데이터 오덕희의 더키 로그

GitHub Pages와 Jekyll을 이용해 무료로 블로그를 만드는 방법을 단계별로 설명합니다. Git은 알지만 블로그는 처음인 분들을 위한 가이드.GitHub로 블로그를 만들 수 있다는 거 알고 계셨나요? 호스팅 비용 없이, 광고 없이(애드센스 가능), 내 도메인(username.github.io)으로 블로그를 운영할 수 있어요. 저도 현재 이 방식으로 블로그를 운영 중인데요, 오늘은 제가 직접 세팅한 방법을 처음부터 끝까지 설명해드릴게요.GitHub Pages + Jekyll이 뭔가요?GitHub Pages는 GitHub에서 제공하는 무료 정적 웹사이트 호스팅 서비스예요. 저장소에 파일을 push하면 자동으로 웹사이트가 배포돼요.Jekyll은 마크다운(.md) 파일을 HTML로 변환해주는 정적 사이..

데이터 사이언티스트의 첫걸음 데이터 사이언티스트의 중요성과 현대 산업에서의 역할 데이터의 시대에 살고 있다는 말을 종종 듣게 됩니다. 그 이유는 우리의 일상부터 비즈니스, 정부 정책까지 대부분의 분야에서 데이터가 중심 역할을 하고 있기 때문입니다. 이 데이터 중심의 세상에서 데이터 사이언티스트는 실질적으로 '금을 캐내는 광부'와 같은 역할을 합니다. 그들은 방대한 양의 데이터 속에서 유의미한 정보와 인사이트를 찾아내고, 그것을 기반으로 전략을 세우거나 문제의 해결책을 제시합니다. 데이터 사이언티스트는 여러 산업에서 다양한 역할을 하고 있습니다. 이를테면, 의료 분야에서는 환자 데이터를 분석하여 병의 원인을 찾거나 최적의 치료 방법을 제안하며, 금융 분야에서는 고객의 거래 데이터를 기반으로 리스크를 예측하..

데이터는 머신러닝의 연료입니다. 하지만, 대부분의 실세계 데이터는 라벨이 없습니다. 그렇다면 라벨링 되지 않은 데이터를 활용하여 어떻게 유용한 모델을 학습시킬 수 있을까요? 바로 "자기지도 학습(Self-supervised learning)"이 그 해답입니다. 자기지도 학습이란? 자기지도 학습은 라벨링 된 데이터 없이 모델을 학습시키는 방법입니다. 이 방식에서는 데이터 자체가 지도 정보의 역할을 합니다. 구체적으로는, 원본 데이터를 변형하거나 일부를 숨기고, 그 변형된 데이터나 숨겨진 부분을 예측하도록 모델을 학습시키는 방식입니다. 예를 들면, 이미지에서 일부분을 가리고, 가려진 부분이 무엇인지 모델이 예측하도록 하는 것이 자기지도 학습의 한 예입니다. 이런 방식으로 모델은 데이터의 중요한 특징과 패턴을..

페더레이티드 러닝(Federated Learning)이란? 페더레이티드 러닝은 여러 장치나 서버에 분산된 데이터를 중앙에 모으지 않고 각 장치에서 학습을 수행한 후, 그 결과만 중앙 서버에 업데이트하는 방식의 머신러닝입니다. 왜 페더레이티드 러닝이 중요한가? 프라이버시 보호: 개인정보와 같은 민감한 데이터를 중앙 서버로 전송하지 않기 때문에 데이터의 유출 또는 침해 위험이 크게 줄어듭니다. 통신 비용 절감: 큰 데이터 세트를 서버로 전송하는 대신, 모델의 가중치나 업데이트만 전송하기 때문에 통신 비용을 절감할 수 있습니다. 장치 활용도 증대: 각 장치에서 직접 학습을 수행하기 때문에 장치의 연산 능력을 효율적으로 활용할 수 있습니다. 페더레이티드 러닝의 기본적인 수행 순서: 서버 초기화: 중앙 서버는 모..

안녕하세요, 머신러닝 애호가 여러분! 이전 포스팅에서는 Few-shot Learning에 대해 이야기했었는데요, 오늘은 머신러닝에서 또 다른 핵심 기술인 'Transfer Learning'에 대해 함께 알아보겠습니다. 1. Transfer Learning이란? Transfer Learning은 기존에 학습된 모델의 지식을 새로운 모델 학습에 활용하는 방법론입니다. 대표적인 예로, 이미지 분류를 위해 훈련된 모델을 사용하여 다른 종류의 이미지 분류 문제에 적용하는 경우가 있습니다. 2. 왜 Transfer Learning이 중요한가? 대량의 데이터로 모델을 처음부터 학습시키는 것은 시간과 리소스가 많이 드는 작업입니다. 그러나 Transfer Learning을 사용하면, 이미 학습된 모델의 지식을 기반으로..

안녕하세요, 머신러닝 애호가 여러분! 이전 포스팅에서는 Transformer와 Attention 메커니즘에 대해 다뤘는데요, 오늘은 데이터의 한계 속에서도 높은 성능을 추구하는 'Few-shot Learning'에 대해 함께 알아보겠습니다. 1. Few-shot Learning이란? Few-shot Learning은 매우 제한된 양의 데이터만을 사용하여 모델을 학습시키는 방법론을 의미합니다. 일반적으로 머신러닝 모델은 대량의 데이터를 필요로 하지만, 실제 상황에서는 그렇게 많은 양의 레이블링 된 데이터를 얻기 어려울 때가 많습니다. 이때 Few-shot Learning 기법이 큰 도움을 줍니다. 2. 작동 원리 Few-shot Learning의 주요 아이디어는 이전에 학습한 정보나 지식을 활용하여 새로운..

안녕하세요, 머신러닝 애호가 여러분! 오늘은 최근 딥러닝 분야에서 뜨거운 감자로 떠오르고 있는 Transformer와 Attention 메커니즘에 대해 함께 알아보려고 합니다. 이 두 기술은 자연어 처리(NLP)의 진보를 주도하고 있으며, 다양한 응용 분야에서도 활용되고 있죠. 그럼 시작해 볼까요? 1. Transformer: 무엇이며 왜 중요한가? Transformer는 2017년에 "Attention Is All You Need"라는 논문에서 처음 소개되었습니다. 이 모델은 기존의 RNN이나 LSTM과 같은 순차적인 구조를 버리고, 완전히 새로운 아키텍처를 제안하였습니다. 주요 특징 중 하나는 self-attention 메커니즘이 포함되어 있다는 것인데, 바로 다음에서 자세히 알아보겠습니다. 2. A..

MIT 슬론 비즈니스 스쿨 사이트에서 읽어볼 수 있는 좋은 글이 있어 소개하려고 한다. 머신러닝이란 무엇인가? 머신러닝은 인공지능의 하위 분야로, 기계가 지능적인 인간의 행동을 모방하는 능력을 넓게 정의한 것입니다. 인공지능은 인간처럼 문제를 해결하는 방식으로 복잡한 작업을 수행하는 데 사용됩니다. 머신러닝의 목표는 명시적으로 프로그래밍되지 않아도 컴퓨터가 학습할 수 있게 하는 것입니다. 머신러닝은 데이터로 시작하여, 이 데이터를 학습 데이터로 사용하여 기계 학습 모델이 교육받게 됩니다. 프로그래머는 머신러닝 모델을 선택하고, 데이터를 제공하며, 컴퓨터 모델이 자체적으로 패턴을 찾거나 예측을 학습하도록 합니다. 머신러닝의 세 가지 하위 카테고리는 다음과 같습니다: 지도 학습은 라벨이 붙은 데이터 세트로 ..

KDP는 Kindle Direct Publishing의 약자로, 아마존(Amazon)이 제공하는 자체 출판 플랫폼입니다. 여기서 글을 이북으로 출판하고, 아마존 Kindle 스토어를 통해 전 세계 독자들에게 판매할 수 있습니다. KDP를 통해 출판하면 출판사와 대리인 없이도 자신만의 특별한 이야기를 세계와 공유할 수 있으며, 판매 수익을 얻을 수 있습니다. 오늘 블로그 포스팅에서는 KDP를 출판하기 위해 계정을 만들고, 전자책을 만들어 출판하는 방법에 대하여 대략적으로 알아보도록 하겠습니다. 자세한 내용은 앞으로 제가 KDP로 전자책을 출판하며 직접 겪은 이야기를 토대로 정리해 가며 포스팅하도록 하겠습니다. 1. KDP 계정 생성 및 로그인 KDP를 사용하기 위해서는 먼저 KDP 계정을 생성해야 합니다...

워드프레스로 나만의 웹사이트를 만들어 인터넷에서 접근을 가능하게 하려면 호스팅이 필요하다. 호스팅은 웹사이트의 파일, 데이터베이스, 이미지 등을 저장하고 관리하기 위한 서버 공간을 제공하는 역할을 한다. 블로그를 티스토리나 네이버에서 만들어서 사용해도 되지만 서비스의 제약이 따른다. 그래서 직접 웹사이트를 제작하여 그곳을 블로그 둥지로 사용할 수 있는데, 이 경우는 웹에 대한 지식이 조금 있어야 한다. 유튜브를 보면 많은 유튜버들이 티스토리나 네이버 블로그보다 확장성이 뛰어나고 구글 애드센스와 연동하여 수익화도 가능한 워드프레스로 블로그를 옮겨 보라며 영상을 올리곤 한다. 그렇다면 워드프레스는 뭔지 조금 알겠는데 호스팅을 어떻게 해야 할지 IT와 친하지 않은 사람은 멘붕이 올 수 도 있다. 우선 한국에서..