본문 바로가기

전체 글86

[AI 캠프 10주차 회고] Agent Engineering 핵심 정리: MCP, LangGraph, Multi-Agent, PydanticAI 이번 주는 단순히 AI를 사용하는 수준을 넘어, Agent가 어떻게 협업하고 기억하며 외부 시스템과 연결되는지를 구조적으로 이해하는 시간이었다.특히 LangGraph, MCP, FastMCP, PydanticAI를 중심으로 에이전트 아키텍처를 학습하면서 "잘 답변하는 AI"보다 "잘 설계된 AI 시스템"의 중요성을 체감할 수 있었다.기존에는 LLM에게 질문을 입력하고 답변을 얻는 방식에 집중했다면, 이번 주에는 AI가 외부 도구를 사용하고, 여러 에이전트가 역할을 나누며, 상태와 기억을 유지하는 시스템을 어떻게 설계하는지 살펴보았다.1. 이번 주 Agent Engineering 전체 흐름이번 주에 학습한 핵심 기술을 하나의 구조로 연결하면 다음과 같다.LLM (대규모 언어 모델)↓MCP (외부 시스템 연.. 2026. 11. 14.

(11/10일) 자연어처리(NLP) 핵심 정리: 토큰화부터 임베딩, 코사인 유사도까지 오늘 수업에서는 자연어처리(NLP)의 기본이 되는 토큰화(Tokenization), 임베딩(Embedding), 코사인 유사도(Cosine Similarity)를 중심으로 학습했다. 텍스트를 컴퓨터가 처리할 수 있는 숫자 데이터로 변환하고, 문장 사이의 의미적 유사성을 계산하는 과정은 챗봇과 추천 시스템을 구현하는 데 중요한 기반이 된다.특히 CountVectorizer와 TF-IDF 같은 전통적인 텍스트 분석 기법부터 SentenceTransformer와 Transformer 기반 모델까지 연결해서 이해하는 것이 중요했다.1. 자연어처리(NLP) 전체 흐름오늘 수업 내용을 전체적으로 연결하면 다음과 같은 흐름으로 이해할 수 있다.텍스트(Text)↓전처리(Preprocessing)↓토큰화(Tokeniza.. 2026. 11. 10.

[9주차 회고] 자연어처리(NLP)의 이해부터 Transformer와 생성형 AI까지 (2026.11.02 ~ 2026.11.06) 이번 주 학습에서는 자연어처리(NLP)의 핵심 개념부터 전통적인 텍스트 분석 기법, 순환신경망(RNN), Transformer, BERT, GPT, SentenceTransformer까지 자연어처리 전반에 대한 이론과 실습을 집중적으로 학습했다.단순히 텍스트 데이터를 다루는 수준을 넘어 컴퓨터가 인간의 언어를 어떻게 숫자로 변환하고, 문맥을 이해하며, 새로운 문장을 생성하는지 전체적인 과정을 살펴볼 수 있었던 의미 있는 한 주였다.특히 기존 머신러닝 기반 NLP와 딥러닝 기반 NLP의 차이점을 비교하면서 최근 생성형 AI 기술의 기반이 되는 Transformer 구조와 대규모 언어 모델(LLM)의 작동 원리를 이해하는 계기가 되었다. 1. 자연어처리(NLP) 기본 프로세스자연어처리(Natural Lang.. 2026. 11. 9.

[8주차 회고] 데이터 전처리의 핵심, 이상치(Outlier) 처리와 IQR 이번 주 학습에서는 데이터 분석 과정에서 반드시 거쳐야 하는 데이터 전처리(Preprocessing) 중 이상치(Outlier) 탐지와 처리를 집중적으로 학습했다. 단순히 데이터를 수집하고 분석하는 것에서 끝나는 것이 아니라, 신뢰할 수 있는 분석 결과를 얻기 위해 데이터 품질을 관리하는 과정이 얼마나 중요한지 이해할 수 있었다.특히 사분위수(Quartile), 백분위수(Percentile), IQR(Interquartile Range)의 개념을 이해하고, Python의 pandas를 활용하여 이상치를 탐지하는 실습을 진행했다. 1. 이상치(Outlier)란?이상치란 수집된 데이터 중에서 다른 데이터들과 비교했을 때 지나치게 작거나 큰 값, 또는 전체적인 데이터 분포의 패턴에서 벗어나는 값을 의미한다.이.. 2026. 11. 2.

[7주차 회고] 머신러닝 모델 검증부터 딥러닝 기초까지 (10/19~10/23) 이번 주에는 머신러닝 모델을 평가하고 성능을 개선하는 방법부터 딥러닝의 기본 구조와 활성화 함수까지 학습했다. 지난주까지는 데이터를 전처리하고 모델을 학습시키는 과정에 집중했다면, 이번 주에는 한 걸음 더 나아가 모델이 얼마나 잘 예측하는지 확인하고, 더 나은 모델을 찾으며, 인공신경망이 학습하는 원리를 이해하는 과정을 경험했다.특히 모델을 학습시키는 것과 실제로 신뢰할 수 있는 모델을 만드는 것은 서로 다른 문제라는 점을 배웠다. 평가지표를 이해하고, 교차 검증으로 성능을 확인하고, 하이퍼파라미터를 조정하는 과정이 필요했다. 이후에는 퍼셉트론의 가중합 계산부터 XOR 문제, MLP, 시그모이드와 ReLU까지 연결하면서 딥러닝의 기초를 정리했다.1. 머신러닝 모델의 성능을 어떻게 평가할까?모델을 학습시켰.. 2026. 10. 23.

(10/23일) 딥러닝 기초 정리 오늘은 딥러닝의 기초 개념인 퍼셉트론(Perceptron), 논리 게이트(Logic Gate), XOR 문제, 다층 퍼셉트론(MLP), 활성화 함수(Activation Function)를 학습했다. 마지막으로 회귀와 분류 문제에 따라 출력층에서 어떤 함수를 사용하는지 정리했다.이번 복습의 핵심은 입력 데이터 → 가중합 계산 → 활성화 함수 → 신경망 계층 → 출력이라는 흐름을 이해하는 것이다.1. 머신러닝과 딥러닝의 차이머신러닝(Machine Learning)데이터에서 패턴을 학습하여 예측이나 분류를 수행한다. 표 형식 데이터의 분석에도 널리 사용된다.고객 이탈 예측주택 가격 예측매출 예측딥러닝(Deep Learning)인공신경망의 여러 계층을 활용하여 데이터의 복잡한 특징을 학습하는 방법이다. 이미지,.. 2026. 10. 23.

티스토리툴바