Wiredwisdom

`R2=1-(SST)/(SSE)=1-(Sigma(y_text(target)-bar y_text(predict))^2)/ (Sigma(y_text(target)-bar y_text(average))^2)`R2 > 0.8: 매우 좋은 모델R2 0.6~0.8: 괜찮은 모델R2 0.4~0.6: 개선 여지가 있는 모델R2 입력 데이터의 Normalization의 이점1. 그래디언트 폭주를 막을 수 있다.(Gradient Explosion)발산하게 되는 경우 2. Chain rule 영향 x = 입력값 w = 가중치 z = w * x # 첫 번째 계산 y = sigmoid(z) # 활성화 함수 적용 L = (target - y)² # 손실 함수 `(delL)/(delw)=(delL)/(dely)*(dely)/(d..

# 기본 패키지sudo apt updatesudo apt install -y libglew-dev libassimp-dev libboost-all-dev libgtk-3-dev libopencv-dev libglfw3-dev libavdevice-dev libavcodec-dev libeigen3-dev libxxf86vm-dev libembree-dev git build-essential cmake ffmpeg imagemagick libavcodec-dev libavformat-dev libavdevice-dev libboost-all-dev libembree-dev libeigen3-dev libgtk-3-dev libassimp-dev# 추가 패키지sudo apt install -y libatk-..

section .data msg db 'Hello, World!', 0Ah ; 출력할 메시지와 줄바꿈(0Ah) len equ $ - msg ; 메시지 길이 계산section .text global _start ; 프로그램 시작점 선언_start: ; write 시스템 콜 사용 mov eax, 4 ; 시스템 콜 번호 (sys_write) mov ebx, 1 ; 파일 디스크립터 (stdout) mov ecx, msg ; 메시지 주소 mov edx, len ; 메시지 길이..

Masking    Prompt Injection

Chain of Thought (Explicit Process)LLM 에게 문제 해결 과정에서 따라야 할 생각의 단계나 논리적 순서를 제시하면 이 사고 과정을 따라 문제를 분석하고 각 단계를 거치면서 최종 해답이 도달. 논리적 사고를 모방하도록 함.  [복잡한 문제 해결과 추론을 요구하는 작업에 유용]     CoT - Chain of Thought  Zero-shot (Implicit Process)   Zero-Shot CoT문제 해결 과정에서 따라야 할 생각의 단계나 논리적 순서 등의 가이드를 주지 않는 것. LLM 스스로 문제를 분석하고, 사고 과정을 단계적으로 작성함.      Self-Consistency (=Majority Rule)  대략 20개 정도를 샘플링 했을때에 높은 정확도를 가진다..

AI와 긴밀하게 소통하면서 원하는 결과를 얻어내는 프롬프트를 만들어 나가는 과정이프롬프트 엔지니어링입니다.” 실험적인 방법론에 기반하기 때문에 원하는 결과를 정확히 의도한 대로 항상 일관되게 만드는 것이 목표. 블라인드 프롬프팅, 프롬프트 라이팅 : 결과에 대한 설계와 평가가 없어, 결과의 일관성과 정확성을 보장할 수 없다. 1.답변을 위해 필요한 적절한 컨텍스트 제공2.원하는 결과 추출을 위한 프롬프트 작성3.결과물의 형식을 지정   프로그램과 프롬프트의 유사성 LLM 이 대화의 맥락을 유지하는 방법 – In-context Learning      LLM 구성요소     Token