하수하따 록기장

2.1 자료의 종류질적 자료(qualitative data): 정해진 범주 중 하나의 값으로 측정되는 범주형 자료(비계량형), 이름이나 문자로 나타내는 자료. 원칙적으로 숫자로 표시될 수 없다.명목형 자료(순서가 없다, ex 남과여, 혈액형 등)순서형 자료(순서가 있다, ex 금은동, 학점, 직책)양적 자료(quantitative data): 자료 자체가 숫자로 표현되는 자료(계량형)구간자료비율자료그룹화(grouping)이란? 양적 자료를 질적 자료로 바꾸는 과정, 집단화 2.2 질적 자료의 해석도수: 각 자료값이 나타나는 빈도수도수분포표(frequency table): 변수값, 도수, 상대도수 등을 나열해 놓은 도표상대도수: 도수/n(자료의 총개수)막대그래프(bar graph): 명목형 자료를 그래프로..

1.1 통계학이란 무엇인가?통계학이란?(statistics) 불확실한 상황에서 data에 근거하여 과학적인 의사결정을 하기 위한 이론과 방법의 체계 1.2 모집단과 표본모집단(population): 관심의 대상(통계분석의 연구대상)이 되는 모든 개체의 관측값이나 측정값의 집합표본(sample): 통계적 처리를 위하여 모집단에서 실제로 추출한 관측값이나 측정값의 집합모수(parameter): 모집단의 특성을 나타내는 수치, 모집단의 통계값통계량(statistic): 표본의 특성을 나타내는 수치, 표본의 통계값 1.3 기술통계학과 추측통계학통계학의 구성 체계: 데이터의 정리 및 요약 -> 통계량의 계산과 그래픽 구현 -> 모수 추정, 가설 검정, 적합도 검정기술통계학: 자료를 정리, 요약하는 방법을 다루는 ..

Ainslie, J., Lee-Thorp, J., de Jong, M., Zemlyanskiy, Y., Lebrón, F., & Sanghai, S. (2023). Gqa: Training generalized multi-query transformer models from multi-head checkpoints. arXiv preprint arXiv:2305.13245. (291회 인용)https://arxiv.org/abs/2305.13245 GQA: Training Generalized Multi-Query Transformer Models from Multi-Head CheckpointsMulti-query attention (MQA), which only uses a single key-val..

zsh: no matches found: 12_체스판에기사의여행(Recursive).cpp이렇게 하니까 에러가 났다. 파일명에 괄호()를 없애니 잘 실행되었다!

📍 AbstractGemma는 Gemini 모델을 만드는 데 사용된 연구 및 기술로 구축된 가벼운 sota 오픈 모델이다. Gemma는 언어 이해, 추론 및 안정성에 대한 벤치마크에서 강력한 성능을 보여주며 2B, 7B 두 가지 크기의 모델을 제공한다. 18개의 벤치마크 중 11개에서 비슷한 크기의 오픈 모델보다 뛰어난 성능을 보였다.📍 IntroductionGemma는 Gemini 모델과 유사한 아키텍처, 데이터, 훈련 방법을 사용하여 최대 6T 토큰의 텍스트에서 학습되었다. 모델의 크기는 2B, 7B가 제공되었다.7B Gemma 70억 개의 파라미터 모델GPU 및 TPU에서 효율적인 배포 및 개발을 위함2B Gemma20억 개의 파라미터 모델CPU 및 온디바이스 애플리케이션을 위함 📍 Model..

앱 개발 프로젝트 중 프로필 설정 UI를 구성해야 하는데, 유튜브에 좋은 샘플이 있어서 따라해봤다. 하지만 유튜브 영상을 보면서 했을 때 마냥 코드만 따라치게 되는 경향이 있다. 뼈대가 없으면 스스로 구현하기 어려워지므로 유튜브에서 구성한 UI의 코드를 리뷰해보고 뜯어본 다음 내 앱에 맞게 변형하는 작업까지 기록해보려 한다. 왜 이 위젯을 사용해서 왜 이렇게 레이아웃을 구성했는지 초점을 두어 분석해보려고 한다.내가 본 유튜브 영상은 아래 링크이다. 맨 아래에 전체 코드가 있다.https://www.youtube.com/watch?v=AS183vv0xxU  📍 GestureDetector 위젯GestureDetector는 사용자의 제스처(클릭, 더블클릭, 오래 누르기, 드래그 등)를 감지하는 위젯이다. ..

📍 문제링크 : https://www.acmicpc.net/problem/1914📍 알고리즘 분류 : 재귀📍 문제 풀이 : 알고리즘 시간에 배운 내용과 코드를 기반으로 하노이탑 문제를 풀었다. 옮긴 횟수를 출력하는 것 때문에 시간이 오래 걸렸다. 처음에는 재귀함수가 호출될 때마다 카운트를 해가며 구했는데, N📍 코드 :#include #include #include using namespace std;void Hanoi(int n, int a, int b, int c){ if(n>0){ Hanoi(n-1, a, c, b); cout>N; string tmp = to_string(pow(2,N)); // 결과값 double을 string으로 변환하여 저장 ..

MIT 6.5940 송한 교수님의 강의를 참고하며 pruning과 sparsity에 대해 정리해보고자 한다. 강의 영상은 아래와 같다. 이해하기 어려운 부분이 많아서 모든 슬라이드를 확실히 짚기보다는 중요한 슬라이드만 부분적으로 정리할 것이다.https://www.youtube.com/watch?v=95JFZPoHbgQ&list=PL80kAHvQbh-pT4lCkDT53zT8DKmhE0idB&index=6우리는 이 강의에서 Pruning에 대해서 학습할 것이다. Pruning(가지치기) 이란 neural network를 경량화할 때 사용하는 방법이다. 중요도가 낮은 파라미터는 제거하여 모델의 크기를 줄이고 계산의 효율성을 높인다. 위 슬라이드의 그림에서 가지치기가 된 모습을 시각적으로 이해할 수 있다. g..

MobileLLM: Optimizing Sub-billion Parameter Language Models for On-Device Use Caseshttps://arxiv.org/abs/2402.14905 MobileLLM: Optimizing Sub-billion Parameter Language Models for On-Device Use CasesThis paper addresses the growing need for efficient large language models (LLMs) on mobile devices, driven by increasing cloud costs and latency concerns. We focus on designing top-quality LLMs with ..

📍알고리즘 분류: DP 동적 프로그래밍큰 문제를 작은 문제로 나눌 수 있으며 작은 문제에서 구한 정답은 그것을 포함하는 큰 문제에서도 동일할 경우 DP를 사용한다.📍문제 풀이:처음에는 조합(Combination)을 이용한 수식으로 문제에 접근했다. 문제에서 높이는 2로 고정되어 있으므로 2xn 타일을 쪼개보면 타일을 구성할 수 있는 경우는 '2x1' 혹은 '1x2 두개를 위아래로 붙인 2x2' 뿐이다. 그래서 2x1의 모양을 A, 2x2의 모양을 B라고 하자.A는 가로를 1만큼 차지하고 B는 한번에 2만큼 차지한다. 따라서 2xn의 모양에서 n = (1 x A의개수) + (2 x B의개수)라는 수식을 세울 수 있다. A와 B의 범위는 0과 자연수이다. 따라서 A와 B의 순서쌍 조합을 구하면 이 과정에..