|
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
|
|
|
멀티강의 1, 2강에서 접두사가 사용된 단어를 모든 찾아 적고, 각각의 단어에 대해 접두사의 의미와 단어의 의미를 밝힌다.
3. 교재 Unit 1과 멀티강의 1, 2강에서 다음이 사용된 문장을 하나씩 찾아 적고, 문법적인 설명을 곁들인다. 가령 문제
|
|
|
인공지능의 주요 활용 사례
7. 생성형 인공지능을 위해 활용될 수 있는 정보통신 기술
1) IoT(사물인터넷)
2) 보안 기술
3) 빅데이터(Big Data)
4) 클라우드 컴퓨팅(Cloud Computing)
5) 딥러닝(Deep Learning)
8. 나의 의견
Ⅲ. 결론
참고문헌
|
|
 |
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
|
|
|
하락요인에 대한 구조모형 및 영향력 분석
(1) 신뢰성과 타당성 검토 및 구조모형 분석
(2) 투표율 하락요인에 대한 영향력 분석
2. 분석결과의 함의 및 대안모색
(1) 분석결과의 함의
(2) 투표율 제고를 위한 대안 모색
Ⅴ. 맺음말
|
|
|
설명
<표-10> 요소 A1과 A2의 비교
<표 11> 정보통신 국책연구개발사업의 최근 3년간 기술부문별 투자액(융자 제외) 및 투자배분비율
<표 12> 평가기준별 하위기준과 정의
<표 13> 평가기준별 5대 기술 부문들의 가중치 계산결과
<표 14> 각 평가기
|
|
|
모형을 개발하였다.
그에 대한 결과 및 시사점은 다음과 같다.
첫째, CART분석을 통하여 유사한 형태의 기하구조 유형을 구분한 결과 속도와 궤도형태로 인하여 소음의 크기가 구분되어지는 것으로 나타났다. 가장 소음도가 높은 구간의 기하
|
|
 |
Learning 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) 자기소개
|
|
 |
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
|
|
 |
설명 콘텐츠를 생성할 수 있도록 훈련할 계획입니다. 한국어 교육자료 데이터셋(KorQuAD, AI-Hub 교육자료 등)을 정제하고, 교육 전문가의 검토를 거쳐 생성 콘텐츠의 품질을 평가하겠습니다.
또한 Reinforcement Learning with Human Feedback(RLHF) 방식을 도
|
|
 |
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
