동적 연결 라이브러리 (Dynamic Link Library)

I. 동적 연결 라이브러리 (Dynamic Link Library)의 개요 가. 동적 연결 라이브러리의 개념 컴파일 시점에 실행 파일에 함수 복사 없이 함수의 위치 정보를 이용하여 기능을 호출하는 라이브러리 참조 기술 나. 동적 연결 라이브러리의 특징 리소스 최적화: 하나의 코드를 여러 프로그램이 동시에 사용하므로 메모리 및 디스크 공간 절약 배포 및 설치 용이: 프로그램과 독립적으로 DLL 함수

블랙박스 테스트와 화이트박스 테스트 비교

I. 블랙박스 테스트와 화이트박스 테스트 개념 비교 비교 항목 블랙박스 테스트 화이트박스 테스트 개념도 “Input/Output 값 검증“ “내부 로직 검증“ 개념 제품에 대한 요구사항과 결과물의 일치 여부를 확인하기 위한 입출력 데이터 기반 검증 및 결함 도출 테스트 기법 제품에 대한 컴포넌트 로직의 정상 동작 여부를 확인하기 위한 제품 내부구조 기반 검증 및 결함 도출 테스트

AIaaS (AI as a Service) 서비스와 활용 고려사항

I. 국내 기업과 기관에서의 인공지능 도입의 필요성 “디지털 전환의 핵심 기반 기술로 인공지능 도입이 필요” 현재 세계는 기계의 지능화를 통해 생산성이 고도로 향상되는 4차 산업혁명 시대에 있으며, AI는 자동화/최적화를 통한 효율화로 기존 산업의 생산성 개선, 신산업 창출 등 성장 동력 확충에 기여 AI를 활용한 혁신적 제품과 서비스로 시장 경쟁력을 확보와 다양한 사회문제를 해결할 수 있을

비대면 소프트웨어 산업 동향 및 육성 방안

I. 디지털 경제 가속화에 따른 비대면 SW 활용 가속화 최근 전세계적으로 이전 글로벌 경제위기와는 다르게 산업/사회 전반에서 경영 활동과 소비 행태의 변화를 유발하며 디지털 경제로의 구조적 변화로 비대면 소프트웨어 활용이 가속화되고 디지털 전환이 촉진되는 추세   II. 분야 별 비대면 소프트웨어 활용 동향 가. 개인/사회 분야의 비대면 소프트웨어 활용 동향 분야 활용 동향 활용 효과

SRE (Site Reliability Engineering)

I. 효과적인 DevOps 적용 기술, SRE의 개요 가. SRE(Site Reliability Engineering)의 개념 시스템, 서비스 및 제품에서 적절한 수준의 안정성을 지속적으로 달성할 수 있도록 지원하는 소프트웨어 엔지니어링 기술 DevOps 적용에 따라 개발팀은 속도를, 운영팀은 안정성을 중요시 하므로 이를 적절히 중재, 관리하기 위하여 SRE가 등장 나. SRE의 목적 적절한 안정성 달성 – 시스템 및 서비스 장애로 인해

[파이썬] 람다 표현식(Lambda Expression)

I. 람다 함수 (Lambda Function) 일반적인 함수는 함수를 정의 후 실행 연산자로 호출하여 사용하지만 람다 함수는 별도의 함수 정의 없이 함수를 작성하는 즉시 실행 예약어 lambda를 먼저 쓰고 다음에 매개변수, 콜론, 표현식 순으로 작성 이름을 별도로 지정이 불가하고 표현식 평가 후 결과를 그대로 반환 [예제] 람다 함수 정의 및 실행 (lambda x, y : print(x

[파이썬] 재귀 함수, 합성 함수

재귀 함수: 자기 자신의 함수를 함수 내 연속적으로 호출하여 처리하는 함수 합성 함수: 다른 함수를 매개 변수로 받거나 반환하여 처리하는 함수   I. 재귀 함수 재귀 함수 사용 시 별도의 순환문을 사용하지 않아도 반복 처리 효과 파이썬에서는 재귀 함수를 무한정 사용할 수 없도록 제한 [예제] 함수 재귀 호출 import timeit def func1(list1) : if len(list1)

[파이썬] 컴프리헨션(Comprehension)

컴프리헨션(Comprehension) 수학의 집합에서 특정 수식을 사용하는 방식처럼 파이썬에서 간단한 표현식을 작성하는 기법 리터럴 표기법으로 원소를 나열하여 객체 생성 시 원소가 많으면 모두 나열하기 어려우므로 간단한 표현식으로 작성   I. 리스트 컴프리헨션 리스트 객체 생성 시 원소 나열 방식으로 리터럴 표기법 사용 객체의 원소가 많은 경우 대괄호 안에 표현식을 작성하여 원소를 나열 [예제] map함수에 대한 리스트

머신러닝 파이프라인 (Machine Learning Pipeline)

I. 머신러닝 파이프라인(ML Pipeline)의 개요 가. 머신러닝 파이프라인의 개념 데이터 수집부터 전처리, 학습 모델 배포, 예측까지 전과정을 순차적으로 처리하도록 설계된 머신러닝 아키텍처 나. 머신러닝 파이프라인의 필요성 머신러닝 자동화 머신러닝 모델 전 과정 지속 수행 위한 파이프라인 기반 자동화 예측 정확성 향상 내부 구조 이해를 통한 머신러닝 성능(예측의 정확성) 향상   II. 머신러닝 파이프라인의 데이터 처리

하이퍼파라미터 (Hyperparameter)

I. 하이퍼파라미터의 개념 최적의 딥러닝 모델 구현을 위해 학습률이나 배치크기, 훈련 반복 횟수, 가중치 초기화 방법 등 인간의 선험적 지식을 기반으로 딥러닝 모델에 설정하는 변수   II. 하이퍼파라미터의 종류 종류 설명 적용 시 고려사항 학습률 (Learning Rate) gradient의 방향으로 얼마나 빠르게 이동할 것인지 결정하는 변수 – 너무 작으면 학습의 속도가 늦고, 너무 크면 학습 불가