의미: 소프트웨어의 버그 수정, 보안 패치, 작은 성능 개선 등을 나타냅니다. 이는 기능 추가나 큰 변경 없이 기존 기능을 안정화하거나 문제를 해결하기 위해 사용됩니다.예시: 버전 번호에서 세 번째 숫자(예: 2.1.3에서 3)가 증가하는 경우가 패치 업데이트를 나타냅니다.
전체 글
모든건 나의 마음으로부터 나오는 것임을...의미: 비교적 작은 기능 추가나 수정사항, 버그 수정 등을 나타냅니다. 이는 주로 기존 기능의 개선이나 작은 문제 해결에 해당합니다.예시: 버전 번호에서 두 번째 숫자(예: 2.1.0에서 1)가 증가하는 경우가 마이너 업데이트를 나타냅니다.
의미: 소프트웨어의 중요한 업데이트나 변화를 나타냅니다. 이는 주로 새로운 기능의 추가, 큰 규모의 변경, 또는 호환성에 영향을 미칠 수 있는 수정사항을 포함합니다.예시: 버전 번호에서 첫 번째 숫자(예: 2.0.0에서 2)가 증가하는 경우가 메이저 업데이트를 나타냅니다.
회사가 상업용 소프트웨어 따위를 정식으로 발표하기 전에, 오류가 있는지를 발견하기 위해 특정의 사용자들에게 배포하는 시험용 제품
품 출시 전에 개발자들이 내부 테스트와 오류 수정을 수행하기 위하여 사용하는 제품
JSON 형식의 문자열이 아니기 때문에 에러가 발생let user = "{'name':'kildong', 'age':30}";const uJson = JSON.parse(user); // error 발생//해결 방법let user = '{"name:"kildong","age":30}';const uJson = JSON.parse(user);
# 함수 정의def add(a, b): result = a + b return result# 함수 호출sum = add(3, 5)print("합계:", sum) # 출력: 합계: 8
가능한 한 빨리 해달라는 의미
text = 'abcd'text.isalpha() >>> True
"FYI"는 "For Your Information"의 약어로, 정보 전달 시 상대방이 그것을 알아두면 좋을 것이라는 뜻입니다. 이는 일반적으로 이메일이나 문서에서 주목해야 할 정보를 전달할 때 사용됩니다.
1. 키워드 사용 불가2. 숫자로 시작 할 수 없다3. 공백을 포함 할 수 없다.4. 특수문자 _만 허용
Error :SyntaxError: Non-ASCII character '\xed' in file t.py on line 4, but no encoding declared; see http://python.org/dev/peps/pep-0263/ for details코드 상단에 아래와 같이 작성문자 인코딩이 utf-8# -*- coding: utf-8 -*-문자 인코딩이 euc-kr# -*- coding: euc-kr -*-예시# -*- coding: utf-8 -*-import json# JSON 파일 경로file_path = "data_test.json"
import datetimecurrent_time = datetime.datetime.now()print("Current time:", current_time)
# 두 수를 더하는 간단한 람다 함수add = lambda x, y: x + yprint(add(5, 3)) # 출력: 8# 리스트의 각 요소에 2를 곱하는 람다 함수를 map 함수와 함께 사용하는 예제numbers = [1, 2, 3, 4, 5]doubled_numbers = list(map(lambda x: x * 2, numbers))print(doubled_numbers) # 출력: [2, 4, 6, 8, 10]# 람다 함수를 정렬 기준으로 사용하는 예제points = [(1, 2), (3, 1), (5, 3), (4, 0)]points.sort(key=lambda x: x[1]) # 두 번째 요소를 기준으로 정렬print(points) # 출력: [(4, 0), (3, 1), (1, 2)..
어떤 특정한 기능을 해결하는 데 쓸 수 있도록 미리 만들어 놓은 코드 및 데이터의 모음. 한 라이브러리나 프레임워크에서 여러 개의 플러그인을 제공
def snake_to_camel(snake_case): components = snake_case.split('_') camel_case = components[0] + ''.join(x.title() for x in components[1:]) return camel_case# 사용 예시snake_case = "my_variable_name"camel_case = snake_to_camel(snake_case)print(camel_case) # result : myVariableName
# 입력한 숫자가 양수인지 음수인지를 판별하는 예제num = int(input("숫자를 입력하세요: "))if num > 0: print("입력한 숫자는 양수입니다.")elif num
# 1부터 5까지의 숫자를 출력하는 예제num = 1while num
# 리스트의 각 요소에 대해 반복하여 출력하는 예제fruits = ["사과", "바나나", "딸기"]for fruit in fruits: print(fruit)
def to_snake_case(text): result = ''.join(['_' + c.lower() if c.isupper() else c for c in text]).lstrip('_') return resultoriginal_text = "getTimeStamp"snake_case_text = to_snake_case(original_text)print(snake_case_text) # result : get_time_stamp
자료형숫자형 (int, float, complex)문자열 (str)리스트 (list)튜플 (tuple)집합 (set)사전 (dictionary)숫자형# 두 숫자를 더한 결과 출력num1 = 10num2 = 20result = num1 + num2print("두 숫자의 합:", result)문자열# 문자열 합치기str1 = "Hello"str2 = "World"result = str1 + " " + str2print(result)리스트# 리스트 순회하며 합계 계산numbers = [1, 2, 3, 4, 5]total = 0for num in numbers: total += numprint("리스트의 합계:", total)튜플# 튜플 순회하며 값 출력tup = (1, 2, 3, 4, 5)for valu..
try: # 예외가 발생할 수 있는 코드 result = 10 / 0 # 예외를 발생시킵니다.except Exception as e: # 모든 예외를 처리하는 예외 처리 print("예외가 발생했습니다:", e)
메타데이터는 다른 데이터를 설명하는 데이터입니다. 즉, 메타데이터는 다른 데이터의 특성, 구조, 관계 등에 대한 정보를 제공합니다. 예를 들어, 사진 파일의 메타데이터에는 촬영 일자, 카메라 모델, 해상도 등의 정보가 포함될 수 있습니다. 문서의 경우, 메타데이터는 작성자, 제목, 작성일 등의 정보를 포함할 수 있습니다. 메타데이터는 데이터를 분류, 관리, 검색하는 데 도움이 되며, 정보를 이해하고 활용하는 데 중요한 역할을 합니다.
한번의 로그인으로 N개의 다른 사이트들도 로그인 없이 자동으로 접속하는 방법
LLM에서는 Text를 토큰이라는 최소 단위로 분할하여 처리 Tokenizer: 토큰으로 분할하는 프로그램
import json # 주어진 리스트 data = [ {"name": "콜라", "price": 26}, {"name": "김밥", "price": 27}, {"name": "사이다", "price": 28} ] # 각 객체를 JSON 문자열로 변환하고 합치기 json_string = '{' + ', '.join(json.dumps(obj, ensure_ascii=False) for obj in data) + "}" # 결과 출력 print(json_string) #결과 {{"name": "콜라", "price": 26}, {"name": "김밥", "price": 27}, {"name": "사이다", "price": 28}}
랭체인(LangChain) : 언어 모델을 기반으로 한 애플리케이션을 개발하기 위한 프레임워크이며 언어 모델을 API를 통해 호출하는 것 뿐만 아니라 외부 데이터를 인식하거나 타 시스템과의 상호작용하는 애플리케이션을 개발하고자 하는 요구 사항에서 시작된 오픈소스 - LLM: 생성 모델의 핵심 구성 요소 -ex) GPT-3.5, LLAMA, StableVicuna 등등 - Prompt: LLM에 지시하는 명령문 - Index: LLM이 문서를 쉽게 탐색할 수 있도록 구조화하는 모듈 - ex) Document Loaders, Text Splitter, Vector stores, Retrievers - Memory: 채팅 이력을 기억하고, 그 중 유용한 정보를 Agent에 저장하여 다음 대화, 작업을 결정하는..
- LLM을 학습시키는데 시간과 비용이 많이 필요 - Zero-shot : 충분히 학습되어있는 모델에게 맥락을 주지 않고 결과 도출 - Few-shot : 몇 개의 맥락을 주고 결과 도출
LLM에서 허구의 내용, 부정확한 내용을 제시하는 현상 이러한 현상은 참조할 정보가 없거나 부정확한 정보를 보유 했을 때 발생
텍스트 분류, 질문 답변, 문서 요약 및 텍스트 생성과 같은 공통 언어 문제 해결을 위해 모델 학습
728x90
반응형