총 33개
-
효율적인 텍스트 분류를 위한 fastText 모델2025.01.261. 텍스트 분류 이 논문은 웹 검색, 정보 검색, 감정 분석과 같은 애플리케이션에서 자연어 처리의 필수 작업인 텍스트 분류 문제를 다룹니다. 저자들은 신경망 기반 모델은 정확하지만 훈련과 테스트 단계 모두에서 계산 비용이 많이 들고 느린 경향이 있기 때문에, 대규모 데이터 세트를 처리할 수 있는 확장 가능하고 효율적인 모델이 필요하다고 지적합니다. 이 논문에 적용된 모델인 fastText는 높은 정확도를 유지하면서 텍스트 분류의 계산 비효율성 문제를 해결하도록 설계되었습니다. 2. 데이터 세트 이 논문에서는 텍스트 분류 작업에 잘...2025.01.26
-
기계학습(Machine Learning)에 관한 조사 및 정보통신 기술 활용2025.01.251. 기계학습(Machine Learning) 기계학습은 컴퓨터의 행동을 변경하고 적응시켜 정답에 가깝게 만드는 기술이다. 기계학습은 신경과학, 생물학, 통계학, 수학, 물리학 등 다양한 분야의 아이디어를 사용하여 컴퓨터를 학습시킨다. 기계학습은 지도 학습, 비지도 학습, 강화 학습으로 구분되며, 각각 다른 방식으로 학습을 수행한다. 기계학습은 데이터 마이닝, 컴퓨터 비전, 자연어 처리 등 다양한 분야에 활용되고 있다. 2. 백스캐터 통신 백스캐터 통신은 사물인터넷 시대의 전력 공급 문제를 해결할 수 있는 새로운 통신 시스템이다. ...2025.01.25
-
트랜스포머 알고리즘의 개념과 적용 사례2025.01.251. 트랜스포머 알고리즘의 개념 트랜스포머 알고리즘은 주의 메커니즘을 기반으로 하는 딥러닝 모델로, 입력 데이터의 각 요소가 다른 모든 요소와의 관계를 고려하여 변환된다. 이를 통해 순차적인 처리 대신 병렬 처리가 가능하게 되어 학습 속도가 크게 향상되었다. 트랜스포머는 인코더와 디코더로 구성되어 있으며, 각 단계에서 다중 헤드 자기 주의 메커니즘을 사용한다. 이 알고리즘은 2017년 구글의 연구팀이 발표한 논문에서 처음 소개되었다. 2. 트랜스포머 알고리즘의 구조 트랜스포머 모델은 인코더와 디코더 블록으로 구성되어 있다. 인코더는...2025.01.25
-
인공지능(Artificial Intelligence)에 관하여 조사하여 설명하고 인공지능을 위해 활용될 수 있는 정보통신 기술에 관하여 서술하시오2025.01.251. 인공지능의 정의와 역사 인공지능(Artificial Intelligence, AI)은 인간의 지능을 모방하여 학습하고 문제를 해결하며 결정을 내리는 컴퓨터 시스템을 의미합니다. 인공지능의 역사는 1950년대 앨런 튜링(Alan Turing)의 논문 'Computing Machinery and Intelligence'에서 시작되었으며, 1956년 다트머스 회의(Dartmouth Conference)에서 인공지능이라는 용어가 처음 사용되었습니다. 2. 인공지능의 주요 기술과 접근 방법 인공지능에는 기계 학습, 심층 학습, 자연어 ...2025.01.25
-
언어의 영역별 구분: 의미론, 음운론, 형태론, 통사론, 화용론2025.01.291. 의미론 의미론은 언어의 의미를 체계적으로 연구하는 분야로, 단어와 문장의 의미를 분석하고 해석하는 데 중점을 둔다. 의미론은 언어의 기본적인 의미 단위인 의미소(모픽)와 의미 단위 간의 관계를 규명하며, 단어 간의 동의어, 반의어, 다의어 등의 의미 관계를 탐구한다. 의미론적 연구는 자연어 처리(NLP) 분야에서도 중요한 역할을 한다. 2. 음운론 음운론은 언어의 음소와 음운 구조를 연구하는 분야로, 언어의 소리 체계와 소리 간의 관계를 분석한다. 음운론은 음소의 배열, 음운 변화, 음운 규칙 등을 다루며, 이는 언어의 발음 ...2025.01.29
-
IT와 경영정보시스템 2024년 2학기 방송통신대 중간과제물: 인공지능(AI) 학습을 위해 고안된 LLM(Large Language Model)과 LMM(Large Multimodal Model) 비교 및 Deep Learning과의 관계2025.01.261. 인공지능(AI)의 정의 1956년 미국의 수학자이자 과학자인 존 매카시가 '인공지능'이라는 용어를 처음 제안한 이후, 인공지능 연구는 지속적으로 발전해왔으며 여러 분야에서 인간의 능력을 점점 뛰어넘고 있다. 인공지능은 컴퓨터 과학과 방대한 데이터 세트를 활용하여 문제를 해결하는 기술 분야로, 머신러닝과 딥러닝이 인공지능의 하위 분야를 구성한다. 2. 인공지능의 역사 인공지능에 대한 논의는 1950년대부터 시작되었으며, 앨런 튜링, 마빈 민스키, 존 매카시 등의 선구자들이 기계의 사고 가능성을 탐구하며 인공지능 연구의 기반을 마...2025.01.26
-
IT와경영정보시스템1공통 인공지능AI 학습고안된 LLM Large Language Model 대규모언어모형과 LMMLarge Multimodal Mode 대규모멀티모달모형 비교하시오002025.01.261. LLM (Large Language Model; 대규모 언어 모형) LLM은 주로 텍스트 데이터를 기반으로 학습된 모델로, 자연어 처리(NLP) 작업에 초점을 맞춥니다. 이러한 모델은 대량의 텍스트 데이터를 통해 언어의 구조, 의미 및 맥락을 이해하고 생성하는 능력을 가지고 있습니다. 예시로는 GPT(Generative Pre-trained Transformer), BERT(Bidirectional Encoder Representations from Transformers) 등이 있습니다. 2. LMM (Large Multim...2025.01.26
-
자연언어처리4공통형 7강까지 학습한 모델 알고리즘 중 하나를 적용한 논문에서 모델이 어떻게 사용되었는지 기술2025.01.261. BERT 모델 적용 논문 "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding"에서 BERT 모델은 자연어 처리(NLP) 분야의 다양한 언어 이해 작업을 해결하기 위해 사용되었습니다. BERT는 문맥 이해, 단어의 다의성 해결, 사전 훈련과 미세 조정, 모델의 일반화 능력 향상 등의 문제를 다루고자 했습니다. 이를 위해 BERT는 양방향 문맥 처리, Masked Language Model, Next Sentence Prediction ...2025.01.26
-
LLM(대규모 언어 모형)과 LMM(대규모 멀티모달 모형)의 비교 및 딥러닝과의 관계2025.01.261. LLM(대규모 언어 모형) LLM은 자연어 처리(NLP) 분야에서 필수적인 역할을 하는 인공지능 시스템입니다. LLM은 인간의 언어 이해 및 해석 방식을 모방하여, GPT-4나 BERT와 같은 대표적인 AI 모델을 만들어냈습니다. 이러한 모델들은 문장 생성, 번역, 요약 등에서 강력한 성능을 발휘하며, 마치 언어 전문가가 문법과 의미를 분석하는 것과 유사한 방식으로 작동합니다. 2. LMM(대규모 멀티모달 모형) LMM은 언어뿐만 아니라 이미지, 소리, 영상 등 다양한 형태의 데이터를 동시에 처리할 수 있는 인공지능입니다. 이...2025.01.26
-
LLM(대규모 언어 모형)과 LMM(대규모 멀티모달 모형)의 비교 및 딥러닝과의 관계2025.01.261. LLM(대규모 언어 모형) LLM은 주로 텍스트 데이터를 기반으로 학습된 모델로, 자연어 이해(NLU)와 자연어 생성(NLG)에 강점을 지닌다. 대표적인 예로는 OpenAI의 GPT 시리즈가 있으며, 이들은 방대한 양의 텍스트 데이터를 학습하여 인간과 유사한 수준의 텍스트 생성 능력을 보유하고 있다. LLM은 주로 챗봇, 자동 번역, 텍스트 요약, 감정 분석 등 다양한 언어 처리 작업에 활용된다. 2. LMM(대규모 멀티모달 모형) LMM은 텍스트뿐만 아니라 이미지, 음성, 비디오 등 다양한 형태의 데이터를 동시에 처리할 수 ...2025.01.26
3 / 4
