안녕하세요! CSE 관련 공부한 내용을 기록하는 공간입니다.부족한 부분은 알려주시면 감사하겠습니다. 깃헙 블로그: https://kimsoyeong.github.io/ https://kimsoyeong.github.io/Soyeong Kim Interest AI/ML/DLWeb/App development What can I do Python, Java/Kotlin, C++Android, iOS appGarmin watch app Check my resume by clicking the memo app.kimsoyeong.github.io Github: github.com/kimsoyeong kimsoyeong - Overview@SiliconValleyInternship-Lambda @PA-roketd..

CV가 뭘까?CV는 Curriculum Vitae의 줄임말이다.연구직 구직 또는 대학원 입시에서 자신의 연구 또는 프로젝트 경험 등을 담아 제출하는 영문 이력서라고 할 수 있다. 나는 사전 컨택없이 대학원을 준비했다. 따라서 CV도 대학원 원서를 준비하면서 동시에 작성해나갔다.사실 학부 수업 중 IT영어1, 2라는 수업에서 영문이력서 작성법을 배웠는데 그게 큰 도움이 되었던 것 같다.또한, 우리 학교에는 미국의 개발 문화를 접할 수 있는 다양한 방법이 존재하는 데, 나는 대부분에 모두 참여했다.작년 글로벌 SW인재트랙에 지원하면서 영문이력서를 작성했고, 또한 올해 MI-333 해외인턴십에 지원하면서 또다시 영문이력서를 작성했다. 그리고 여름방학때는 기업인턴에 지원하면서 영문은 아니었지만 이력서를 작성했던..

Linear Layer는 딥러닝의 가장 기본적인 구성요소 중 하나이다. 딥러닝을 시작하는 단계라면, Linear Layer의 동작 원리와 역할을 이해하는 것이 중요하다. 1. Linear Layer란?Linear Layer는 인공 신경망의 기본 구성 요소로, 입력 벡터를 선형 변환(Linear Transformation)해서 출력 벡터를 만든다. 이는 다음과 같은 수식으로 표현될 수 있다.\[ y=Wx+b\]여기서:\(y\)는 출력 벡터\(W\)는 가중치 행렬 (wegihts)\(x\)는 입력 벡터\(b\)는 편향 벡터 (bias)이 수식을 통해 입력 데이터를 가중치와 편향을 사용해 선형 변환한 결과를 얻는다. 2. Linear Layer의 역할Linear Layer는 다음과 같은 중요한 역할을 한다.특..

안드로이드 스튜디오에서 AVD manager를 통해 emulator를 실행해봤다면, 다음 경로에 "emulator.exe" 파일이 있을 것이다. C:\Users\{user}\AppData\Local\Android\Sdk\emulator 해당 경로에서 터미널을 통해 안드로이드 스튜디오 실행없이 에뮬레이터만 실행할 수 있다. 아래 명령어를 입력하면, 현재 존재하는 emulator 목록이 출력된다. (skin 목록 아님. 생성했던 emulator들의 목록이 나타난다.) .\emulator.exe -list-avds 목록 중 원하는 에뮬레이터를 다음 명령어로 실행한다. .\emulator.exe -avd "에뮬레이터_이름" 그럼 이렇게 에뮬레이터만 정상적으로 실행되는 것을 확인할 수 있다. 참고 안드로이드 에뮬..

업데이트된 hELLO 스킨을 새로 적용하면서, 기존의 LaTex 설정이 사라졌다.매번 찾아보기 귀찮으므로 LaTeX 적용방법을 정리해보겠다. 티스토리 블로그에 LaTeX(수식)을 작성할 수 있도록 Javasciprt로 작성된 KaTeX를 적용한다.KaTeX는 MathJax보다 빠른 렌더링을 제공하여 웹 페이지 로딩 시 거의 바로 수식을 출력할 수 있다. 티스토리 스킨 편집스킨 편집에서 다음 코드를 `` 바로 위에 복사 붙여넣기 한다. 그 아래에 두번째 코드를 복사 붙여넣기 한다.   KaTex 공식문서에서 브라우저에서의 사용법을 참고할 수 있다. KaTeX – The fastest math typesetting library for the webSimple API, no dependencies – yet..

InstallCert를 사용해 SSL/TLS Server 인증서 생성 javax.net.ssl.SSLHandshakeException: sun.security.validator.ValidatorException: PKIX path building failed: sun.security.provider.certpath.SunCertPathBuilderException: unable to find valid certification path to requested target PKIX path building failed: sun.security.provider.certpath.SunCertPathBuilderException: unable to find valid certification path to re..

기본 빌딩 블록 (Basic Building Block)'기본 빌딩 볼록' 이라는 말은 어떤 복잡한 구조를 구성하는 가장 기초적인 구성 요소를 의미한다. 예를 들어, 집을 지을 때 벽돌 하나하나가 기본 빌딩 블록이 되는 것처럼, 딥러닝 모델에서는 Linear Layer 같은 간단한 레이어들이 모여서 복잡한 신경망을 구성하게 된다. Linear Layer는 딥러닝 모델에서 데이터를 변환하고 처리하는 데 있어 가장 기본적인 작업을 수행한다. 이 레이어가 여러 개 쌓여서 복잡한 패턴을 학습하고, 더 높은 수준의 추상화를 이룰 수 있는 구조를 만들게 된다. 이렇게 기본 빌딩 블록을 쌓아가며 복잡한 모델을 구성하는 과정에서, 각각의 블록이 중요한 역할을 한다는 뜻이다.예를 들면:만약 이미지를 분류하는 모델을 만든..

1. 개념GitHub에서 출시한 GitHub Copilot SDK는 Copilot CLI의 핵심 루프(계획 수립, 도구 호출, 파일 편집, 명령 실행)를 개발자의 애플리케이션에 직접 통합할 수 있게 해주는 도구입니다.핵심 가치: 에이전트의 뇌(LLM)뿐만 아니라 손발(Executor) 역할을 하는 인프라(계획 루프, 도구 실행기, 컨텍스트 관리, 오류 처리)를 직접 구현할 필요없이 즉시 활용 가능합니다.통신 구조: SDK는 JSON-RPC를 통해 Copilot CLI 서버와 통신하며 라이프사이클을 자동 관리합니다.[Architecture Flow]나의 Application → SDK Client → (JSON-RPC) → Copilot CLI (Server Mode)지원 환경: Python, Node.j..

💪 건강을 챙기자🧩 부지런하자 🌼 2026 상반기 목표 🐱‍💻 ◻ JLPT N3◻ 논문 또는 특허☑ github.io 리뉴얼 😊 기타 목표☑ 겨울 다낭 여행 (1월)☑ 겨울 나고야 여행 (2월) 💪 건강해지자!!🧩 성숙한 사람이 되자!! 🌼 2026 하반기 목표 🐱‍💻 ◻ 특허◻ 코딩테스트 공부: 알고리즘 공부◻ iOS 앱 출시해보기◻ Toeic speaking 영어 성적 갱신◻ github.io 리뉴얼 (계속) 😊 기타 목표☑ 여름 국내 여행 (7월)◻ 스케이트보드 강습 받아보기◻ 몽골 여행 (9월)◻ 상하이 여행 (10월)

시험범위 시험 범위 | NotionMade with Notion, the all-in-one connected workspace with publishing capabilities.www.notion.so 과목 정리 AI 과목 정리 | Notion목차www.notion.so

업데이트된 hELLO 스킨을 새로 적용하면서, 기존의 LaTex 설정이 사라졌다.매번 찾아보기 귀찮으므로 LaTeX 적용방법을 정리해보겠다. 티스토리 블로그에 LaTeX(수식)을 작성할 수 있도록 Javasciprt로 작성된 KaTeX를 적용한다.KaTeX는 MathJax보다 빠른 렌더링을 제공하여 웹 페이지 로딩 시 거의 바로 수식을 출력할 수 있다. 티스토리 스킨 편집스킨 편집에서 다음 코드를 `` 바로 위에 복사 붙여넣기 한다. 그 아래에 두번째 코드를 복사 붙여넣기 한다.   KaTex 공식문서에서 브라우저에서의 사용법을 참고할 수 있다. KaTeX – The fastest math typesetting library for the webSimple API, no dependencies – yet..

Transformer 모델: 기존 인코더-디코더 모델을 발전시킨 모델로, RNN 기반 인코더-디코더 모델보다 학습이 빠르고 성능이 좋다.병렬화RNN 기반 인코더-디코더: 입력으로 들어오는 텍스트의 단어들을 순차적으로 계산하여 인코딩.Transformer: 행렬곱으로 한 번에 병렬 처리. Positional encoding(RNN 사용 X) 순차 입력을 받지 않음 → 위치/순서 정보를 제공해줘야 한다.Positional encoding: 인코더 및 디코더의 입력 값마다 상대적인 위치 정보를 더하는 기술.Transformer는 단순 비트 인코딩이 아니라 Sin, Cos 함수를 사용한 positional encoding을 사용한다.장점Sin, Cos 함수) Positional encoding 값이 항상 -1에..

RAG (Retrieval-Augmented Generation): Query가 주어졌을 때, 데이터베이스에서 관련된 정보를 검색하여 프롬프트에 contxt를 추가.장점Hallucination 최소화Fine-tuning 대비 저렴한 비용으로 관련 정보 검색 가능한계전체 corpus에 대한 추상적 요약이 어려움Context window 한계로 인한 정보 손실 (”lost in the middle” 현상)Graph RAG (GraphDB + RAG)데이터를 지식 그래프 구조로 변환 → 그래프 검색을 활용한 RAG더보기Knowledge graph 지식 그래프:Knowledges의 구조화된 표현Node: entities or conceptsEdge: relationships between entities Mic..