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.

구글번역기에 대해서 궁금한점이 있습니다.

그렇습니다. Transformer 는 원래 구글에서 번역기로 만든 딥러닝 아키텍쳐였고 2018년을 전후해서 구글 번역기의 번역 품질이 획기적으로 높아지기 시작했습니다. 감사합니다.

로드맵에대해서...

다음과 같이 로드맵 작성했습니다. 감사합니다.LLM(Large Language Model) 전문가 과정 !https://inf.run/dTG7q 인공지능 입문에서 활용까지! https://inf.run/5wowZ

실습-얼어붙은 호수(Frozen Lake) - 정책 반복 알고리즘 구현 argmax

np.argmax는 여러 개의 최대값이 있어도 가장 먼저 등장한 인덱스만 반환합니다. 하지만 2, 3, 4 번째 0.5 중 아무 것의 인덱스를 반환해도 상관없습니다. 중요한 것은 최대값의 index 를 반환하면 결국에는 테이블이 수렴하게 된다는 것입니다. 위의 경우에 [0.1, 0.5, 0.5, 0.5] 인 경우 그 state에서의 최적 정책은 3개가 될 수 있습니다. 왜냐하면 어떤 state에서의 최적 정책은 여러개가 있을 수 있기 때문입니다. 하지만 Value Iteration 이나 Policy Iteration 알고리즘에서는 artmax 로 세개의 같은 값(0.5) 중 맨 처음 index 만 반환해도 가치함수 테이블이 수렴하도록 되어 있습니다. 그래서 argmax 에 문제가 없습니다. 좋은 질문 감사합니다.

로드맵에대해서...

좋은 의견 감사합니다. 검토해 보겠습니다.

Bag of Word (BOW)와TF-IDF시 대명사인 I의행방

BOW나 TF-IDF에서 "I" 같은 대명사나 일반적인 단어가 사라지는 현상은 주로 전처리 과정 때문에 그렇습니다. "I", "you", "he", "she", "it", "we", "they" 같은 대명사, 그리고 "is", "are", "am", "was", "in", "on" 같은 자주 쓰이지만 정보량이 적은 단어들은 일반적으로 불용어(stopwords)로 간주되어 자동으로 제거됩니다.좋은 질문 감사합니다.

강의자료 누락

해결하셨다니 다행입니다. 제가 외부 강의 중이라 저녁에 집에서 문제점 수정하도록 하겠습니다. 불편을 드려 사과드립니다.

mac 환경에서 kernel

base 가 Anaconda 설치 시 기본적으로 생성되는 환경입니다. Anaconda 는 자기만의 가상 환경을 만들기 때문에 Mac 과 Windows 에 무관하게 사용법이 동일합니다. base 를 선택하세요. 감사합니다.

강의 교재 최신화 요청

overview 부분의 slide update 하였습니다. 다시 다운로드 받으시면 됩니다. 부록 부분도 old 영상 삭제 하였습니다. 제가 꼼꼼하게 품질 관리를 못해서 불편을 드려 죄송합니다. 남은 강의 잘 학습하시고 불편한 사항 있으면 항상 알려 주세요.감사합니다.

강의 교재 최신화 요청

불편을 드려서 죄송합니다. 제게 실수가 있었던 것 같은데 어떤 부분(동영상 또는 교재)인지 알려 주시면 즉시 반영하겠습니다. 알려 주셔서 감사합니다.