Velopers
모든 블로그
데이블

데이블

도메인dabletech.oopy.io
주요 카테고리 AI · Frontend · Else

활동 요약

대표 인기 포스트Biome: 차세대 JS Linter와 Formatter5 조회
최근 30일
0개
평균 조회
2
누적 조회
24
전체 글
10개
마지막 발행
2024. 7. 15.
블로그 방문

최신 게시글 (10)

AI

언어 모델의 Fine-Tuning 성능 올리기

언어 모델의 fine-tuning 성능을 높이는 LoRA, TAPT, DAPT, Adversarial Training을 소개했습니다. 대규모 전체 학습보다 비용과 효율을 고려한 적용 방향을 정리했습니다.

#LLM#fine-tuning#LoRA
200

AI

Bid Shading이란?

1등 가격 경매 환경에서 DSP가 경쟁 입찰가를 추정해 입찰가를 낮추는 Bid Shading 개념과 방법을 설명했습니다. 오프라인과 온라인 실험에서 잉여와 순이익 개선 가능성을 확인했습니다.

#ML#KDD#GCP
000

프론트엔드

Biome: 차세대 JS Linter와 Formatter

Biome은 JavaScript와 TypeScript를 위한 빠른 포매터·린터 통합 도구를 소개했습니다. 설정 단순화와 속도 향상이 장점이지만, 아직 지원 언어와 레퍼런스는 제한적입니다.

#Biome#JavaScript#TypeScript
500

AI

딥러닝 추천 모델에 인과추론 접목시켜 전환율 예측 성능을 향상시키자!

추천시스템에서 상관관계만 학습할 때 생기는 편향과 누락 문제를 인과추론 관점에서 설명했습니다. 전환율 예측에서는 MTL과 IPW, DR을 결합한 방법으로 성능을 높이는 흐름을 소개했습니다.

#ML#추천시스템#인과추론
300

프론트엔드

리액트 19 신규 기능 및 개선 사항

리액트 19의 신규 기능과 개선 사항을 Actions, use API, 서버 컴포넌트 중심으로 정리했습니다. 또한 메타데이터, 스타일시트, 스크립트, 자원 preloading 등 운영상 개선점도 함께 소개했습니다.

#React#SSR#CSR
300

AI

SHAP

SHAP의 기반인 Shapley Value를 예시와 수식으로 풀어 설명했습니다. 모델 예측을 특징별 기여도로 나누는 원리와 계산 시 주의점도 정리했습니다.

#SHAP#Shapley Value#Machine Learning
100

AI

머신러닝으로 만드는 개인화 추천 시스템

머신러닝으로 개인화 추천 시스템을 설계하는 기본 흐름을 설명했습니다. 실험 환경에서 학습하고 배포 환경에서 pCTR과 CPM으로 광고를 선택하는 구조를 정리했습니다.

#ML#추천 시스템#calibration
200

AI

Bayes Theorem

베이즈 정리의 기본 개념을 조건부 확률에서부터 차근차근 설명했습니다. 동전 던지기 예시와 수치해석, MCMC, PyMC로 사후분포를 추정하는 과정을 다뤘습니다.

#Bayes Theorem#Python#PyMC
200

기타

자, 이제부터 이 글을 보는 순간 Git이 쉬워집니다? - 원리로 알아보는 Git의 기초

Git을 관찰자 비유로 풀어내며 init, add, commit, branch, HEAD의 흐름을 설명했습니다.원리 이해가 Git 활용과 문제 해결의 핵심이며, 실습 사례도 함께 소개했습니다.

#Git#branch#commit
100

아키텍처

더 나은 객체지향 개발을 위한 아이디어: 관심사의 분리부터 제어의 역전까지

관심사의 분리와 의존성 주입, 제어의 역전으로 좋은 코드의 의미를 설명했습니다. 프레임워크가 의존성을 관리하면 협업과 변경 대응이 쉬워진다고 정리했습니다.

#객체지향#의존성 주입#제어의 역전
500