끄적이는 개발노트

bioinformatics · genomics TCGA, TCIA, CRDC로 보는 암 유전체 데이터 플랫폼 정리 NCI(국립암연구소)가 제공하는 분자·영상·임상 데이터 생태계 TCGA(분자) · TCIA(영상)를 잇는 Radiogenomics 개념 DNA→RNA→단백질→대사체로 이어지는 오믹스 4단계와 CRDC 통합 플랫폼 🏛️ 1. NCI 개요 "암 연구 데이터를 누구나 접근할 수 있게" — 미국 NIH 산하 국립암연구소가 운영하는 공개 데이터 생태계 NIH(National Institutes of Health) 산하 기관인 NCI(National Cancer Institute)가 운영 ..

deep learning · llm Transformer 구조와 LLM Agent 생태계 정리 Encoder-only(BERT)와 Decoder-only(GPT) 구조의 차이와 GPT-3의 실제 스케일 Agent와 Agentic의 개념 구분, Agent를 구성하는 핵심 요소 LangChain · LangGraph · LlamaIndex 3종 프레임워크의 역할 비교 🧩 1. Transformer 구조 복습 — Encoder vs Decoder "같은 Transformer인데 왜 BERT는 이해를 잘하고 GPT는 생성을 잘할까" — 구조를 반쪽만 쓰느냐의 차이임 Transformer는 원래 Encod..

deep learning · sequence models RNN → LSTM → Seq2Seq → NMT → Self-Attention 정리 RNN의 기억력 한계를 LSTM의 게이트 구조로 해결하는 과정 Seq2Seq의 context vector 병목을 attention으로 극복하는 흐름 NMT attention과 self-attention(Transformer)의 차이점 🔁 1. RNN Cell과 그 한계 "하나의 셀이 시간에 따라 정보를 이어받으며 처리하는 것" — 순차 데이터 처리의 기본 구조 FFNN(순방향 신경망)에 내부 피드백(internal feedback)을 추가한 구조가 RNN c..

deep learning · generative model AE, VAE, GAN — 생성 모델의 기초 지도학습 vs 비지도학습, discriminative vs generative의 근본적 차이 AE(압축·복원) → VAE(확률적 잠재공간) → GAN(적대적 학습)으로 이어지는 생성모델 발전 잠재변수, KL divergence, upsampling 등 생성모델을 이해하기 위한 핵심 개념 🧩 1. 지도학습 vs 비지도학습, 그리고 생성모델 "정답이 있는가 없는가" — 학습 방식을 가르는 가장 근본적인 기준 지도학습 — 입력-정답(Target) 쌍으로 학습함 비지도학습 — 정답 없이 데이터..

deep learning · cnn CNN 모델의 발전과 전이학습 성능 개선의 두 축 — 학습 방식 최적화 vs 네트워크 구조 혁신 VGG → ResNet → Inception → Xception/MobileNet → EfficientNet으로 이어지는 발전 흐름 전이학습으로 사전학습된 지식을 재사용하는 방법 (fine-tuning, feature-extraction, LoRA) 🔄 1. 전이학습이란 "이미 학습된 지식을 다른 문제에 재사용하는 것" — 처음부터 다시 배우지 않아도 됨 ImageNet 등 대규모 데이터로 미리 학습된 pre-trained 모델을 그대로 활용함 데이터가 적거..

deep learning · CNN CNN(합성곱 신경망) 정리 이미지의 지역적 패턴을 학습하는 Convolution 연산 Pooling으로 특징맵 크기를 축소하며 핵심 정보만 압축 Grad-CAM으로 모델이 이미지의 어디를 보고 판단했는지 시각화 🧩 1. CNN의 핵심 개념 "이미지의 지역적 패턴을 학습하는 신경망 구조" Channel — 이미지의 색상 정보 층 (RGB = 3채널) Convolution — 필터가 이미지를 훑으며 특징을 추출하는 연산 Filter (Multi filter) — 하나의 이미지에서 여러 특징을 동시에 뽑아내는 필터 묶음 Pooling ..