|
인공지능의 역사
3. LLM(Large Language Model; 대규모 언어 모형)
4. LMM(Large Multimodal Model; 대규모 멀티모달 모형)
5. Deep Learning과의 관계
1) 딥러닝과 LLM의 관계
2) 딥러닝과 LMM의 관계
3) 결론
6. 본인의 의견
7. 참고문헌(APA 양식에 맞추어서 작성)
|
|
|
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
4. LLM, LMM과 딥러닝의 관
|
|
|
러닝이 인공지능 연구의 중심으로 떠오르면서, 컴퓨터 비전, 자연어 처리, 게임 이론 등 다양한 분야에서 혁신적인 발전이 이루어졌습니다. 특히, 이미지와 음성 인식 분야에서의 성공은 일상 생활 속 다양한 응용 프로그램으로 연결되었습니
|
|
|
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
|
|
|
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
|
|
|
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
|
|
 |
learning and natural language processing (NLP). As AI technology advances, the applications of deep learning and NLP have expanded dramatically, impacting fields as diverse as healthcare, finance, education, and autonomous systems. Within these domains, my goal is to focus on developing advanced neu
|
|
 |
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
|
|
메뉴펼치기
