언어, 프레임워크, 라이브러리 실전 가이드.
TypeScript 완전정복 16화입니다. 인덱스드 액세스 타입과 매핑된 타입으로 객체 타입에서 원하는 값 타입을 꺼내고 새로운 타입으로 재조립하는 방법을 정리했습니다. T[K], T[keyof T], 선택적 속성 타입 추출, 중첩 객체 타입, 배열 요소 타입, 튜플 위치 타입, Partial·Readonly·Required의 원리, 매핑 수정자, 값 타입 일괄 변환, 필드별 오류·로딩 상태, 키 재매핑 as, Capitalize, Getter·Setter·이벤트 타입 생성, Pick·Omit·Record와 유틸리티 타입 원리까지 다룹니다.
Python 완전정복 시리즈 42편입니다. Hugging Face TRL의 PPOTrainer로 Reward Model 점수를 이용해 생성형 AI를 강화학습시키는 전체 구조를 정리했습니다. PPO와 RLHF 개념, Policy Model, Reference Model, Reward Model, Value Model, Prompt Dataset, Episode, Rollout, Reward Score, KL Divergence, KL Penalty, RLHF Reward, Return, Value, Advantage, GAE, Policy Ratio, PPO Clipping, PPOConfig, 최신 PPOTrainer 구조, LoRA·QLoRA, 학습 로그, Reward Hacking, 안정화 방법, DPO·PPO·GRPO 차이와 오류 해결까지 다룹니다.
Python 완전정복 시리즈 41편입니다. Hugging Face TRL의 RewardTrainer로 AI 답변 품질을 점수로 평가하는 Reward Model을 만드는 방법을 정리했습니다. Reward Model과 RLHF의 관계, Sequence Classification Head, Chosen·Rejected Pair, Pairwise Preference Learning, Bradley-Terry 모델, Reward Loss, Reward Margin, Pairwise Accuracy, Centered Reward, Reward Dataset 형식, Chat Template, RewardConfig, LoRA·QLoRA Reward Model, score Head 저장, 학습 로그 해석, 임의 답변 점수 계산, 여러 답변 Ranking, Best-of-N Sampling, Gradio AI 답변 심사위원과 오류 해결까지 다룹니다.
Python 완전정복 시리즈 40편입니다. Hugging Face TRL의 DPOTrainer로 좋은 답변과 나쁜 답변을 비교해 AI 모델의 선호도를 학습하는 방법을 정리했습니다. DPO와 Preference Optimization, SFT·RLHF와의 차이, Policy Model과 Reference Model, Chosen·Rejected 응답, DPO Loss, Beta, Preference Dataset, Conversational Preference Format, 길이 편향, 데이터 품질 검사, DPOConfig, Loss Type, Reward Accuracy, Reward Margin, Chosen·Rejected Log Probability, LoRA·QLoRA, Reference Log Probability 사전 계산, Adapter 저장·병합, Hub 업로드, Gradio 비교 화면과 오류 해결까지 다룹니다.
Python 완전정복 시리즈 39편입니다. Hugging Face TRL과 SFTTrainer로 대화형 AI 모델을 Instruction Dataset으로 Fine-tuning하는 방법을 정리했습니다. SFT와 Instruction Tuning, Base Model과 Instruct Model, Standard Format, Prompt-Completion Dataset, Conversational Dataset, System·User·Assistant 역할, Chat Template, apply_chat_template, EOS Token, Completion Only Loss, Assistant Only Loss, Loss Masking, Packing, SFTConfig, LoRA·QLoRA 연결, Adapter 저장·병합, Hub 업로드, TRL CLI, Gradio 챗봇 연결과 오류 해결까지 다룹니다.
TypeScript 완전정복 15화입니다. 객체 타입의 키를 꺼내는 keyof와 실제 값에서 타입을 가져오는 typeof를 정리했습니다. keyof 기본 문법, 함수 매개변수의 키 제한, 안전한 동적 속성 접근, 선택적 속성과 숫자 키, 인덱스 시그니처와 keyof any, 실행 위치와 타입 위치의 typeof 차이, as const, keyof typeof, 객체 값 타입 추출, 배열 요소 타입 추출, Object.keys() 주의점, satisfies, keyof와 제네릭, 키에 따라 달라지는 반환 타입, Record 조합과 실전 설정·라우트·폼 타입 설계까지 다룹니다.
TypeScript 완전정복 14화입니다. 객체의 속성 이름을 미리 알 수 없을 때 사용하는 인덱스 시그니처와 Record를 정리했습니다. 문자열·숫자·심벌 키 인덱스 시그니처, 고정 속성과 동적 속성 조합, any의 위험, readonly 인덱스 시그니처, undefined 가능성, noUncheckedIndexedAccess, 함수와 동적 객체, Record의 두 타입 매개변수, 리터럴 유니언과 Record, Partial<Record<...>>, 중첩 Record, 객체와 Map 비교, 실전 점수표·다국어 메시지·권한 설정·재고·폼 오류 설계까지 다룹니다.
Python 완전정복 시리즈 38편입니다. Hugging Face PEFT와 LoRA로 거대한 AI 모델의 일부 파라미터만 학습해 비용과 메모리를 줄이는 방법을 정리했습니다. Full Fine-tuning 비용, PEFT 주요 방법, LoRA의 Low-Rank 원리, Rank와 lora_alpha, lora_dropout, target_modules, modules_to_save, LoraConfig, get_peft_model, PeftModel, DistilBERT LoRA 적용, 학습 가능한 파라미터 확인, Trainer 연결, Adapter 저장·로드·비활성화·병합, QLoRA와 BitsAndBytesConfig, 4비트 양자화, 메모리 절감 설정, Hub 업로드와 오류 해결까지 다룹니다.
Python 완전정복 시리즈 37편입니다. Hugging Face Trainer를 이용해 사전 학습 Transformer 모델을 내 데이터로 Fine-tuning하는 방법을 감정 분석 프로젝트로 정리했습니다. Fine-tuning과 Feature Extraction 차이, Trainer와 TrainingArguments, DistilBERT 데이터셋 준비, Tokenizer, Dynamic Padding, Data Collator, 평가 지표, Accuracy·Precision·Recall·F1, Checkpoint, Early Stopping, 혼합 정밀도 FP16·BF16, Gradient Checkpointing, 학습 재개, 모델 저장, Pipeline 추론, Hugging Face Hub 업로드, GPU 메모리 부족 해결과 데이터 누수 방지까지 다룹니다.