|
multimodal large language models: A survey. arXiv.
https://doi.org/10.48550/arXiv.2402.12451 인공지능(AI) 학습을 위해 고안된 LLM(Large Language Model; 대규모 언어 모형)과 LMM(Large Multimodal Model; 대규모 멀티모달 모형)을 비교, 설명하고, Deep Learning과의 관계에 대해
|
|
|
대규모 언어 모델(LLM, Large Language Model)의 특징과 구현 로직 2
1.1 LLM의 정의와 특징 2
1.2 LLM의 구현 로직 3
2. 대규모 멀티모달 모델(Large Multimodal Model, LMM)의 특징과 로직 4
2.1 LMM의 정의와 특징 4
2.2 LMM의 구현 로직 5
3. LLM과 LMM의 차이점 비교 6
|
|
|
1. 인공지능의 역사와 발전
인공지능(AI) 기술은 초기 단계부터 현재에 이르기까지 급격한 발전을 이루어 왔습니다. 이 기술의 진화는 주로 과학자들의 이론적 발견과 실용적 응용의 증가에 따라 진행되었습니다. 1956년 다트머스 회의에서 처
|
|
|
model on preservice teachers’ problem solving, metacognition, and motivation in an educational technology course. Educational Technology Research and Development, 60(2), 239-270.
McIlrath, D Huitt, W. (1995). The Teaching-Learning Process: A Discussion of Models, Deborah A.
Mishra, P., & Koehler, M.
|
|
|
대규모 멀티 모달모델(LMM)이라고 한다. 멀티모달은 텍스트, 이미지, 음성, 영상 등의 데이터로 훈련해 다양한 결과물을 내놓을 수 있는 모델이다. 최근 등장한 LMM은 더욱 복잡한 이미지 분석과 추론 능력을 갖췄다. AI업계에선 LMM이 LLM을 대신
|
|
 |
언어교육 활동의 내용체계 분석기준
2) 언어교육 활동의 하위내용별 생활주제 분석기준
3) 언어교육 활동의 생활주제별 언어학적 범주 분석기준
4) 언어교육 활동의 생활주제별 통합 활동 분석기준
3. 분석절차
1) 자료
|
|
|
Language development and language disorders, New York: Wiley.
Bolinger, D. (1975). Aspects of language. New York: Harcourt Brace Jovanovich.
Halliday, M. (1975). Learning how to mean. London: Edward Arnold.
International Listening Association (2007). Listening lights the way!. http://www.listen.org
|
|
|
D.C., 2005
25. "Quality/Level of Service Handbook", Florida Department of Transportation, Office of the State Transportation Planner, 2002
26. Richard G Dowling, David Reinke, Aimee Flannery. "Multimodal Level of Service Analysis for Urban Streets". TRB, American Association of State Highway and Tra
|
|
|
비교 18
그림 2.12. 지반반력 해석시의 모델링 21
그림 2.13. 연약 점토지반의 p-y 곡선 24
그림 2.14. 굳은 점토의지반의 p-y 곡선 26
그림 2.15. 사질토 지반의 p-y 곡선 27
그림 2.16. 말뚝배면 지반의 수동저항 영역 32
그림 3.1. 모형말뚝의 철근배근
|
|
|
중앙적성출판사. Ⅰ 서론
연구의 목적 및 필요성
Ⅱ Piaget와 Vygotsky의 언어 발달관
1. 유아 언어교육의 방향
1.1 자기중심적 언어(ego-centric language
1.2 사회적 언어(socialized language)
2. 유아 언어발달 이론
Ⅲ 결론
참고문헌
|
|
 |
with Human Feedback(RLHF) 방식으로 실제 사용자 피드백을 반영하는 방법이 필요하다고 생각합니다. 저는 이러한 문제에 대한 실험적 접근을 앞으로의 연구 주제로 삼고자 합니다. 2026 KT AI석사과정(LLM-sLM-멀티모달 LLM 기술개발) 자기소개서
|
|
 |
언어의 4영역을 분리하여 교수하고 있는 전통적 교수방법이 행하여지고 있습니다. 이러한 학습방법은 효율적인 영어교육의 목표를 이룩하는데 한계가 있습니다. 이와 같은 영어 교육의 현실에서 좀 더 나은 영어 교수방법으로 주제중심 모형
|
|
 |
모형 평가에는 Precision, Recall, F1-score, ROC-AUC 등을 활용하며, 최종적으로 중요 변수(feature importance)를 분석하여 기업이 실제 활용할 수 있는 인사이트를 제공할 계획입니다. 또한 모델의 해석력을 높이기 위해 SHAP 값 기반 설명 가능 AI 기법도 병
|
|
 |
모델을 fine-tuning 하여 초등 및 중등 교육과정에 맞는 학습 문제, 요약 자료, 설명 콘텐츠를 생성할 수 있도록 훈련할 계획입니다. 한국어 교육자료 데이터셋(KorQuAD, AI-Hub 교육자료 등)을 정제하고, 교육 전문가의 검토를 거쳐 생성 콘텐츠의 품
|
|
 |
설명해보세요.
21. Overfitting과 Underfitting의 차이는?
22. AI 프로젝트에서의 데이터 수집 경험은?
23. 논문 읽는 습관이 있나요?
24. 연구자로서 가장 필요한 자질은?
25. 대학원 생활에서 가장 기대되는 점은?
26. 인공지능 기술이 사회에
|
|
메뉴펼치기
