머신러닝

AI 파운데이션 모델 독자성 단계별 구분

작성자:

이 표는 ‘독자성’의 단계에 따른 AI 모델 개발 및 운용 방식을 L0부터 L6까지 7단계로 구분하여 설명하고 있습니다. 학습 방법, 모델의 결과물 및 구조, 학습 소프트웨어, 데이터센터, 그리고 AI 반도체까지 각 요소별로 의존도와 자체 확보 수준을 비교합니다. AI 파운데이션 모델 독자성 단계별 구분 ‘독자성’의 단계 L0 L1 L2 L3 L4 L5 L6 학습(training) 프롬프트 개발, RAG … 더 읽기

MLX vs PyTorch 성능 벤치마크

작성자:

MLX vs PyTorch 성능 벤치마크: Apple Silicon에서 MLX와 PyTorch 프레임워크의 성능을 비교하는 벤치마크를 제공합니다. https://github.com/jaysys/mlx_pytorch_benchmark.git 실행 환경 하드웨어: Apple Silicon (M3) 운영 체제: macOS Python 버전: 3.11 의존성 패키지: mlx>=0.0.7 numpy>=1.24.0 torch>=2.0.0 logging>=0.5.1.2 프로젝트 구조 . ├── main.py # 벤치마크 스크립트 ├── requirements.txt # 프로젝트 의존성 ├── .gitignore # Git 무시 규칙 └── README.md # … 더 읽기

머신러닝 프로젝트의 생명주기, EDA, Feature Engineering

작성자:

머신러닝 프로젝트의 생명주기는 머신러닝 워크플로우 즉, 데이터를 준비하고 모델을 개발하며 성능을 평가하고 배포하는 전체 과정입니다. 워크플로우를 단계별로 정리하면 다음과 같으며, 이 모든 단계는 반복적이며, 새 데이터를 수집하거나 성능 개선이 필요할 때 다시 돌아가 진행합니다. 1. 문제 정의 (Define the Problem) 목적: 해결하고자 하는 문제를 명확히 정의하고 목표를 설정합니다. 예: 고객 이탈 예측, 이미지 분류, 매출 … 더 읽기