| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 | 31 |
- 빅데이터
- GenerativeAI
- 머신러닝
- 코드업100제
- 한빛미디어
- GenAI
- Blazor
- 코드업
- 구글퀵랩
- 데이터사이언스
- C#
- gcp
- nlp
- 자연어처리
- 파이썬기초100제
- Azure
- 파이썬알고리즘
- Microsoft
- 알고리즘
- 파이썬기초
- 블레이저
- attention
- codeup
- 코드업파이썬
- 데이터분석
- 생성형AI
- 클라우드
- DataScience
- Python
- 파이썬
- Today
- Total
목록DataScience (3)
Tech for good
Amazon과 University of Illinois at Chicago(UIC)에서 얼마전 발표한 논문이다. https://www.amazon.science/publications/continual-learning-for-named-entity-recognition Continual learning for named entity recognition Amazon’s Global Real Estate & Facilities (GREF) team has an exciting opportunity for a data scientist to join the Global Workplace team (GWX).Our team is global in vision and structure, supporting ou..
한국어 임베딩 - 2. 벡터가 어떻게 의미를 가지게 되는가
(한국어 임베딩(Sentence Embeddings Using Korean Corpora) - 이기창 지음 / NAVER Chatbot Model 감수) 목차 2. 벡터가 어떻게 의미를 가지게 되는가 2.1. 자연어 계산과 이해 2.2. 어떤 단어가 많이 쓰였는가 2.2.1. 백오브워즈 가정 2.2.2. TF-IDF 2.2.3. Deep Averaging Network 2.3. 단어가 어떤 순서로 쓰였는가 2.3.1. 통계 기반 언어 모델 2.3.2. 뉴럴 네트워크 기반 언어 모델 2.4. 어떤 단어가 같이 쓰였는가 2.4.1. 분포 가정 2.4.2. 분포와 의미 (1): 형태소 2.4.3. 분포와 의미 (2): 품사 2.4.4. 점별 상호 정보량 2.4.5. Word2Vec 2.5. 이 장의 요약 2...
한국어 임베딩 - 1. 서론
한국어 임베딩(Sentence Embeddings Using Korean Corpora) - 이기창 지음 / NAVER Chatbot Model 감수 목차 1. 서론 1.1. 임베딩이란 1.2. 임베딩의 역할 1.2.1. 단어 / 문장 간 관련도 계산 1.2.2. 의미적 / 문법적 정보 함축 1.2.3. 전이 학습 1.3. 임베딩 기법의 역사와 종류 1.3.1. 통계 기반에서 뉴럴 네트워크 기반으로 1.3.2. 단어 수준에서 문장 수준으로 1.3.3. 룰 -> 엔드투엔드 -> 프리트레인/파인 튜닝 1.3.4. 임베딩의 종류와 성능 1. 서론 1.1. 임베딩이란 자연어 처리(Natural Language Processing) 분야에서 임베딩(Embedding)이란, 사람이 쓰는 자연어를 기계가 이해할 수 ..