model 코드 부분을 따라하다가 전 값이 이상해서요

model = Sequential([ Embedding(vocab_size + 1, 64), # 임베딩 레이어 추가 (어휘 크기 + 1, 임베딩 차원 64) Bidirectional(tf.keras.layers.LSTM(64)), # 양방향 LSTM 레이어 추가 (유닛 수 64) Dense(64, activation='relu'), Dense(1, activation='sigmoid') ]) model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) model.build(input_shape=(None, max_length)) model.summary()tensorflow version이 upgrade 되면서 model.build 를 명시적으로 호출하도록 변경되어 나타난 현상입니다. 이렇게 수정하시면 parameter 갯수 나오고, 교재 원본도 수정해 놓겠습니다.좋은 지적 감사합니다.

서적 추천

깊이 있는 내용을 알고 싶으시다면 이안 굿펠로(Ian Goodfellow) 와 요슈아 벤지오가 지은 "심층학습"(Deep Learning)을 추천 드립니다. 딥러닝계의 전설 같은 분들이 지은 바이블같은 책입니다.감사합니다.

NLP와 LLM의 차이점

그렇습니다. 다음과 같이 정리할 수 있겠습니다. NLP (자연어처리)├── 전통적 기법 (rule-based, 통계 기반)├── 머신러닝 기반 기법└── LLM (딥러닝 기반 대규모 사전학습 모델)

함수호출 관련 질문

여기서 설명한 내용들은 openai에서만 지원하는 함수형식에 대한 설명만을 한것이 맞나요--> 네 그렇습니다.만약 그렇다면 MCP를 지원하는 스펙에 맞추게 되면 구현 방식이 많이 달라지는 건지 궁금합니다.--> https://platform.openai.com/docs/guides/tools-remote-mcp 참조 바랍니다.OpenAI MCP 가 최근에 Tool 에 지원되기 시작해서 올 초에 만든 교재에 포함되지 못했습니다. 감사합니다.

구조화된 출력을 활용한 콘텐츠 심사 내용중 코드 질문

지적하신 내용이 맞습니다. 교재 작성 과정에 typo 가 있었습니다. 혼란을 드려 죄송합니다.

max_tokens 관련

max_tokens=300 은 모델이 생성할 수 있는 응답의 최대 길이를 제한하는 것입니다. prompt_tokens가 예상보다 큰 이유는 이미지 처리로 인해 생긴 현상입니다. 입력 전체 (텍스트 + 이미지)의 토큰 수로 계산한 것으로 생각됩니다. 좋은 질문 감사합니다.

Cartpole 환경 이해 및 시각화 관련 문의

특별히 추가적인 환경 설정은 필요하지 않습니다. 다만, 강의 교재가 .py 파일로 작성되어 있어서 notebook 으로 코딩하시면 강의 들으시는데 불편함이 있을까 걱정되지만 python 과 notebook 에 익숙한 분에게는 기술적인 큰 문제 되지 않을 것이라 생각합니다. 감사합니다.

Cartpole 환경 이해 및 시각화 관련 문의

예. 강화학습 실습 코드 VSCODE 로 작성하였습니다. 그 이유는 다양한 강화학습 알고리즘들을 논문에 제시된 알고리즘 그대로 가능한 구현하려 했기 때문입니다. 다만 gpu 가 필요한 경우는 Google Colab 을 사용하므로 Jupyter Notebook 으로 작성했습니다. 감사합니다.

encoder-decoder model 질문입니다.

decoder의 출력에 context vector (h, c)를 포함하는 이유는,추론 단계에서 다음 시점의 LSTM 상태로 전달하기 위해서입니다.Dense layer는 예측 토큰을 생성하는 데 사용되고, (h, c)는 다음 시점의 decoder 상태 유지를 위한 것이므로 두 출력을 "합치는" 게 아니라 목적이 달라서 함께 출력하는 것입니다.왜냐하면 LSTM 은 장, 단기 기억 장소 두가지를 초기값으로 필요로 하기 때문입니다.좋은 질문 감사합니다.

훈련과 Predict를 분리할수 없나요?

입문 강의에서는 이해를 돕기 위해 fit() 후 곧바로 predict()를 수행하는 구조로 예제를 구성했지만,실제 프로젝트나 실무 환경에서는 모델을 학습(fit)한 후 파일로 저장하고, 필요한 시점에 불러와 예측(predict)만 수행하는 방식이 일반적입니다.scikit-learn의 경우, joblib.dump(model, 'model.pkl') # 모델을 파일로 저장model = joblib.load('model.pkl') # 저장된 모델 불러오기y_pred = model.predict(X_test) # 예측 수행TensorFlow (Keras)의 경우,model.save('my_model') model = load_model('my_model') # 저장된 모델 불러오기y_pred = model.predict(X_test) # 예측 수행이런 방식으로 사용하게 됩니다. 좋은 질문 감사합니다.