ㅁ 아키텍처/블록 ㅇ 정의: – 신경망의 구조적 요소로, 모델의 성능과 효율성을 결정짓는 구성 요소. ㅇ 특징: – 모델의 계층적 설계와 데이터 흐름을 정의하며, 다양한 블록과 활성화 함수가 포함됨. ㅇ 적합한 경우: – 특정 작업에 맞는 모델 최적화를 위해 설계된 경우. ㅇ 시험 함정: – 블록의 역할과 활성화 함수의 차이를 혼동하는 경우. ㅇ 시험 대비 “패턴
ㅁ 아키텍처/블록 ㅇ 정의: 신경망 아키텍처에서 특정 기능을 수행하는 모듈이나 구성 요소를 의미하며, 다양한 블록과 활성화 함수가 포함될 수 있음. ㅇ 특징: – 특정 작업에 최적화된 구조로 설계됨. – 모듈화되어 있어 재사용 가능성이 높음. – 다양한 활성화 함수와 결합하여 성능을 향상시킴. ㅇ 적합한 경우: – 복잡한 신경망 설계 시 모듈화된 접근이 필요한 경우. – 특정
ㅁ 아키텍처/블록 ㅇ 정의: 신경망의 아키텍처 설계에서 사용되는 구성 요소로, 정보의 흐름과 연산 방식을 결정하는 구조적 단위. ㅇ 특징: – 데이터 처리의 효율성과 정확도를 좌우하는 핵심 요소. – 다양한 블록 설계로 모델의 성능을 최적화 가능. ㅇ 적합한 경우: – 특정 문제에 맞춘 신경망 설계가 필요한 경우. – 모델의 성능을 개선하거나 새로운 기능을 추가하고자 할 때.
ㅁ IR/Vector ㅇ 정의: 정보 검색(Information Retrieval)과 벡터 기반 검색(Vector Search)을 결합한 검색 기법으로, 전통적인 키워드 검색과 임베딩 기반 검색을 동시에 활용하여 검색 성능을 향상시키는 방법. ㅇ 특징: – 키워드 기반 검색의 정확성과 벡터 기반 검색의 유사도 매칭을 결합. – 대규모 데이터셋에서 효율적인 검색 가능. – 검색 결과의 다양성과 정확성을 동시에 확보. ㅇ 적합한 경우:
ㅁ IR/Vector ㅇ 정의: – IR(Information Retrieval)과 Vector 기반 검색은 문서나 데이터의 검색 및 인덱싱을 벡터 공간으로 변환하여 유사도를 계산하는 방식이다. ㅇ 특징: – 효율적인 검색과 관련성이 높은 결과 제공. – 벡터 공간 모델을 활용하여 문서 간의 유사도를 수치화. – 고차원 데이터에서도 성능 유지. ㅇ 적합한 경우: – 대규모 데이터셋에서 빠른 검색이 필요한 경우. –
ㅁ IR/Vector ㅇ 정의: 정보 검색(IR)과 벡터 기반 검색(Vector Search)을 결합한 기술로, 대규모 데이터셋에서 유사한 항목을 효율적으로 찾는 데 사용됨. ㅇ 특징: – 벡터 공간 모델을 사용하여 데이터의 유사성을 계산함. – 고차원 데이터에서도 효율적으로 작동하도록 설계됨. – 검색 속도가 빠르고, 대규모 데이터셋에서도 높은 정확도를 제공함. ㅇ 적합한 경우: – 이미지, 텍스트, 음성 등 비정형 데이터의
ㅁ IR/Vector ㅇ 정의: 정보 검색(Information Retrieval)에서 문서와 쿼리 간의 관련성을 측정하여 문서를 순위화하는 기법. ㅇ 특징: – BM25는 TF-IDF의 확장으로, 문서 길이에 따른 정규화를 통해 불균형을 완화. – 쿼리의 각 단어가 문서에서 얼마나 중요한지를 계산. – k1(자유도)와 b(길이 정규화 매개변수)라는 두 가지 주요 파라미터를 사용. ㅇ 적합한 경우: – 검색 엔진에서 문서와 쿼리의 유사도를
ㅁ IR/Vector ㅇ 정의: 정보 검색(Information Retrieval)에서 문서와 쿼리 간의 유사도를 계산하기 위해 벡터 공간 모델을 사용하는 기법. ㅇ 특징: – 문서의 단어 빈도와 단어의 중요도를 동시에 고려. – 단순하지만 효율적이며, 계산 비용이 낮음. – 대규모 데이터셋에서도 빠르게 적용 가능. ㅇ 적합한 경우: – 간단한 검색 시스템 구현 시. – 문서 간의 유사도를 빠르게 계산해야
ㅁ 토큰/평가 ㅇ 정의: – 토큰화된 텍스트의 정확도를 평가하기 위한 지표로, 주로 문자 단위의 오류율을 측정. ㅇ 특징: – Character Error Rate(CER)는 음성 인식 및 OCR에서 자주 사용되며, 삽입, 삭제, 대체 오류를 포함하여 계산됨. – 계산 공식: CER = (삽입 오류 + 삭제 오류 + 대체 오류) / 총 문자 수. – 낮을수록 성능이 우수함을
ㅁ 토큰/평가 ㅇ 정의: – 토큰화된 텍스트 데이터의 품질을 평가하거나 모델의 성능을 측정하기 위해 사용되는 지표 또는 방법. ㅇ 특징: – 모델이 데이터 분포를 얼마나 잘 예측하는지를 측정. – 낮을수록 좋은 성능을 의미하며, 높은 퍼플렉서티는 모델이 텍스트를 잘 예측하지 못함을 나타냄. – 로그 확률의 역수를 기반으로 계산됨. ㅇ 적합한 경우: – 언어 모델의 품질을 비교하거나