더 구조 → .env 설정 → PostgreSQL 연결 → FastAPI의 Dependency Injection 활용 순서로 진행됩니다.📌 1. FastAPI 프로젝트 폴더 구조 구성FastAPI 프로젝트의 구조를 체계적으로 구성하면 유지보수와 확장성이 쉬워집니다.다음과 같은 폴더 구조를 사용합니다.fastapi-llm-chatbot/│── app/│ ├── api/ # API 라우터 관리│ │ ├── v1/│ │ │ ├..

🚀 FastAPI 기반 로컬 LLM + RAG 챗봇 만들기 – Python 및 필수 라이브러리 설치FastAPI를 활용하여 로컬 LLM + RAG 챗봇을 개발하기 위해 필요한 Python 환경 및 필수 라이브러리를 설치하는 과정을 다룹니다.📌 1. Python 설치 및 환경 설정✅ 1️⃣ Python 버전 확인 및 설치FastAPI 및 LangChain을 사용하려면 Python 3.8 이상이 필요합니다.아래 명령어로 Python 버전을 확인하세요.python --version✅ Python이 설치되지 않은 경우공식 사이트에서 최신 버전을 다운로드하여 설치하세요.✅ Python이 이미 설치된 경우최신 버전으로 업데이트하려면:python -m ensurepip --default-pippython -m p..

FastAPI 기반 로컬 LLM과 RAG를 활용한 챗봇 개발 소개최근 ChatGPT와 같은 대규모 언어 모델(LLM)의 등장으로 챗봇 기술은 비약적으로 발전했습니다. 하지만 클라우드 기반 서비스는 개인정보 보호나 보안상의 이유로 활용이 제한될 수 있습니다. 이런 상황에서 로컬 환경에서 LLM을 구동하는 챗봇은 강력한 대안으로 떠오르고 있습니다.본 시리즈에서는 FastAPI, Ollama, LangChain, PostgreSQL + pgvector를 활용하여 완벽한 로컬 환경에서 구동되는 LLM 기반의 RAG(Retrieval-Augmented Generation) 챗봇을 직접 구현하는 방법을 단계별로 소개합니다.📌 주요 기술 스택 소개FastAPIPython 기반의 빠르고 효율적인 API 개발 프레임워..

0. Intro 최근 프로젝트를 진행하면서 단어 정리나 용어 정의를 공공데이터 공통표준용어에 맞춰 하는일이 생겼다. "공공데이터 공통표준용어"는 행정안전부고시 제2020-42호 를 보면 " 공공데이터를 누구나 같은 의미로 이해하고 같은 방식으로 사용할 수 있도록 공통표준용어를 정의함"이라고 나와있다. 기존에는 공공데이터 포털에서 제공하는 엑셀 파일에서 필요한 부분을 "찾기"를 통해서 검색해서 사용했는데, 이 데이터를 바탕으로 검색을 좀 더 수월하게 하는 웹페이지를 만들면 어떨까 싶기도 하고 최근에는 JAVA와 Oracle로만 프로그래밍을 하다보니 python과 mariaDB에 대한 기억도 가물가물해지는 감도 있어서 작은 개인 프로젝트로서 진행해 보면 어떨까 싶어 시작하게 되었다. 1. 요구사항 이 프로젝..