T a c i t n e s s _

최근에 네트워크관리사 자격증 공부도 시작했습니다. 학원도 종강했고 이제 당분간 집에서 지내게 될 텐데,이 때 자격증 준비를 해 놓으려구요.교재도 구매했는데 하필 추석연휴랑 겹쳐서 ㅠ.ㅠ 교재 없이 기출문제만 보면서 하려니 노베이스인 저로서는 살짝 버겁네요. 하지만 저에게는 친구 GPT가 있죠....천천히 하다보면 언젠가 되겠죠? 🖥️ 컴퓨터 네트워크에서의 통신과정네트워크 통신은 다양한 프로토콜과 계층을 통해 이루어지는데, 이를 가장 잘 설명하는 모델이 OSI7계층 모델입니다.네트워크 쪽 공부하신 분들이나 그렇지 않은 분들도 한 번 쯤은 다들 들어보셨을 유명한 OSI 7 Layers에 대한 자세한 설명은 넘어가겠습니다. 구글에 쳐 보시면 피라미드 그림 어쩌구 해서 엄청 많이 나와요 ㅎ_ㅎ 1. 애플리케이..

안녕하세요. 오늘은 Javascript에서 이벤트 전파를 중지하는 메소드인 'stopPropagation()' 에 대해 써 볼까 합니다.홈페이지를 만들다가 생각난 부분인데 잊기 전에 기록해 두려고 해요. stopPropagation()직역하자면 "멈춰 전파!" 정도 되려나욬ㅋㅋJavascript 이벤트 핸들러에서 사용되는 메소드로, 특정 이벤트가 더 이상 상위 요소로 전파되지 않도록 막는 역할을 합니다. 웹 페이지에서 이벤트는 기본적으로 '버블링(bubbling)' 방식으로 발생하는데, 이는 특정 요소에서 이벤트가 발생하면 그 이벤트가 상위 요소로 차례대로 전파되는 것을 의미합니다. 부모 요소의 이벤트 핸들러가 실행되는 것을 방지하고 싶을 때특정 요소에서만 이벤트를 처리하고 싶을 때 제 홈페이지 같은 경..

요즘 포트폴리오 게시 및 react 공부도 할 겸해서 겸사겸사 홈페이지를 만들고 있습니다.우선 간단히 껍데기만 만든 후에, 게시판이나 회원가입도 추가할까 생각 중인데 시간이 될 지는 잘 모르겠네요.뭐 천천히 차곡차곡 히스토리를 쌓아가는 것도 재밌겠죠🫤   게시판을 만든다면 아마 Spring을 공부해서 도입하거나 할텐데(!)C도 해보고 싶고 하고 싶은 것만 많네요.  본 게시글의 카테고리는 우선 react로 정했습니다. 코드리뷰도 할 겸 간간히 업로드 할 생각입니다.백엔드 작업도 들어가게 되면 웹사이트 카테고리는 따로 파야겠네요.오른쪽 페이지를 클릭하면 해당페이지를 슬라이드하여 보여주는 식으로 구성했습니다.슬라이드 애니메이션은 CSS로 했고, 클릭 이벤트는 useState를 사용하여 상태관리 진행했습니다..

Context API?컴포넌트 트리 전반에 걸쳐 전역적인 상태를 쉽게 공유할 수 있게 해 주는 기능입니다. 주로 "Prop Drilling" 문제를 해결하기 위해 사용됩니다. Prop Drilling이란, 필요한 데이터나 함수 등을 깊숙한 자식 컴포넌트에 전달하기 위해 중간에 불필요한 여러 컴포넌트를 통해 'props'를 전달해야 하는 상황을 말합니다. 이 상황에서는 코드가 복잡해지고 유지보수가 어려워질 수 있습니다.  Prop DrillingReact에서 하나의 상위 컴포넌트(state를 가지고 있는 컴포넌트)에서 필요한 데이터를 깊숙이 있는 자식 컴포넌트에 전달하기 위해 중간의 여러 단계의 컴포넌트를 거쳐 `props`로 데이터를 전달하는 과정을 의미합니다. 간단히 말해, 부모에서 자식으로 전달할 때..

1. SpringSpring은 Java 기반의 애플리케이션 개발을 위한 오픈 소스 프레임워크입니다. 주로 대규모 엔터프라이즈 애플리케이션 개발에 사용되며, 복잡한 애플리케이션을 구조적으로 설계하고 유지보수하기 쉽게 만들어 줍니다. ↓ 프레임워크와 라이브러리의 차이를 간단히 정리더보기프레임워크라이브러리프레임워크: 코드의 전체 구조를 관리하고, 그 안에서 개발자가 코드를 추가하는 방식입니다.즉, "프레임워크가 개발자의 코드를 호출" 합니다.라이브러리: 특정 기능을 수행하는 코드 모음으로, 개발자가 필요할 때 호출해서 사용하는 방식입니다.즉, "개발자가 라이브러리를 호출" 합니다. 스프링 프레임워크를 사용하면, 개발자는 스프링이 정의한 구조와 규칙 안에서 코드를 작성하게 되고,스프링이 개발자의 코드를 적절한 ..

"언어 이해를 위한 깊은 양방향 트랜스포머의 사전 훈련"출처: https://arxiv.org/pdf/1810.04805 Abstract우리는 새로운 언어 표현 모델인 BERT를 소개합니다. BERT는 'Bidirectional Encoder Representations from Transformers'의 약자입니다. 최근의 언어 표현 모델들(Peters et al., 2018a; Radford et al., 2018)과 달리, BERT는 모든 층에서 좌측과 우측 문맥을 동시에 고려하여 미표시 텍스트로부터 심층 양방향 표현을 사전 학습하도록 설계되었습니다. 그 결과, 사전 학습된 BERT 모델은 질문 응답과 언어 추론과 같은 다양한 작업에 대해 최첨단 모델을 생성하기 위해 추가 출력 층 하나만으로 미세 ..

출처: https://arxiv.org/pdf/2010.11929 AbstractTransformer 아키텍처는 자연어 처리 작업에서 사실상 표준(de-facto standard)이 되었지만, 이를 컴퓨터 비전 분야에 적용하는 경우는 여전히 제한적입니다. 비전(이미지 처리)에서는 주로 주의 메커니즘(attention)이 합성곱 신경망(convolutional networks, CNN)과 함께 사용되거나, CNN의 특정 구성 요소를 대체하는 방식으로 활용되면서도 전체적인 구조는 유지됩니다. 우리는 이러한 CNN에 대한 의존이 필수적이지 않으며, 이미지 패치(image patches)의 시퀀스(sequence)에 순수한 트랜스포머(pure transformer)를 직접 적용해도 이미지 분류 작업에서 매우 우..

ResNet잔차 네트워크, 줄여서 ResNet은 딥러닝 모델의 한 종류로, 매우 깊은 신경망에서 발생하는 기울기 소실 문제를 해결하기 위해 설계된 아키텍쳐입니다. 핵심 아이디어는 잔차 연결(Residual Connection) 또는 스킵연결(Skip Connection)을 사용해 네트워크가 더 깊어지더라도 학습이 잘 이루어지도록 하는 것입니다 딥러닝에서 네트워크가 깊어질 수록 모델이 더 복잡한 패턴을 학습할 수 있는 잠재력이 있지만 너무 깊어지면 다음과 같은 문제가 발생합니다 1. 기울기 소실 문제: 역전파 과정에서 기울기가 점차 소멸하여 초기 레이어까지 기울기가 제대로 전달되지 않는 문제가 생깁니다. 이로 인해 네트워크가 잘 학습되지 않고, 최적화가 어려워집니다 2. 학습 어려움: 깊은 네트워크에서 새..

CNN의 계층구조CNN은 여러 층으로 구성되어 있으며, 각 층에서 입력 데이터로부터 점진적으로 더 복잡한 특징을 학습합니다. 이 과정은 다음과 같은 단계로 이루어집니다: 1. 초기 층(Lower Layers) - 단순한 특징 감지: 초기 층에서는 작은 필터(예: 3*3, 5*5)가 입력 이미지에서 에지, 코너와 같은 기본적인 저수준 특징을 감지합니다. - 작은 리셉티브 필드: 초기 층에서 각 뉴런이 감지하는 영역(리셉티브 필드)은 이미지의 작은 부분에 해당합니다. 이로 인해 단순하고 지역적인 패턴을 감지하는 데 적합합니다. 2. 중간 층(Middle Layer) - 복잡한 패턴 감지: 중간 층에서는 초기 층에서 감지된 단순한 특징을 조합하여 더 복잡한 패턴(예: 특정 질감 또는 작은 객체)을 감지합니다...

1. 데이터 수집(Data Collection)모델 훈련의 첫번째 단계는 데이터 수집입니다. 이 데이터는 신경망이 학습할 내용이며, 모델의 성능에 큰 영향을 미칩니다. 데이터는 여러 출처에서 수집될 수 있으며, 웹 크롤링, 데이터베이스에서의 추출, 센서 데이터, 또는 공개 데이터셋 등이 사용될 수 있습니다.  2. 데이터 전처리(Data Preprocessing)수집된 데이터는 그대로 사용할 수 없을 때가 많습니다. 데이터 전처리 단계에서는 데이터를 신경망이 잘 학습할 수 있는 형태로 변환합니다. 이 과정은 다음 단계를 포함합니다: - 데이터 정제(Data Cleaning): 결측값(missing value)을 처리하고, 이상치(outlier)를 제거하거나 수정합니다. 예를 들어, 평균값으로 결측값을 대..