AI & Data
라벨의 정의와 일치도, 대안을 선택하는 기준 정리
같은 사례에 서로 다른 기준으로 라벨을 붙이면 모델의 한계와 데이터의 모호함을 구분하기 어렵다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
THE BUILDER’S NOTE
Engineering.
01 / INSIDE THE BUILD만들며 배우고, 배운 것을 나눕니다.
더 나은 제품을 향한 개발의 기록.
찾고 있던 이야기
작은 발견부터 깊이 있는 고민까지.
카테고리AI & Data
필터 초기화AI & Data
데이터 스키마를 입력 계약으로, 대안을 선택하는 기준 정리
열 이름이 같아도 타입과 단위가 바뀌면 모델은 의미가 다른 입력을 받을 수 있다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
데이터 분포 변화 관찰하기, 대안을 선택하는 기준 정리
모델 코드가 그대로여도 입력 데이터의 분포가 달라지면 결과가 달라질 수 있다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
코사인 유사도가 묻는 것, 대안을 선택하는 기준 정리
벡터 두 개가 비슷하다는 말에는 방향과 크기라는 서로 다른 기준이 섞일 수 있다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
텍스트 분류의 TF-IDF 기준선, 대안을 선택하는 기준 정리
텍스트 문제에서 복잡한 모델부터 선택하면 데이터와 평가의 기본 문제를 놓치기 쉽다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.
AI & Data
PCA를 적용하기 전의 스케일, 대안을 선택하는 기준 정리
값의 단위가 크게 다른 피처를 그대로 차원 축소하면 큰 단위의 열이 결과에 강하게 영향을 줄 수 있다. 장점과 비용을 함께 보기를 중심으로 작은 예제와 확인 기준을 정리합니다.