콘텐츠 마케터의 공부 기록

이번 글에서는 제가 LangChain을 공부하면서 알게 된 핵심 구성요소들을 정리해 보려고 합니다. 비록 아직 코드를 직접 작성한 건 아니지만, 각 단계가 코드상에서 어떻게 구현되는지는 어느 정도 감이 잡혔습니다. 1. LangChain이란 무엇일까?처음 LangChain을 접했을 때는 “GPT API 쓰는 거랑 뭐가 다르지?” 싶었습니다. LangChain은 GPT를 기반으로 한 앱(서비스)을 체계적으로 만들 수 있도록 도와주는 파이프라인 프레임워크다.즉, 문서를 읽고 → 검색하고 → 질문에 답하는 구조처럼, 여러 단계를 쉽게 연결해서 하나의 앱처럼 만들 수 있게 해줍니다.이걸 LangChain에서는 “Chain”이라는 이름으로 묶어줍니다. 2. LangChain 핵심 구성요소 복습RAG 기반 문서 Q..

최근 GPT와 같은 대형 언어 모델(LLM)의 활용이 빠르게 확산되고 있습니다. 하지만 LLM은 학습 시점 이후의 정보를 알 수 없고, 기업 내부 문서나 특정 도메인 지식도 반영되지 않는다는 단점이 있습니다. 이러한 한계를 보완하는 기술이 바로 RAG(Retrieval-Augmented Generation)입니다. 1. RAG란 무엇일까?RAG는 검색(Retrieval)과 생성(Generation)을 결합한 방식입니다.기존 LLM은 학습된 지식에만 의존해 답변을 생성하지만, RAG는 먼저 외부 문서에서 관련 정보를 검색한 뒤, 이를 기반으로 응답을 생성합니다.즉, 질문을 받았을 때 GPT가 직접 답을 ‘지어내는’ 것이 아니라, 먼저 관련 문서를 찾아보고 답하는 방식입니다.2. 왜 RAG가 필요할까?LLM..

공부를 하다보니 작은 개념부터 차근차근 알아가야할 게 많은 것 같습니다. BERT라는 단어는 정말 많이 들어봤는데 자세히 공부하기는 처음입니다! 특히 같은 Google에서 만든 BERT와 Gemini가 어떤 관계인지 헷갈렸습니다.BERT의 계보와 그 이후 발전된 흐름, 그리고 Gemini가 어떤 특징을 가진 모델인지 정리해보았습니다. 1. BERT란?BERT(Bidirectional Encoder Representations from Transformers) BERT는 이름 그대로 Transformer의 인코더 구조를 활용한 양방향 언어 모델입니다.기존 언어 모델이 문장을 한 방향(왼쪽 → 오른쪽)으로만 처리했던 것과 달리, BERT는 문장의 앞뒤를 동시에 고려하면서 단어의 의미를 파악할 수 있습니다. ..

전 글에서 LLM 기본 개념에 대해 정리하였는데 공부를 하다 보니 LLM이 어떻게 작동하는지, 그 핵심 기술인 Transformer는 어떤 구조인지 더 궁금해졌습니다.그래서 이번 글에서는 Transformer가 무엇이고, 어떤 방식으로 문장을 이해하고 처리하는지를 정리해보았습니다. 1. Transformer란?Transformer는 2017년 Google에서 발표한 논문 「Attention is All You Need」를 통해 처음 등장한 모델입니다. 이전까지 자연어처리에는 주로 RNN이나 LSTM 같은 순차적 구조가 사용되었지만, 이들은 속도가 느리고 문장 내 멀리 떨어진 단어 간의 관계를 파악하는 데 어려움이 있었습니다.Transformer는 이러한 문제를 해결하기 위해 Self-Attention이라..

* 공부한 내용을 정리하였습니다.LLM의 개념, 핵심 기술, 학습 방식 등 공부한 내용을 정리하였습니다.1. LLM(Large Language Model)이란?LLM은 Large Language Model, 즉 대규모 언어 모델을 뜻합니다.말 그대로 방대한 양의 텍스트 데이터를 학습해 인간처럼 자연스러운 언어를 이해하고 생성하는 AI 모델입니다.텍스트 기반의 질문에 답을 하거나, 문서를 요약하고 번역하거나, 심지어 코드까지 작성할 수 있는 모델들이 대부분 LLM 기반입니다.대표적인 LLM 예시• GPT 시리즈 (OpenAI)• Claude (Anthropic)• LLaMA (Meta)• Gemini (Google) 2. LLM의 핵심 기술: Transformer 구조LLM은 대부분 Transformer라..

1. 그래프로 시각화하기 1-1. seaborn의 countplot 1-2. 기본 scatter plot을 matplotlib으로 그리기 1-3. hue를 활용하여 '상권업종중분류' 별로 다른 색상을 적용하여 그리기 1-4. hue를 활용하여 구별로 다른 색상을 적용하여 그리기 1-5. hue를 활용하여 시도별로 다른 색상을 적용하여 그리기 2. folium으로 위경도와 주소 데이터를 지도에 표현하기 1. 그래프로 시각화하기 1-1. seaborn의 countplot plt.figure(figsize=(15, 4)) sns.countplot(data=df_seoul, x="시군구명") 1-2. 기본 scatter plot을 matplotlib으로 그리기 df_seoul[["경도", "위도", "시군구명"..

1. 데이터 색인하기 1-1. '==' 활용하기 1-2. 2개의 조건 사용하기 : loc 1-3. 연산자를 활용하여 조건 정하기 : &, |, shape 2. 텍스트 데이터 전처리하기 2-1. 텍스트 데이터 색인하기 : str.contains('문구') 2-2. 데이터 제거하기, 리스트 형태로 변형하기 : tolist() 1. 데이터 색인하기 1-1. '==' 활용하기 : copy() df_medical = df[df["상권업종중분류명"] == "약국/한약방"].copy() 만약 특정 값을 바꿀 때, copy를 하지 않고 바꾸면 원본 df값도 같이 바뀌기 때문에 copy를 해 df_medical이라는 변수에 넣는다. 1-2. 2개의 조건 사용하기 : loc df[df["상권업종대분류명"] == "의료"]..

1. 수치데이터 요약하기 1-1. 데이터의 기초 통계값 알아보기 1-2. 2개 이상의 column 요약하기 1-3. 특정 데이터만 요약하기 2. 문자열 데이터 요약하기 2-1. 중복 제거한 값 보기 2-2. 그룹화된 요약값 보기 1. 수치 데이터 요약하기 1-1. 데이터의 기초 통계값 알아보기 1) 평균값 (mean) df["위도"].mean() 2) 중앙값 (median) df["위도"].median() 3) 최댓값 (max) df["위도"].max() 4) 최소값 (min) df["위도"].min() 5) 개수 (count) df["위도"].count() 6) 요약값 확인 (describe) df["위도"].describe() 결과가 한 번에 나온다. - 25%는 앞에서 1/4 되는 값, 1 사분위수..

목표 : 결측치가 가장 많은 column 10개 삭제하기 순서 1. 결측치 구하기 2. 데이터 프레임 형태로 변환하여 정렬하기 3. 리스트로 만들어 삭제하기 1. 결측치 구하기 1) isnull() null_count = df.isnull().sum() null_count 결측치는 isnull()로 구할 수 있다. sum()으로 결측치의 개수를 세어 null_count에 넣어준다. 2) 시각화하기 이제 결측치를 시각화해주기 위해 plot을 사용한다. 정보가 많고, column명이 길기 때문에 세로 막대형 그래프인 barh()로 그래프를 그린다. null_count.plot.barh(figsize=(5,7)) 2. 데이터 프레임 형태로 변환하여 정렬하기 1) reset_index() df_null_coun..

안녕하세요, 빵감자입니다. 요즘 온라인 마케팅을 공부하면서 'UTM'이라는 단어를 자주 들었습니다. 이번에 확실히 공부하고, GA4에서도 사용해 보기 위해 기록하려고 합니다. 1. UTM의 정의 온라인 마케팅에서 사용하는 UTM은 Urchin Tracking Module의 약자이고, Urchin이라는 회사의 Tracking Module이라는 뜻입니다. UTM은 트래킹 코드 중 하나이고, 링크 주소 안에 링크가 게재되어 있는 위치 등 정보들을 포함하고 있어서 캠페인을 통해 발생한 트래픽을 추적합니다. 사용자가 해당 링크를 클릭하면 설정된 매개변수들이 GA와 같은 분석 툴에 정보가 전달되어, 캠페인의 내용을 상세히 확인할 수 있게 되는 것입니다. 2. UTM을 언제 사용하냐면 마케터가 온라인 프로모션을 진행..