๊ด€๋ฆฌ ๋ฉ”๋‰ด

๋ชฉ๋ก์ „์ฒด ๊ธ€ (43)

hyerong's Dev_world๐ŸŽก

[Data Science] Random Forest ๐ŸŒณ

๋žœ๋ค ํฌ๋ ˆ์ŠคํŠธ๋Š” ์—ฌ๋Ÿฌ ๊ฒฐ์ • ํŠธ๋ฆฌ๋ฅผ ๊ฒฐํ•ฉํ•˜์—ฌ ๋” ์ •ํ™•ํ•œ ์˜ˆ์ธก์„ ๋งŒ๋“ค์–ด๋‚ด๋Š” ์•™์ƒ๋ธ” ํ•™์Šต ๊ธฐ๋ฒ•์ด๋‹ค.   1. ๋žœ๋ค ํฌ๋ ˆ์ŠคํŠธ์˜ ์šฉ๋„์™€ ์ค‘์š”์„ฑ  ์˜์‚ฌ๊ฒฐ์ • ํŠธ๋ฆฌ๋Š” ๋จธ์‹ ๋Ÿฌ๋‹์˜ ์‹œ์ž‘์ ์œผ๋กœ ์ ํ•ฉํ•˜์ง€๋งŒ, ์ƒˆ๋กœ์šด ๋ฐ์ดํ„ฐ์— ๋Œ€ํ•œ ์˜ˆ์ธก์—์„œ ์ผ๊ด€์„ฑ์ด ๋–จ์–ด์ง€๋Š” ๋ฌธ์ œ๊ฐ€ ์žˆ๋‹ค. ๋žœ๋ค ํฌ๋ ˆ์ŠคํŠธ๋Š” ์—ฌ๋Ÿฌ ๊ฐœ์˜ ๊ฒฐ์ • ํŠธ๋ฆฌ๋ฅผ ๊ฒฐํ•ฉํ•˜์—ฌ ์ด๋Ÿฌํ•œ ๋ฌธ์ œ๋ฅผ ํ•ด๊ฒฐํ•˜๋ฉฐ, ์˜ˆ์ธก์˜ ์ •ํ™•์„ฑ์„ ํ–ฅ์ƒ์‹œํ‚จ๋‹ค.์ด ๋ฐฉ๋ฒ•์€ ํšจ๊ณผ์ ์ด๊ณ  ์‹ค์šฉ์ ์ด๊ธฐ ๋•Œ๋ฌธ์— ๋งŽ์€ ๋ฐ์ดํ„ฐ ๊ณผํ•™์ž๋“ค์—๊ฒŒ ์ธ๊ธฐ๊ฐ€ ๋†’๋‹ค. ๋”ฐ๋ผ์„œ ๋žœ๋ค ํฌ๋ ˆ์ŠคํŠธ๋Š” ๋จธ์‹ ๋Ÿฌ๋‹์—์„œ ์‹ ๋ขฐํ•  ์ˆ˜ ์žˆ๋Š” ๋„๊ตฌ๋กœ ์ž๋ฆฌ์žก๊ณ  ์žˆ๋‹ค. 2. ๋žœ๋ค ํฌ๋ ˆ์ŠคํŠธ์˜ ์ •์˜์™€ ์ž‘๋™ ์›๋ฆฌ  ๋žœ๋ค ํฌ๋ ˆ์ŠคํŠธ๋Š” ์—ฌ๋Ÿฌ ๊ฐœ์˜ ๊ฒฐ์ • ํŠธ๋ฆฌ๋ฅผ ๊ฒฐํ•ฉํ•˜์—ฌ ๋งŒ๋“  ์•™์ƒ๋ธ” ๊ธฐ๊ณ„ ํ•™์Šต(๋จธ์‹ ๋Ÿฌ๋‹) ๋ชจ๋ธ์ด๋‹ค. ๊ฐ ํŠธ๋ฆฌ๋Š” ๋ฐ์ดํ„ฐ์˜ ๋žœ๋ค ์ƒ˜ํ”Œ(๋ถ€ํŠธ์ŠคํŠธ๋žฉ ์ƒ˜ํ”Œ๋ง)์— ๋Œ€ํ•ด ํ›ˆ๋ จ๋˜๋ฉฐ, ๋ถ„ํ•  ์‹œ..

MS - DeepSpeed๋ž€ ๋ฌด์—‡์ธ๊ฐ€

๋”ฅ์Šคํ”ผ๋“œ(DeepSpeed)๋Š” ๋งˆ์ดํฌ๋กœ์†Œํ”„ํŠธ์—์„œ ๋ฐœํ‘œํ•œ ๋”ฅ๋Ÿฌ๋‹์„ ์œ„ํ•œ ๋ผ์ด๋ธŒ๋Ÿฌ๋ฆฌ๋‹ค. ์˜คํ”ผ์…œ ๊ฐœ๋ฐœ ๊นƒํ—ˆ๋ธŒ์—์„œ๋Š” ํ•œ๋ฒˆ์˜ ํด๋ฆญ์œผ๋กœ ์ฑ—์ง€ํ”ผํ‹ฐ์™€ ์œ ์‚ฌํ•œ ๋ชจ๋ธ ๊ต์œก์„ ์ง€์›ํ•ด ๋ชจ๋“  ๊ทœ๋ชจ์—์„œ ํฐ ๋น„์šฉ ์ ˆ๊ฐ์œผ๋กœ SOTA RLHF ์‹œ์Šคํ…œ๋ณด๋‹ค 15๋ฐฐ ๋น ๋ฅธ ์†๋„๋ฅผ ์ œ๊ณตํ•œ๋‹ค๊ณ  ๋งํ•œ๋‹ค. gpu ๋ฉ”๋ชจ๋ฆฌ์™€ ์—ฐ์‚ฐ ์ž์›์„ ํšจ์œจ์ ์œผ๋กœ ์‚ฌ์šฉํ•˜๋ฉด์„œ ํฐ ์–ธ์–ด๋ชจ๋ธ ํ›ˆ๋ จ๊ณผ ๋ฐฐํฌ์— ์šฉ์ดํ•˜๋‹ค! DeepSpeed๋Š” ๋ชจ๋ธ ๋ณ‘๋ ฌํ™”, ํ˜ผํ•ฉ ์ •๋ฐ€๋„ ํ›ˆ๋ จ, ZeRO(Zero Redundancy Optimizer) ๊ธฐ์ˆ ์„ ์ œ๊ณตํ•˜์—ฌ ๋ฉ”๋ชจ๋ฆฌ ์‚ฌ์šฉ๋Ÿ‰์„ ์ค„์ด๊ณ  ํ›ˆ๋ จ ์†๋„๋ฅผ ๋†’์ธ๋‹ค๊ณ  ํ•œ๋‹ค. ์†๋„๋ฅผ ๋†’์ด๋Š” ๋ฐฉ๋ฒ• ํ•˜๋‚˜ํ•˜๋‚˜์— ๋Œ€ํ•ด ์ข€ ๋” ์ž์„ธํžˆ ์•Œ์•„๋ณด์ž. ZeRO ์ตœ์ ํ™”:๋ชจ๋ธ ํŒŒ๋ผ๋ฏธํ„ฐ, ์˜ตํ‹ฐ๋งˆ์ด์ € ์ƒํƒœ, ๊ทธ๋ž˜๋””์–ธํŠธ๋ฅผ ๋ถ„์‚ฐํ•˜์—ฌ GPU ๋ฉ”๋ชจ๋ฆฌ ์‚ฌ์šฉ์„ ์ตœ์†Œํ™”ํ•˜๊ณ  ํฐ ๋ชจ๋ธ์„ ํ›ˆ๋ จํ•  ..

AI 2024. 11. 11. 01:09
[ํ•œ๊ตญ์–ด ์ž„๋ฒ ๋”ฉ_์ด๊ธฐ์ฐฝ] 1์žฅ ์„œ๋ก  (2)

1์žฅ์„ ์ฝ์œผ๋ฉฐ ํŠน๋ณ„ํžˆ ๊ธฐ์–ตํ•ด์•ผ๊ฒ ๋‹ค๋Š” ๋‚ด์šฉ ์ค‘ ์ผ๋ถ€๋งŒ ์ •๋ฆฌํ•ด๋ณด์•˜๋‹ค. 1์žฅ์—์„œ๋Š” ์ž„๋ฒ ๋”ฉ์˜ ๊ฐœ๋…๊ณผ ์ข…๋ฅ˜, ์—ญ์‚ฌ์— ๋Œ€ํ•ด ์‚ดํŽด๋ณด์•˜๋‹ค. ๊ธฐ๊ณ„์˜ ์ž์—ฐ์–ด ์ดํ•ด์™€ ์ƒ์„ฑ์€ ์—ฐ์‚ฐ์ด๋‚˜ ์ฒ˜๋ฆฌ์˜ ์˜์—ญ์ด๋‹ค. ์ž์—ฐ์–ด ์ฒ˜๋ฆฌ ๋ถ„์•ผ์—์„œ ์ž„๋ฒ ๋”ฉ์ด๋ž€ ์‚ฌ๋žŒ์ด ์“ฐ๋Š” ์ž์—ฐ์–ด๋ฅผ ๊ธฐ๊ณ„๊ฐ€ ์ดํ•ดํ•  ์ˆ˜ ์žˆ๋Š” ์ˆซ์ž์˜ ๋‚˜์—ด์ธ ๋ฒกํ„ฐ๋กœ ๋ฐ”๊พผ ๊ฒฐ๊ณผ ํ˜น์€ ๊ทธ ์ผ๋ จ์˜ ๊ณผ์ • ์ „์ฒด๋ฅผ ์˜๋ฏธํ•œ๋‹ค. ๋‹จ์–ด๋‚˜ ๋ฌธ์žฅ ๊ฐ๊ฐ์„ ๋ฒกํ„ฐ๋กœ ๋ณ€ํ™˜ํ•ด ๋ฒกํ„ฐ ๊ณต๊ฐ„์œผ๋กœ ๋ผ์›Œ ๋„ฃ๋Š”๋‹ค ๋ผ๋Š” ์˜๋ฏธ์—์„œ ์ž„๋ฒ ๋”ฉ์ด๋ผ๋Š” ์ด๋ฆ„์ด ๋ถ™์—ˆ๋‹ค. ์ž„๋ฒ ๋”ฉ์€ ๋‹ค์Œ๊ณผ ๊ฐ™์€ ์—ญํ• ์„ ์ˆ˜ํ–‰ํ•œ๋‹ค๊ณ  ์ƒ๊ฐํ•  ์ˆ˜ ์žˆ๋‹ค. 1, ๋‹จ์–ด/๋ฌธ์žฅ ๊ฐ„์˜ ๊ด€๋ จ๋„ ๊ณ„์‚ฐ 2. ์˜๋ฏธ์ /๋ฌธ๋ฒ•์  ์ •๋ณด ํ•จ์ถ• 3. ์ „์ด ํ•™์Šต ์ž„๋ฒ ๋”ฉ์€ ๋ฒกํ„ฐ์ธ ๋งŒํผ ์‚ฌ์น™์—ฐ์‚ฐ์ด ๊ฐ€๋Šฅํ•˜๋‹ค. ๋‹จ์–ด ๋ฒกํ„ฐ ๊ฐ„ ๋ง์…ˆ/๋บ„์…ˆ์„ ํ†ตํ•ด ๋‹จ์–ด๋“ค ์‚ฌ์ด์˜ ์˜๋ฏธ์ , ๋ฌธ๋ฒ•์  ๊ด€๊ณ„๋ฅผ ๋„์ถœํ•ด๋‚ผ ์ˆ˜ ์žˆ๋‹ค. ๋”ฅ๋Ÿฌ๋‹ ๋ชจ..

[ํ•œ๊ตญ์–ด ์ž„๋ฒ ๋”ฉ_์ด๊ธฐ์ฐฝ] (1)

๊ฐ ์ฑ•ํ„ฐ๋ณ„ ๋‚ด์šฉ ํ•œ๋ˆˆ์— ์‚ดํŽด๋ณด๊ธฐ 1์žฅ ์„œ๋ก  - ์ž„๋ฒ ๋”ฉ์˜ ์ •์˜, ์—ญ์‚ฌ์™€ ์ข…๋ฅ˜๋“ฑ์„ ์‚ดํ”ผ๋ฉฐ ๋„์ปค์™€ ๊ฐ™์€ ๊ฐœ๋ฐœํ™˜๊ฒฝ์„ ๊ตฌ์„ฑํ•˜๋Š” ๊ณผ์ • ์„ค๋ช… 2์žฅ ๋ฒกํ„ฐ๊ฐ€ ์–ด๋–ป๊ฒŒ ์˜๋ฏธ๋ฅผ ๊ฐ€์ง€๊ฒŒ ๋˜๋Š”๊ฐ€ - ์ž์—ฐ์–ด์˜ ์˜๋ฏธ๋ฅผ ์ž„๋ฒ ๋”ฉ์— ์–ด๋–ป๊ฒŒ ํ•จ์ถ•์‹œํ‚ฌ์ˆ˜์žˆ๋Š”์ง€, - ๊ฐ ์ž„๋ฒ ๋”ฉ ๊ธฐ๋ฒ•๋“ค์€ ํฌ๊ณ  ์ž‘์€ ์ฐจ์ด๊ฐ€ ์žˆ์ง€๋งŒ ๋ง๋ญ‰์น˜;corpus์˜ ํ†ต๊ณ„์  ํŒจํ„ด ์ •๋ณด;statistical pattern๋ฅผ ๋ฐ˜์˜ํ•œ๋‹ค๋Š” ์ ์—์„œ ๊ณตํ†ต์ ์ด๋‹ค. 3์žฅ ํ•œ๊ตญ์–ด ์ „์ฒ˜๋ฆฌ - ์ž„๋ฒ ๋”ฉ ํ•™์Šต์„ ์œ„ํ•œ ํ•œ๊ตญ์–ด ๋ฐ์ดํ„ฐ์˜ ์ „์ฒ˜๋ฆฌ ๊ณผ์ • - ์›น ๋ฌธ์„œ/json ํŒŒ์ผ ๊ฐ™์€ ํ˜•ํƒœ์˜ ๋ฐ์ดํ„ฐ๋ฅผ ์ˆœ์ˆ˜ ํ…์ŠคํŠธ ํŒŒ์ผ๋กœ ๋ฐ”๊พธ๋ฉฐ ์—ฌ๊ธฐ์— ํ˜•ํƒœ์†Œ ๋ถ„์„+๋„์–ด์“ฐ๊ธฐ ๊ต์ •์„ ์‹ค์‹œํ•˜๋Š” ๋ฐฉ๋ฒ• ์„ค๋ช… 4์žฅ ๋‹จ์–ด ์ˆ˜์ค€ ์ž„๋ฒ ๋”ฉ - ๋‹ค์–‘ํ•œ ๋‹จ์–ด ์ˆ˜์ค€ ์ž„๋ฒ ๋”ฉ ๋ชจ๋ธ์„ ์„ค๋ช… - NPLM, Word2Vec, FastText ๋“ฑ์€ ์˜ˆ์ธก๊ธฐ๋ฐ˜ ๋ชจ๋ธ..

[boostcourse][์ž์—ฐ์–ด ์ฒ˜๋ฆฌ์˜ ๋ชจ๋“ ๊ฒƒ] ๊ธฐ์กด์˜ ์ž์—ฐ์–ด ์ฒ˜๋ฆฌ ๊ธฐ๋ฒ•

์ฑ•ํ„ฐ 1์˜ 2๊ฐ• : ๊ธฐ์กด ์ž์—ฐ์–ด ์ฒ˜๋ฆฌ ๊ธฐ๋ฒ• ์†Œ๊ฐœ ํ•ต์‹ฌ ๋‹จ์–ด : BOW, ์›ํ•ซ ๋ฒกํ„ฐ, ๋‚˜์ด๋ธŒ ๋ฒ ์ด์ฆˆ ๋ถ„๋ฅ˜๊ธฐ, ๋ฌธ์žฅ ๋ถ„๋ฅ˜ Bag-Of-Words (๋‹จ์–ด ๊ฐ€๋ฐฉ ๋ชจํ˜•) ๋‹จ์–ด ์ˆœ์„œ ๊ณ ๋ ค X, ๊ฐ ๋‹จ์–ด๋“ค์˜ ์ถœํ˜„ ๋นˆ๋„(frequency)์—๋งŒ ์ง‘์ค‘ํ•˜๋Š” ๋ฌธ์žํ˜• ๋ฐ์ดํ„ฐ์˜ ์ˆ˜์น˜ํ™” ํ‘œํ˜„ ๋ฐฉ๋ฒ• ๋‹จ์–ด๋ฅผ ๋ฒกํ„ฐ๋กœ ํ‘œํ˜„ํ•˜๊ธฐ ์œ„ํ•ด์„œ๋Š” ์ฃผ์–ด์ง„ ๋ฌธ์žฅ์— ์“ฐ์ธ ๋‹จ์–ด๋“ค์„ ์‚ฌ์ „(Vocabulary(key-value) ํ˜•ํƒœ๋กœ ์ €์žฅ(์ค‘๋ณต ํ—ˆ์šฉ X) ์ €์žฅ๋œ ๋‹จ์–ด๋“ค์€ ๊ฐ๊ฐ ์œ ๋‹ˆํฌํ•œ ์นดํ…Œ๊ณ ๋ฆฌ ๋ณ€์ˆ˜(Categorical variable)์ด๋ฏ€๋กœ, ์›-ํ•ซ ์ธ์ฝ”๋”ฉ(One-hot Encoding)๋ฅผ ์ด์šฉํ•ด ๋ฒกํ„ฐ๋กœ ํ‘œํ˜„ํ•  ์ˆ˜ ์žˆ๊ณ  -> ๊ฒฐ๊ตญ ์ฃผ์–ด์ง„ ๋ฌธ์žฅ์„ ์›-ํ•ซ ๋ฒกํ„ฐ์˜ ํ•ฉ, ์ฆ‰ ์ˆซ์ž๋กœ ํ‘œํ˜„(numericalํ•˜๊ฒŒ) ๊ฐ€๋Šฅ ๋ฌธ์žฅ์„ ๊ตฌ์„ฑํ•˜๊ณ  ์žˆ๋Š” ๋‹จ์–ด๋“ค์„ ๊ฐ€๋ฐฉ์— ์ˆœ์ฐจ์ ์œผ๋กœ..

[boostcourse][์ž์—ฐ์–ด ์ฒ˜๋ฆฌ์˜ ๋ชจ๋“ ๊ฒƒ] ์ž์—ฐ์–ด ์ฒ˜๋ฆฌ ํ™œ์šฉ ๋ถ„์•ผ์™€ ํŠธ๋ Œ๋“œ

boostcourse๋ฅผ ํ†ตํ•ด KAIST ์ฃผ์žฌ๊ฑธ ๊ต์ˆ˜๋‹˜์˜ "์ž์—ฐ์–ด ์ฒ˜๋ฆฌ์˜ ๋ชจ๋“  ๊ฒƒ" ๊ฐ•์˜๋ฅผ ๋“ฃ๊ฒŒ ๋˜์—ˆ๋‹ค. ์š”์ฆ˜ ์—ฐ๊ตฌ์‹ค์—์„œ ๊ณต๋ถ€ํ•˜๊ฒŒ ๋œ ๋ถ„์•ผ๊ฐ€ ์–ธ์–ด๋ชจ๋ธ์ธ๋ฐ, ์–ธ์–ด๋ชจ๋ธ์— ๋“ค์–ด๊ฐ€๊ธฐ์— ์•ž์„œ์„œ ๋”ฅ๋Ÿฌ๋‹๊ณผ ์ž์—ฐ์–ด ์ฒ˜๋ฆฌ ๊ณต๋ถ€๋ฅผ ์‹œ์ž‘ํ•ด์•ผํ•ด์„œ ๋ฌด๋ฃŒ ๊ฐ•์˜๋ฅผ ์„œ์น˜ํ•˜๋‹ค๊ฐ€ ์•Œ๊ฒŒ ๋˜์—ˆ๋‹ค. ์ฒซ๋ฒˆ์งธ ๊ฐ•์˜๋Š” "์ž์—ฐ์–ด ์ฒ˜๋ฆฌ ํ™œ์šฉ ๋ถ„์•ผ์™€ ํŠธ๋ Œ๋“œ"์˜€๋Š”๋ฐ, ์ž์—ฐ์–ด ์ฒ˜๋ฆฌ๊ฐ€ ๋ฌด์—‡์ธ์ง€๋ฟ ์•„๋‹ˆ๋ผ ๊ธฐ์ˆ ์ด ํ™œ์šฉ๋˜๋Š” ๋ถ„์•ผ์™€ ๊ด€๋ จ ํ•™ํšŒ๊นŒ์ง€ ์•Œ์•„๋ณด๋‹ˆ ์•ž์œผ๋กœ์ด ํ•™์Šต์— ํฐ ๋™๊ธฐ๋ถ€์—ฌ๊ฐ€ ๋˜์—ˆ๋‹ค. ํŠนํžˆ ํ…์ŠคํŠธ ๋งˆ์ด๋‹ ๊ธฐ์ˆ ์—์„œ computational social science(๋น…๋ฐ์ดํ„ฐ ๋ถ„์„ ๊ธฐ๋ฐ˜ ์‚ฌํšŒ๊ณผํ•™)๊ฐ€ ๋‚˜์™€ ์ •๋ง ์ž˜ ๋งž์„ ๊ฒƒ ๊ฐ™๋‹ค๋Š” ์ƒ๊ฐ์ด ๋“ค์–ด ์•ž์œผ๋กœ์˜ ๊ณต๋ถ€ํ•  ๋ถ„์•ผ์— ๋Œ€ํ•œ ๊ธฐ๋Œ€๊ฐ€ ํฌ๋‹ค. ๊ฐ•์˜ ํ”ผํ”ผํ‹ฐ๋Š” ๊ตฌํ•  ์ˆ˜ ์—†์ง€๋งŒ, ์š”์•ฝ๋œ ๋‚ด์šฉ์ด ํ•จ๊ป˜ ๊ณต์œ ๋˜์–ด ๋ณต์Šตํ•  ๋•Œ ์ฐธ๊ณ ํ•ด..

[pytorch zero to all ๊ฐ•์˜ ๋‚ด์šฉ ์ •๋ฆฌ] 2๊ฐ• Linear Model - ์„ ํ˜• ๋ชจ๋ธ

์บก์Šคํ†ค ์ฃผ์ œ๊ฐ€ LLM์„ ์ด์šฉํ•œ ๊ฒ€์ƒ‰ ์—”์ง„ ์ œ์ž‘์œผ๋กœ ์ขํ˜€์ง€๋ฉด์„œ ํŒŒ์ดํ† ์น˜ ์Šคํ„ฐ๋””๋ฅผ ๊ฒจ์šธ๋ฐฉํ•™๋™์•ˆ ์‹œ์ž‘ํ–ˆ์Šต๋‹ˆ๋‹ค. ๊ต์ˆ˜๋‹˜๊ป˜์„œ ๊ณต์œ ํ•ด์ฃผ์‹  pytorch zero to all ๊ฐ•์˜๋ฅผ ์ˆ˜๊ฐ•ํ•˜๋ฉด์„œ ์ •๋ฆฌํ•œ ๋‚ด์šฉ์„ ๊ณต์œ ํ•˜๊ณ ์ž ํ•ฉ๋‹ˆ๋‹ค. ์ˆ˜ํ•™์ ์ธ ๋‚ด์šฉ๊ณผ ์›๋ฆฌ์— ๋Œ€ํ•ด์„œ๋Š” ๊ฐ„๋‹จํžˆ ์ •๋ฆฌํ•˜๊ณ  ๊ฐ•์˜์˜ ์ˆฒ์„ ๋ณด๋Š” ์ฃผ์ œ์œ„์ฃผ๋กœ ์ •๋ฆฌํ•œ ๋ถ€๋ถ„์ด๋‹ˆ ์ €์ฒ˜๋Ÿผ ํŒŒ์ดํ† ์น˜์— ์ œ๋กœ๋ฒ ์ด์Šค์˜€๋˜ ๋ถ„๋“ค๊ป˜์„œ๋Š” ํ•œ๋ฒˆ ์ฝ๊ณ  ํŒŒ์ดํ† ์น˜ ์Šคํ„ฐ๋””๋ฅผ ์‹œ์ž‘ํ•˜์‹œ๋Š”๊ฒŒ ๋„์›€์ด ๋  ๊ฒƒ ๊ฐ™์Šต๋‹ˆ๋‹ค. 13๊ฐ•๊นŒ์ง€ ๋‚ด์šฉ์„ ์ „๋ถ€ ์˜ฌ๋ฆฌ๊ณ  ์ดํ›„ ์ถ”๊ฐ€์ ์ธ ์Šคํ„ฐ๋””๋ฅผ ์ง„ํ–‰ํ• ๋•Œ๋งˆ๋‹ค ์‹œ๊ฐ„์„ ๋‚ด์–ด ๊ณต๋ถ€ ๋‚ด์šฉ์„ ์ •๋ฆฌํ•˜๊ณ ์ž ํ•ฉ๋‹ˆ๋‹ค. ๊ฐ•์˜ ๋ชฉํ‘œ : ํŒŒ์ดํ† ์น˜์˜ ์„ ํ˜• ๋ชจ๋ธ ๊ฐœ๋…์„ ์ด์•ผ๊ธฐํ•˜๊ณ  ์ง€๋„ ๋จธ์‹ ๋Ÿฌ๋‹์—์„œ ์„ ํ˜• ๋ชจ๋ธ์ด ์‚ฌ์šฉ๋˜๋Š” ๋ฐฉ๋ฒ•๊ณผ ๋ชจ๋ธํ•™์Šต ๋ฐ ํ‰๊ฐ€ ๊ณผ์ •์„ ์„ค๋ช…ํ•œ๋‹ค. ๋˜ํ•œ ์†์‹ค ๊ณ„์‚ฐ๊ณผ ํ‰๊ท ์ œ๊ณฑ์˜ค์ฐจ(MSE)๋ฅผ ์‚ฌ์šฉํ•˜์—ฌ..

[๋„คํŠธ์›Œํฌ] #02. ๋„คํŠธ์›Œํฌ ๋ถ„๋ฅ˜

์ง€๋‚œ ์‹œ๊ฐ„-๋„คํŠธ์›Œํฌ ๊ธฐ์ดˆ์—์„œ ๋ชป ๋‹คํ•œ ์ด์•ผ๊ธฐ๋กœ ๋„คํŠธ์›Œํฌ ๋ถ„๋ฅ˜๊ฐ€ ์žˆ๋‹ค. ๋ง ๊ทธ๋Œ€๋กœ, ๋„คํŠธ์›Œํฌ๋ฅผ ์–ด๋–ป๊ฒŒ ๋ถ„๋ฅ˜ํ•˜๋Š”์ง€์— ๋Œ€ํ•œ ์„ค๋ช…์ด๋‹ค. 1) ๋„คํŠธ์›Œํฌ ๋ถ„๋ฅ˜ ํฌ๊ธฐ, ์†Œ์œ ๊ถŒ, ๊ตฌ์กฐ ๋“ฑ์— ์˜ํ•ด ๋ถ„๋ฅ˜ WAN, MAN, LAN ์œผ๋กœ ๋ถ„๋ฅ˜ ์ด๊ฒƒ์€ ๋„คํŠธ์›Œํฌ ๊ทœ๋ชจ๋กœ ๋ถ„๋ฅ˜ํ•˜๋Š” ๊ฒƒ์ด๋‹ค. LAN : Loacl Area Network, ๊ฐ€์žฅ ์ž‘์€ ๊ทœ๋ชจ MAN : Metropolitan Area Network, ๋„์‹œ ์ •๋„ ๊ทœ๋ชจ WAN : Wide Area Network, ๊ฐ€์žฅ ํฐ ๊ทœ๋ชจ๋กœ ์ง€์—ญ์ ์œผ๋กœ ๋„“์€ ๋ฒ”์œ„์—์„œ ๋ฐ์ดํ„ฐ ์ „์†กํ•˜๊ธฐ ์œ„ํ•ด ๊ตฌ์„ฑ๋œ๋‹ค. ์—ฌ๋Ÿฌ ๋„คํŠธ์›Œํฌ๊ฐ€ ์—ฐ๊ฒฐ๋˜๋Š” ๊ฒฝ์šฐ๋ฅผ ์ธํ„ฐ๋„ท์ด๋ผ๊ณ  ํ•œ๋‹ค. ์šฐ๋ฆฌ๊ฐ€ ์™€์ดํŒŒ์ด๊ฐ€ ์•ˆ ๋œ๋‹ค๋Š” ๋‘ฅ ์‹ค์ƒํ™œ์—์„œ ๋งŽ์ด ์ด์•ผ๊ธฐํ•˜๋Š” ์ธํ„ฐ๋„ท์€ WAN์— ์†ํ•œ๋‹ค๊ณ  ํ•  ์ˆ˜ ์žˆ๋‹ค. ์ „ ์„ธ๊ณ„๋ฅผ ๋‹ค ์—ฐ๊ฒฐํ•˜๊ณ  ์žˆ๊ธฐ ๋•Œ๋ฌธ์ด๋‹ค. ๊ทธ..