미리보기

기술: Python, pandas, Pydicom

역할:

• 뇌 MRI 데이터를 분석하여 뇌질환 감별 진단, 예후 예측 모델에 사용되는 데이터 전처리 작업

• mri 데이터 전처리 수행 [ pandas, Pydicom ]

역할: 회원, 동화, 친구, 좋아요 관련 API 구현, DB설계, GPT Fine-tuning, 배포 자동화

개요: 사용자의 일상을 LangChain과 Stable Diffusion을 사용하여 동화로 만들어주는 서비스

기술: TypeScript, NestJS, MongoDB, AWS S3, AWS EC2, Docker, LangChain

• 횡단 관심사를 모듈화, 코드의 재사용성을 위해 의존성 주입을 사용하여 개발 [ 친구 신청, 좋아요 알림 ]

• 생성된 동화의 빠른 조회와 저장을 위해 MongoDB 사용하여 개발

• 배포 후 30명 실 사용자 중 피드백을 통해 Socket.io를 사용하여 실시간 경험 개선

• swagger 사용으로 Front-End 개발자들과 커뮤니케이션 비용을 낮춤

• 개발 기간 중 경험한 것들을 총 26편의 글로 블로그 게시 [ https://mudata0101.tistory.com/71 ]

• https://storifyai.site/

기술: C

• 메모리 관리를 효율적으로 하기 위한 동적 메모리 할당기 학습을 위해 malloc lab을 학습함

• CPU의 병행성을 위해 CPU Scheduling 알고리즘을 사용하여 pintOS의 THREADS 학습함.

• 시스템 자원과 보안을 위해 pintOS의 USER PROGRAM을 학습함

• 제한된 메모리 용량 이상을 사용하기 위해 pintOS의 VIRTUAL MEMORY에 대해 학습함.

• pintOS의 3만여 줄의 기존 코드를 보며 운영체제의 중요 역할( 추상화, 보호, 격리, 자원 공유)을 완성시키기 위해 디버깅을 하며 코드를 분석함.

역할: LSTM 모델의 아키텍처 설계 및 조정을 통해 입력된 코드의 다음 코드 추천 기능의 정확도를 향상시킴.

개요: 입력된 코드를 분석하여 뒤에 이어질 코드를 추천하는 LSTM 모델 개발

기술: Python, pandas, keras, tensorflow, sklearn

• 학습 데이터의 전처리 및 증강 작업을 통해 모델의 일반화 능력을 강화. 특히, 음악 코드의 다양성을 높이기 위해 유사한 코드 패턴을 변형시키는 방법을 적용함.

• 모델 학습 과정에서 발생할 수 있는 과적합(overfitting) 문제를 방지하기 위해 dropout, batch normalization과 같은 기술을 적용하여 모델의 안정성 및 성능을 개선함.

• 학습된 모델을 테스트하고, 성능 평가 지표(예: 정확도, 손실 함수 값)를 분석하여 모델의 추천 시스템이 실제 아마추어 작곡가들에게 유용하게 적용될 수 있도록 지속적으로 개선함.

• 학습 최적화 도구를 사용하여 ‘코드 추천 LSTM 모델’ 정확도 43.9% → 68.36% 개선 [ softmax, loss , batchnomalization ]

• 반복된 코드, 유사한 패턴이 나오지 않도록 모델 개선 필요