TwentyTwentyOne

2장｜Ollama 설치와 첫 실행 — 내 컴퓨터가 AI를 말하기 시작한다들어가며이제 본격적으로 실습을 시작합니다.이번 장의 목표는 “내 컴퓨터에서 LLM이 실제로 돌아가는 순간을 만드는 것” 입니다.Ollama를 설치하고, LLaMA3 모델을 불러오고,직접 한 문장을 던져 응답을 받는 과정을 단계별로 진행합니다.1. Ollama란 무엇인가Ollama는 로컬에서 대형 언어 모델(LLM) 을 실행하기 위한 런타임입니다.Python이나 Node.js 없이도 단독으로 동작하며,내 PC의 GPU·CPU 리소스를 그대로 활용합니다.한마디로,“ChatGPT를 내 컴퓨터에서 직접 실행할 수 있게 해주는 프로그램”입니다.Ollama는 llama.cpp 기반으로 만들어져 있어서,메타의 LLaMA, Mistral, Phi,..

1장｜LangChain + Ollama 기초 학습 — 로컬 LLM의 첫걸음들어가며요즘 AI 서비스를 공부하다 보면 “OpenAI 키가 필요합니다.”, “API 사용량이 초과되었습니다.” 같은 문구를 자주 보게 됩니다.하지만 로컬에서도 충분히 LLM을 학습하고 실험할 수 있다는 걸 아는 사람은 많지 않아요.이 시리즈는 클라우드에 의존하지 않고, 내 컴퓨터에서 LLM을 직접 실행하고 조합하는 방법을 다룹니다.그 중심에 두 가지 핵심 도구가 있습니다:Ollama: 로컬에서 LLM을 띄우고, 관리하고, 빠르게 테스트할 수 있는 런타임LangChain: LLM을 구성요소처럼 조합할 수 있게 해주는 파이썬 프레임워크1. 로컬 LLM이란 무엇인가LLM(Large Language Model)은 원래 클라우드에서만 실행..

🧩 Airflow 기초부터 심화까지 1편데이터 파이프라인의 뇌, Airflow 이해하기솔직히 말하면…처음 데이터 파이프라인을 짜봤을 때, 나는 cron으로 모든 걸 해결할 수 있다고 생각했다.“매일 새벽 2시에 이 스크립트만 돌면 되지 뭐.”근데 그게 지옥의 시작이었다.🧨 크론잡 지옥에서의 탈출크론은 성공 여부를 모른다.실패하면 재시도도 없다.로그가 서버 여기저기 흩어진다.의존성이 꼬이면 어디서 터졌는지 감도 안 잡힌다.결국 “전체 데이터 파이프라인을 중앙에서 제어할 시스템”이 필요했다.그게 바로 Airflow다.💡 Airflow란 무엇인가Airflow는 **“데이터 워크플로우를 코드(DAG)로 관리하는 오케스트레이터”**다.즉,“데이터 엔지니어의 스케줄러이자, 데이터팀의 두뇌”라고 보면 된다.코드..

🧠 2025년 데이터 사이언스 툴 랭킹 TOP 10데이터 사이언스의 본질은 여전히 “데이터로 가치를 만드는 일”이다.2025년에는 AI 네이티브 분석 환경이 본격화되며, 기존의 분석 툴들이 LLM, AutoML, 클라우드 통합 기능을 중심으로 진화하고 있다.이 랭킹은 데이터 분석가, 머신러닝 엔지니어, 연구자들이 실제 많이 사용하는 툴을 기준으로 선정했다.🥇 1위 – Python + Jupyter Notebook특징: 데이터 사이언스의 절대 표준 환경최신 트렌드: Jupyter AI, VS Code Notebook 모드 확산강점: Pandas, NumPy, Scikit-learn, Matplotlib 등 완전한 생태계검색 키워드: Python, Jupyter, 데이터분석, 머신러닝🥈 2위 – R /..

🎓 2025년 프로그래밍 언어 학습 난이도 랭킹 TOP 10🥇 1위 – Python (가장 쉽다)“문법이 사람 말 같아서 초보자 필수”들여쓰기 기반, 코드가 읽기 쉬움방대한 자료, 튜토리얼, 예제 코드 존재단, 객체지향·비동기까지 가면 난이도 점프 있음🥈 2위 – JavaScript“웹의 언어, 하지만 트릭 많음”실행 환경(브라우저/Node.js) 바로 활용 가능진입은 쉽지만, 비동기·this·스코프 개념에서 헷갈림프론트엔드 입문자들이 가장 먼저 접하는 언어🥉 3위 – Ruby“읽기 쉬운 문법, 스타트업에 딱”자연스러운 문법, 코드가 짧음Rails와 함께 빠른 웹 서비스 구축 가능커뮤니티는 예전보다 줄었지만 여전히 학습 난이도 낮음🏅 4위 – PHP“웹 초급자용, 하지만 깊게 들어가면 복잡”Wo..

🖥️ 2025년 프로그래밍 언어 인기 랭킹 TOP 10🥇 1위 – Python“AI·데이터 과학의 절대 강자”TensorFlow, PyTorch, scikit-learn 등 AI·머신러닝 표준 언어단순 문법 + 방대한 라이브러리웹( Django, FastAPI )부터 RPA, 자동화까지 전방위🥈 2위 – JavaScript“웹의 모국어”프론트엔드(React, Vue, Angular) + 백엔드(Node.js) 풀스택 언어수많은 패키지(NPM)로 무궁무진한 확장성여전히 웹 서비스 개발의 1순위 선택지🥉 3위 – TypeScript“안전한 JavaScript, 기업 표준으로”대규모 프로젝트에서 필수강력한 타입 시스템 덕분에 유지보수 효율 극대화2025년에는 “TS first” 정책 도입 기업 급증🏅..

🏆 2025년 프로그래밍 언어 인기 랭킹 TOP 10 – 개발자 시장의 승자와 생존자2020년대 초반까지는 “Python vs JavaScript” 같은 단순 대결 구도였지만,2025년은 확실히 양상이 달라졌다.AI, 클라우드, IoT, 엣지 컴퓨팅이 동시에 뜨면서언어 생태계 자체가 ‘멀티 플레이어’ 시대로 진입했다.아래 순위는 TIOBE, Stack Overflow, GitHub Octoverse, JetBrains Survey 등여러 지표를 종합하고, 내 개발자로서의 체감까지 더한 결과다.🥇 1위 – Python“AI 시대의 라틴어”AI·데이터 분석·자동화의 표준 언어Hugging Face, PyTorch, TensorFlow 등 핵심 AI 프레임워크 대부분 Python 기반로우코드/노코드 환경에..

📌 JAX로 Attention 기반 시계열 분류 모델 구현 - TS-Transformer를 활용한 센서/의료 데이터 분석🚀 왜 시계열 분류에 Transformer를 사용할까?전통적인 시계열 분류는 RNN, LSTM 기반으로 설계되었지만,Transformer 구조는 Self-Attention을 통해 장기 패턴 학습, 병렬 처리, 멀티채널 지원 등여러 장점이 있어 최근 시계열 분류에서도 널리 사용되고 있습니다.💡 1. 시계열 분류 예시도메인 설명헬스케어심전도(ECG), 호흡 패턴, 운동 분석스마트공장센서 고장 탐지, 작동 상태 분류IoT 환경사용자 행동 인식, 기기 상태 판별📊 2. 데이터 준비 (예: 다채널 센서 데이터)import pandas as pdimport jax.numpy as jnpfr..

📌 JAX로 시계열 이상 탐지 모델 구현 - Autoencoder 기반 Anomaly Detection🚨 시계열 이상 탐지란?시계열 이상 탐지(Time Series Anomaly Detection)는정상적인 패턴에서 벗어난 **비정상적인 이벤트(이상치)**를 탐지하는 기술입니다.이 글에서는 JAX + Autoencoder를 활용하여 시계열 데이터를 재구성하고,재구성 오차가 큰 구간을 이상치로 탐지하는 모델을 구현합니다.💡 1. 이상 탐지 원리 (Autoencoder 기반)구성 요소 역할인코더입력 시계열을 잠재 공간(latent space)으로 압축디코더잠재 공간 벡터를 원래 시계열로 복원이상 탐지원본과 복원 값의 오차가 클 경우 이상치로 판단🎯 재구성 오차가 클수록 정상에서 멀어진 데이터로 간주?..

📌 JAX로 시계열 예측 Transformer 구현 - 장기 패턴까지 학습하는 Self-Attention 기반 모델🚀 왜 시계열에 Transformer를 사용할까?전통적인 RNN/LSTM은 장기 의존성 문제로 인해 과거 정보를 멀리 반영하기 어렵습니다.반면 Transformer 모델은 Self-Attention 메커니즘을 통해입력 시퀀스 내의 모든 시점 간 관계를 동시 계산하여,멀리 떨어진 시점 간의 패턴까지 효과적으로 학습할 수 있습니다.💡 1. Transformer for Time Series - 구조 요약📐 구성 요소포지셔널 인코딩: 시계열 순서를 반영Self-Attention Layer: 모든 시점 간의 상호관계 학습Feed-Forward Network: 정보 변환Output Layer: ..