학습
강력한 핵심 소프트웨어 엔지니어링 기술을 구축하는 동시에 인접 기술에 대한 지식을 매일 조금씩 확장하기 위해 배우고 있는 내용의 실행 로그입니다.
업데이트 날짜 : 한 달에 한 번 | 현재 초점 : 생성 AI
핵심 기술
파이썬 프로그래밍
| 의지 | 진전 |
|---|
| Datacamp: 효율적인 Python 코드 작성 | ✅ |
| Datacamp: Python으로 함수 작성 | ✅ |
| Datacamp: Python의 객체 지향 프로그래밍 | ✅ |
| Datacamp: Python의 중급 객체 지향 프로그래밍 | ✅ |
| Datacamp: Python으로 데이터 가져오기(1부) | ✅ |
| Datacamp: Python으로 데이터 가져오기(2부) | ✅ |
| Datacamp: 데이터 과학을 위한 중급 Python | ✅ |
| Datacamp: Python 데이터 과학 도구 상자(1부) | ✅ |
| Datacamp: Python 데이터 과학 도구 상자(2부) | ✅ |
| Datacamp: Python 패키지 개발 | ✅ |
| 데이터캠프: Conda 필수 요소 | ✅ |
| Youtube: 튜토리얼: Sebastian Witowski - 최신 Python 개발자 툴킷 | ✅ |
| Datacamp: Python에서 날짜 및 시간 작업 | ✅ |
| Datacamp: Python의 명령줄 자동화 | ⬜ |
| Datacamp: Python의 데이터 과학을 위한 단위 테스트 | ✅ |
| 도서: Python 201 | ⬜ |
| 도서: 관용적인 Python 3 작성 | ⬜ |
| 도서: Python을 사용한 테스트 주도 개발 | ⬜ |
| 기사: Python의 다양한 명령줄 유틸리티 | ⬜ |
| 기사: 프로그래머의 유니코드 소개 | ⬜ |
| 기사: Python의 메모리 프로파일링 소개 | ✅ |
| 기사: memory_profiler를 사용하여 Python 코드 프로파일링 | ✅ |
| 기사: "memory_profiler"를 사용하여 Python 코드로 메모리 사용량을 프로파일링하는 방법은 무엇입니까? | ✅ |
데이터 구조 및 알고리즘
| 의지 | 진전 |
|---|
| 도서: Grokking 알고리즘 | ✅ |
| 도서: 기술 이력서 인사이드 아웃 | ✅ |
| Neetcode: 초보자를 위한 알고리즘 및 데이터 구조 | ✅ |
| Udacity: 데이터 구조 및 알고리즘 소개 | ✅ |
리눅스 및 명령줄
| 의지 | 진전 |
|---|
| Datacamp: 데이터 과학을 위한 Shell 소개 | ✅ |
| Datacamp: Bash 스크립팅 소개 | ✅ |
| Datacamp: 셸의 데이터 처리 | ✅ |
| MIT: 사라진 학기 | ✅ |
| Udacity: Linux 명령줄 기본 사항 | ✅ |
| Udacity: 쉘 워크샵 | ✅ |
| Udacity: Linux 웹 서버 구성 | ✅ |
버전 관리
| 의지 | 진전 |
|---|
| Udacity: Git을 통한 버전 관리 | ✅ |
| Datacamp: 데이터 과학을 위한 Git 소개 | ✅ |
| Udacity: GitHub 및 협업 | ✅ |
| Udacity: Git 및 GitHub 사용 방법 | ✅ |
데이터베이스
| 의지 | 진전 |
|---|
| Udacity: 관계형 데이터베이스 소개 | ✅ |
| Udacity: 데이터베이스 시스템 개념 및 설계 | ⬜ |
| 데이터캠프: 데이터베이스 설계 | ⬜ |
| Datacamp: Python의 데이터베이스 소개 | ⬜ |
| Datacamp: 데이터 과학을 위한 SQL 소개 | ✅ |
| 데이터캠프: 중급 SQL | ⬜ |
| Datacamp: PostgreSQL에서 데이터 조인 | ⬜ |
| Udacity: 데이터 분석을 위한 SQL | ⬜ |
| Datacamp: SQL의 탐색적 데이터 분석 | ⬜ |
| Datacamp: 실제 문제에 SQL 적용 | ⬜ |
| Datacamp: SQL로 비즈니스 데이터 분석 | ⬜ |
| Datacamp: SQL로 보고 | ⬜ |
| Datacamp: SQL을 통한 데이터 기반 의사결정 | ⬜ |
| 데이터캠프: NoSQL 개념 | ⬜ |
| Datacamp: Python의 MongoDB 소개 | ⬜ |
백엔드 엔지니어링
| 의지 | 진전 |
|---|
| Udacity: 인증 및 권한 부여: OAuth | ⬜ |
| Udacity: HTTP 및 웹 서버 | ⬜ |
| Udacity: 클라이언트-서버 통신 | ⬜ |
| Udacity: RESTful API 설계 | ⬜ |
| Datacamp: Python의 API 소개 | ⬜ |
| Udacity: 웹 개발자를 위한 네트워킹 | ⬜ |
생산 시스템 설계
| 의지 | 진전 |
|---|
| 도서: 기계 학습 시스템 설계 | ✅ |
| Neetcode: 초보자를 위한 시스템 설계 | ✅ |
| Neetcode: 시스템 설계 인터뷰 | ✅ |
| Datacamp: Python을 통한 고객 분석 및 A/B 테스트 | ✅ |
| 데이터캠프: Python을 사용한 A/B 테스트 | ⬜ |
| Udacity: A/B 테스트 | ⬜ |
| 데이터캠프: MLOps 개념 | ✅ |
| Datacamp: 머신러닝 모니터링 개념 | ✅ |
수학
| 의지 | 진전 |
|---|
| Datacamp: Python의 확률 기반 | ✅ |
| 데이터캠프: 통계 입문 | ✅ |
| Datacamp: Python 통계 입문 | ✅ |
| Datacamp: Python에서 가설 테스트 | ✅ |
| Datacamp: Python의 통계적 사고(1부) | ✅ |
| Datacamp: Python의 통계적 사고(2부) | ✅ |
| Datacamp: Python을 사용한 실험 설계 | ✅ |
| Datacamp: Python으로 통계 인터뷰 질문 연습하기 | ⬜ |
| edX: Excel을 이용한 데이터 분석을 위한 필수 통계 | ✅ |
| Udacity: 추론 통계 소개 | ✅ |
| MIT 18.06 선형대수학, 2005년 봄 | ✅ |
| Udacity: 고유벡터 및 고유값 | ✅ |
| Udacity: 선형 대수 복습 | ⬜ |
| 유튜브: 선형대수학의 본질 | ⬜ |
기본 프론트엔드 지식
HTML
| 의지 | 진전 |
|---|
| Codecademy: HTML 배우기 | ✅ |
| Codecademy: 웹사이트 만들기 | ✅ |
| 문서: 대체 텍스트 | ⬜ |
CSS
| 의지 | 진전 |
|---|
| Pluralsight: CSS 위치 지정 | ✅ |
| Pluralsight: CSS 소개 | ✅ |
| Pluralsight: CSS: 특이성, 박스 모델 및 모범 사례 | ✅ |
| Pluralsight: CSS: 레이아웃에 Flexbox 사용 | ✅ |
| 코드 학교: 부트스트랩으로 폭발적인 성공 | ✅ |
| Pluralsight: UX 기초 | ✅ |
| Codecademy: SASS 배우기 | ✅ |
| 자바스크립트 개발자를 위한 CSS | ✅ |
| 기사: Figma 디자인에서 일러스트레이션 만들기 | ✅ |
| 도서: UI 리팩토링 | ⬜ |
| 유튜브: 웹사이트를 못생기지 않게 만드는 방법: 프로그래머를 위한 기본 UX | ⬜ |
자바스크립트
| 의지 | 진전 |
|---|
| Udacity: ES6 - JavaScript 개선 | ✅ |
| Udacity: 자바스크립트 소개 | ✅ |
| Udacity: 객체 지향 JS 1 | ✅ |
| Udacity: 객체 지향 JS 2 | ✅ |
| Udemy: Typescript 이해하기 | ✅ |
| Codecademy: JavaScript 배우기 | ✅ |
| 코드카데미: Jquery 트랙 | ✅ |
| Pluralsight: Chrome 개발자 도구 사용 | ✅ |
전문 주제
기계 학습
| 의지 | 진전 |
|---|
| 기사: 경사하강법 최적화 알고리즘 개요 | ✅ |
| 도서: Scikit-Learn, Keras 및 TensorFlow를 사용한 실습형 기계 학습, 2판 | ⬜ |
| 도서: 기계 학습 입문서 | ✅ |
| 도서: 나만의 신경망 만들기 | ✅ |
| 도서: 그로킹 머신러닝 | ✅ |
| 도서: 기계 학습에 대한 StatQuest 그림 가이드 | ✅ |
| Fast.ai: Coder를 위한 실용적인 딥러닝(1부) | ✅ |
| Fast.ai: Coder를 위한 실용적인 딥러닝(2부) | ⬜ |
| Datacamp: Python의 앙상블 방법 | ✅ |
| Datacamp: XGBoost를 사용한 익스트림 그래디언트 부스팅 | ⬜ |
| Datacamp: SciPy를 사용한 클러스터링 방법 | ✅ |
| Datacamp: Python의 비지도 학습 | ✅ |
| Udacity: 분할 및 클러스터링 | ✅ |
| Datacamp: 데이터 과학을 위한 Python 소개 | ✅ |
| edX: Azure HDInsight에서 Spark를 사용하여 예측 분석 구현 | ✅ |
| Datacamp: scikit-learn을 사용한 지도 학습 | ✅ |
| Datacamp: Python의 트리 기반 모델을 사용한 기계 학습 | ✅ |
| Datacamp: Python의 선형 분류자 | ✅ |
| Datacamp: 이미지 처리를 위한 컨볼루셔널 신경망 | ✅ |
| Datacamp: Python의 모델 검증 | ✅ |
| Datacamp: Python의 초매개변수 조정 | ✅ |
| Datacamp: Python의 HR 분석: 직원 이탈 예측 | ✅ |
| Datacamp: Python으로 고객 이탈 예측 | ✅ |
| Datacamp: Python의 차원 축소 | ✅ |
| Datacamp: Python의 기계 학습을 위한 전처리 | ✅ |
| Datacamp: 데이터 과학을 위한 데이터 유형 | ✅ |
| Datacamp: Python으로 데이터 정리 | ✅ |
| Datacamp: Python의 기계 학습을 위한 기능 엔지니어링 | ✅ |
| Datacamp: Python의 머신러닝을 통한 CTR 예측 | ✅ |
| Datacamp: Python을 사용한 금융 개념 소개 | ✅ |
| Datacamp: Python의 사기 탐지 | ✅ |
| Karpathy: 신경망: 0에서 영웅까지 | ✅ |
| 기사: 신경망의 가중치 초기화: 기본부터 Kaiming까지의 여정 | ⬜ |
자연어 처리
| 의지 | 진전 |
|---|
| 도서: Transformers를 사용한 자연어 처리 | ✅ |
| 스탠포드 CS224U: 자연어 이해 | 2019년 봄 | ✅ |
| Stanford CS224N: Stanford CS224N: 딥 러닝을 갖춘 NLP | 2019년 겨울 | ✅ |
| CMU: 저자원 NLP 부트캠프 2020 | ✅ |
| CMU 다국어 NLP 2020 | ✅ |
| Datacamp: Python의 NLP를 위한 기능 엔지니어링 | ✅ |
| Datacamp: Python의 자연어 처리 기초 | ✅ |
| Datacamp: Python의 정규 표현식 | ✅ |
| 데이터캠프: 언어 모델링을 위한 RNN | ✅ |
| 데이터캠프: Python의 자연어 생성 | ✅ |
| Datacamp: Python으로 챗봇 구축 | ✅ |
| Datacamp: Python의 감정 분석 | ✅ |
| Datacamp: Python의 기계 번역 | ✅ |
| 기사: 배열의 불합리한 효율성 | ⬜ |
| 기사: FuzzyWuzzy: Python의 퍼지 문자열 일치 | ✅ |
| 기사: 맘바 설명 | ⬜ |
| 기사: Mamba 및 상태 공간 모델에 대한 시각적 가이드 | ⬜ |
| 기사: 포옹 얼굴을 사용한 양자화 기초 | ✅ |
생성 AI
LLM 이론
| 의지 | 진전 |
|---|
| 기사: SolidGoldMagikarp(추가, 신속한 생성) | ⬜ |
| DeepLearning.AI: LLM 사전 교육 | ✅ |
| DeepLearning.AI: 확산 모델의 작동 방식 | ⬜ |
Karpathy: 대규모 언어 모델 소개 [ 1hr ] | ✅ |
Karpathy: GPT Tokenizer를 구축해 보겠습니다. [ 2hr13m ] | ✅ |
Karpathy: GPT-2(124M)를 재현해 보겠습니다. [ 4hr1m ] | ⬜ |
YouTube: 해커를 위한 언어 모델 가이드 [ 1hr30m ] | ✅ |
| YouTube: Finbarr Timbers와 함께한 5년간의 GPT | ⬜ |
| 기사: 텍스트 생성을 위한 샘플링 | ⬜ |
| DeepLearning.AI: 인간 피드백을 통한 강화 학습 | ✅ |
YouTube: LLaMA 설명: KV-Cache, Rotary Positional Embedding, RMS Norm, Grouped Query Attention, SwiGLU [ 1시간 1h10m 분 ] | ⬜ |
정보 검색 / RAG
| 의지 | 진전 |
|---|
| 검색을 위해 사전 훈련된 Transformer 언어 모델 - 1부 | ⬜ |
| 검색을 위해 사전 훈련된 Transformer 언어 모델 - 2부 | ⬜ |
| 검색을 위해 사전 훈련된 Transformer 언어 모델 - 부품 3 | ⬜ |
| 검색을 위해 사전 훈련된 Transformer 언어 모델 - 부품 4 | ⬜ |
| LanceDB의 IVF-PQ 지수 이해 | ⬜ |
| 약간의 풀링은 다중 벡터 표현에 큰 도움이 됩니다. | ✅ |
| 풀스택 검색 강좌 | |
| 기사: 복잡성 수준: RAG 애플리케이션 | ✅ |
| 기사: RAG를 체계적으로 개선하기 | ⬜ |
| 기사: LGTM@Few를 측정항목으로 사용하지 마세요(더 나은 RAG). | ⬜ |
| 기사: RAG 검색을 위한 쉬운 결과 | ⬜ |
| 기사: AI 엔지니어가 검색에 대해 알아야 할 사항 | ✅ |
| 기사: 검색을 위한 청크 전략 평가 | ⬜ |
| 기사: 문장 임베딩. 문장 임베딩 소개 | ⬜ |
| DeepLearning.AI: 고급 RAG 애플리케이션 구축 및 평가 | ✅ |
| DeepLearning.AI: 벡터 데이터베이스: 임베딩에서 애플리케이션까지 | ✅ |
| DeepLearning.AI: Chroma를 사용한 AI 고급 검색 | ✅ |
| DeepLearning.AI: 신속한 압축 및 쿼리 최적화 | ✅ |
DeepLearning.AI: 의미 검색을 통한 대규모 언어 모델 [ 1hr ] | ✅ |
| DeepLearning.AI: 벡터 데이터베이스를 사용하여 애플리케이션 구축 | ✅ |
| DeepLearning.AI: 다중 모드 검색 및 RAG 구축 | ⬜ |
| DeepLearning.AI: RAG에 대한 지식 그래프 | ⬜ |
| DeepLearning.AI: LangChain의 기능, 도구 및 에이전트 | ⬜ |
| DeepLearning.AI: LlamaIndex를 사용하여 Agentic RAG 구축 | ⬜ |
| DeepLearning.AI: CrewAI가 포함된 다중 AI 에이전트 시스템 | ⬜ |
| DeepLearning.AI: AutoGen을 사용한 AI 에이전트 설계 패턴 | ⬜ |
| DeepLearning.AI: LangGraph의 AI 에이전트 | ⬜ |
| DeepLearning.AI: 나만의 데이터베이스 에이전트 구축 | ⬜ |
| DeepLearning.AI: LLM 애플리케이션을 위한 비정형 데이터 전처리 | ⬜ |
| DeepLearning.AI: 임베딩 모델: 아키텍처에서 구현까지 | ✅ |
| Pinecone: 바쁜 엔지니어를 위한 프로덕션용 벡터 데이터베이스 | ⬜ |
| Pinecone: 검색 증강 생성 | ⬜ |
| 솔방울: LangChain AI 핸드북 | ⬜ |
| 솔방울: 이미지 검색을 위한 삽입 방법 | ⬜ |
| 솔방울: 파이스: 사라진 매뉴얼 | ⬜ |
| Pinecone: 야생에서의 벡터 검색 | ⬜ |
| Pinecone: 의미 검색을 위한 자연어 처리 | ⬜ |
| Youtube: RAG 애플리케이션을 체계적으로 개선 | ✅ |
| YouTube: Jo Bergum과 함께 RAG의 기본으로 돌아가기 | ✅ |
| YouTube: 증강 세대를 위한 검색의 기본을 넘어서(W/ Ben Clavié) | ✅ |
| YouTube: 처음부터 RAG | 0/14 |
| 기사: LambdaMART 심층 분석 | ⬜ |
| 기사: 개요를 사용한 생성 유도 | ✅ |
신속한 엔지니어링
| 의지 | 진전 |
|---|
| 문서: OpenAI 프롬프트 엔지니어링 | ⬜ |
| 기사: 기본 사항 제시 및 이를 효과적으로 적용하는 방법 | ✅ |
| 인류학 코스 | ⬜ |
| 기사: 신속한 엔지니어링(Liliang Weng) | ✅ |
| 기사: 프롬프트 엔지니어링 201: 고급 방법 및 툴킷 | ✅ |
| 기사: 정확성을 위해 LLM 최적화 | ✅ |
| 기사: 입문서 • 프롬프트 엔지니어링 | ⬜ |
| 문서: Anyscale 엔드포인트: JSON 모드 및 함수 호출 기능 | ⬜ |
| 기사: 대규모 언어 모델을 사용한 안내 텍스트 생성 | ⬜ |
| 기사: GPT-4 비전 대안 | ⬜ |
| DeepLearning.AI: 개발자를 위한 ChatGPT 프롬프트 엔지니어링 | ⬜ |
| DeepLearning.AI: 비전 모델을 위한 신속한 엔지니어링 | ⬜ |
| DeepLearning.AI: Llama 2 및 3을 통한 신속한 엔지니어링 | ⬜ |
| 완드비: LLM 엔지니어링: 구조화된 출력 | ⬜ |
| DeepLearning.AI: LLM을 사용한 함수 호출 및 데이터 추출 | ⬜ |
| 시리즈: 신속한 주입 | ⬜ |
YouTube: 프롬프트 엔지니어링 개요 [ 1hr4m ] | ✅ |
| YouTube: LLM을 통한 구조화된 생성 | ⬜ |
LLMOps
| 의지 | 진전 |
|---|
| 기사: LLM 기반 시스템 및 제품 구축을 위한 패턴 | ✅ |
| 기사: LLM 애플리케이션을 위한 새로운 아키텍처 | ✅ |
| 기사: LLM을 빠르게 진행하는 방법 | ⬜ |
| 기사: 빠른 속도로! 추측적 디코딩 - 10배 더 큰 모델, 추가 비용 없음 | ⬜ |
| 기사: 다중 GPU 조화: LLM 추론의 효율적인 확장 | ⬜ |
| 기사: 다중 쿼리 주의가 필요한 전부입니다 | ⬜ |
| 기사: 변환기 추론 최적화 도구 세트 | ⬜ |
| DeepLearning.AI: LLM을 효율적으로 제공 | ✅ |
| DeepLearning.AI: LLMOps에 대한 자동화된 테스트 | ✅ |
| DeepLearning.AI: 레드팀 LLM 애플리케이션 | ✅ |
| DeepLearning.AI: 가중치와 편향을 사용하여 생성 AI 모델 평가 및 디버깅 | ⬜ |
| DeepLearning.AI: LLM 애플리케이션의 품질 및 안전성 | ⬜ |
| DeepLearning.AI: LLMOps | ⬜ |
| DeepLearning.AI: Amazon Bedrock을 사용한 서버리스 LLM 앱 | ⬜ |
| DeepLearning.AI: 심층 양자화 | ⬜ |
| DeepLearning.AI: 온디바이스 AI 소개 | ⬜ |
| 기사: 양자화에 대한 시각적 가이드 | ⬜ |
| 기사: QLoRA 및 4비트 양자화 | ⬜ |
| 기사: 대화형 시각화를 통한 AI/LLM 양자화 이해 | ⬜ |
| 기사: LLM 추론 시리즈: 3. KV 캐싱 설명 | ⬜ |
| 기사: LLM 추론 시리즈: 4. KV 캐싱, 심층 분석 | ⬜ |
| 기사: LLM 추론 시리즈: 5. 모델 성능 분석 | ⬜ |
| 유튜브: SBTB 2023: Charles Frye, 병렬 프로세서: LLM과 OS 커널 간의 과거 및 미래 연결 | ⬜ |
| 기사: 변환기 추론 산술 | ⬜ |
LLM 기반 시스템 구축
| 의지 | 진전 |
|---|
| 기사: LLM을 구축한 1년 동안 우리가 배운 것 | ⬜ |
| 기사: 미세 조정을 위해 합성 데이터를 생성하고 사용하는 방법 | ✅ |
| 기사: AI 제품에는 평가가 필요합니다 | ✅ |
| 기사: 작동하거나 작동하지 않는 작업별 LLM 평가 | ✅ |
| 기사: LLM 애플리케이션을 위한 데이터 플라이휠 | ⬜ |
| 기사: 참호에서 LLM: GoDaddy의 운영 모델을 통해 배운 10가지 교훈 | ✅ |
| 기사: 추상적인 요약에 대한 평가 및 환각 감지 | ✅ |
| 기사: 생성적 AI 앱 및 부조종사를 위한 새로운 UX 패턴 | ✅ |
| 기사: 초보자를 위한 LLM 교육 가이드 | ⬜ |
| 기사: ChatGPT의 구조화된 데이터 지원을 한계까지 끌어올리기 | ✅ |
| 기사: GPTed: 의미론적 문장 확인을 위해 GPT-3 사용 | ✅ |
| 기사: LLM에 대해 걱정하지 마세요 | ⬜ |
| DeepLearning.AI: 대규모 언어 모델 미세 조정 | ✅ |
| DeepLearning.AI: ChatGPT API를 사용하여 시스템 구축 | ⬜ |
| DeepLearning.AI: LLM 애플리케이션 개발을 위한 LangChain | ⬜ |
| DeepLearning.AI: LangChain: 데이터와 채팅 | ⬜ |
| DeepLearning.AI: Gradio를 사용하여 생성적 AI 애플리케이션 구축 | ✅ |
| DeepLearning.AI: 포옹하는 얼굴을 갖춘 오픈 소스 모델 | ⬜ |
| DeepLearning.AI: Mistral 시작하기 | ⬜ |
| Datacamp: LangChain으로 LLM 애플리케이션 개발 | ⬜ |
| LLMOps: LLM을 사용하여 구축 | ⬜ |
| LLM 부트캠프 - 2023년 봄 | ✅ |
| Youtube: LLM 성과 극대화를 위한 기술 조사 | ✅ |
| Youtube: LLM 시스템 및 제품을 위한 빌딩 블록: Eugene Yan | ✅ |
| Youtube: OpenAI 모델 미세 조정 - 모범 사례 | ✅ |
| YouTube: 과정: Axolotl을 통한 LLM 미세 조정 | 0/4 |
| YouTube: LLM 미세 조정 | 1/5 |
| 유튜브: LLM 평가 | 0/5 |
| Youtube: LLM 애플리케이션 구축 | 0/8 |
기술 능력(라이브러리/프레임워크/도구)
AWS
| 의지 | 진전 |
|---|
| Udemy: AWS 공인 개발자 – 어소시에이트 2018 | ✅ |
장고
| 의지 | 진전 |
|---|
| 기사: Django, HTMX 및 Alpine.js: 최신 웹사이트, JavaScript는 선택 사항 | ✅ |
Matplotlib
| 의지 | 진전 |
|---|
| 데이터캠프: Seaborn 소개 | ✅ |
| Datacamp: Matplotlib 소개 | ✅ |
ML흐름
넥스트.JS
| 의지 | 진전 |
|---|
| Docs: Next.js로 구축 시작하기 | |
팬더
| 의지 | 진전 |
|---|
| 데이터캠프: Pandas 기초 | ✅ |
| Datacamp: 스프레드시트 사용자를 위한 Pandas Join | ✅ |
| Datacamp: 팬더로 DataFrame 조작하기 | ✅ |
| Datacamp: DataFrame과 Pandas 병합 | ✅ |
| Datacamp: 팬더를 이용한 데이터 조작 | ✅ |
| Datacamp: Pandas를 사용하여 Python 코드 최적화 | ✅ |
| Datacamp: Pandas를 통한 간소화된 데이터 수집 | ✅ |
| Datacamp: Pandas를 사용한 마케팅 캠페인 분석 | ✅ |
| Datacamp: 팬더를 이용한 경찰 활동 분석 | ✅ |
파이토치
| 의지 | 진전 |
|---|
| 기사: PyTorch 내부 | ⬜ |
| 기사: PyTorch를 당연하게 여기기 | ⬜ |
| Datacamp: PyTorch를 사용한 딥 러닝 소개 | ✅ |
| 데이터캠프: PyTorch를 사용한 중급 딥러닝 | ⬜ |
| Datacamp: PyTorch를 사용한 텍스트 딥 러닝 | ⬜ |
| Datacamp: PyTorch를 사용한 이미지 딥 러닝 | ⬜ |
| Deeplizard: 신경망 프로그래밍 - PyTorch를 사용한 딥 러닝 | ✅ |
ReactJS
| 의지 | 진전 |
|---|
| Codecademy: ReactJS 배우기: 1부 | ✅ |
| Codecademy: ReactJS 배우기: 2부 | ✅ |
| NexxtJS: React 기초 | ⬜ |
스페이시
| 의지 | 진전 |
|---|
| 데이터캠프: spaCy를 사용한 고급 NLP | ✅ |
텐서플로우와 케라스
| 의지 | 진전 |
|---|
| Datacamp: Python의 TensorFlow 소개 | ✅ |
| Datacamp: Python의 딥 러닝 | ✅ |
| Datacamp: Keras를 사용한 딥 러닝 소개 | ✅ |
| Datacamp: Keras를 사용한 고급 딥 러닝 | ✅ |
| Deeplizard: Keras - Python 딥 러닝 신경망 API | ✅ |
| Udacity: 딥 러닝을 위한 TensorFlow 소개 | ✅ |
