데이터 분석과 챗GPT 8
데이터 가공하기 20
데이터 파일 합치기 40
데이터 필터링하기 55
분류데이터 빈도를 표로 표시하기 73
분류데이터 빈도를 시각화하기 90
수치데이터 빈도를 표로 표시하기 106
수치데이터 빈도를 시각화하기 119
수치데이터 통계를 표로 표시하기 132
수치데이터 통계를 시각화하기 145
수치데이터 분포화 추세를 시각화하기 158
수치데이터에 영향을 주는 변수들 탐색하기 176
분류데이터에 영향을 주는 변수들 탐색하기 187
데이터 유사성에 따라 집단 나누기 199
결과/행동을 결정하는 데이터 패턴 파악하기 211
데이터 패턴에 따라 결과/행동 예측하기 224
미래를 들여다 보기 233
제2부 챗GPT 기술의 이해와 응용
1장 챗GPT 기술 개요 250
1.1절 서론: 챗GPT와 AI 시대의 새로운 지평 250
1.1.1 AI 새 지평의 출발, OpenAI와 챗GPT의 탄생 250
1.1.2 챗GPT, 우리 시대의 AI 혁명 251
1.1.3 챗GPT 학습의 지도: 사전학습부터 강화학습까지 251
1.1.4 트랜스포머: AI 혁신의 동력 251
1.1.5 AI, 전문가에서 다재다능한 파트너로 252
1.2절 강화학습: 현실적인 응용을 향한 전략적 전환 253
1.2.1 강화학습의 본질과 한계: 딥마인드의 알파고에서 챗GPT의 RLHF까지 253
1.2.2 챗GPT의 강화학습 활용 방식: RLHF를 위한 전략적 활용 253
1.2.3 결론: 강화학습의 전략적 가치 254
1.3절 대규모 언어 모델의 예측 능력: 근본적인 현실 이해의 핵심 255
1.3.1 대규모 언어 모델의 본질 255
1.3.2 토큰 예측: 단순한 작업이 갖는 깊은 의미 255
1.3.3 데이터와 예측의 상관관계 255
1.3.4 대규모 언어 모델이 형성하는 유의미한 상태 표현 256
1.3.5 결론: 예측의 미학과 기능 256
1.4절 언어와 지식의 계승: 인류의 여정과 AI의 발전 257
1.4.1 언어: 인류 지식의 통로 257
1.4.2 지능의 언어 의존성과 계승 257
1.4.3 AI와의 협력: 지능 확장을 위한 언어 활용 257
1.4.4 결론: AI와 지식의 연속성 258
1.5절 챗GPT의 작동 원리: 세 단계 통합 학습 259
1.5.1 첫 번째 단계: Supervised Fine-Tuning (SFT) 259
1.5.2 두 번째 단계: Reward Model (RM) 학습 260
1.5.3 세 번째 단계: Proximal Policy Optimization(PPO)을 통한 강화학습 262
1.6절 미래 전망과 가능성 264
1.6.1 챗GPT와 제어 이론의 시너지 264
1.6.2 단계별로 검증하기 265
1.6.3 결론: AI의 기술적 전환기와 미래 전망 266
2장 커스텀 GPTs 268
2.1절 AI 챗봇의 혁신과 커스텀 GPTs의 부상 268
2.1.1 ChatGPT의 등장과 한계 268
2.1.2 커스텀 GPTs의 필요성 269
2.1.3 기술적 진보 269
2.2절 GPTs란 무엇인가? 270
2.3절 커스텀 GPTs 구축 방법: 단계별 가이드 271
2.4절 GPTs 활용 사례 #1 (토론 AI) 273
2.5절 Actions 개요와 GPTs 활용 사례 278
2.6절 GPTs와 Assistants의 비교 286
3장 Assistants API 287
3.1절 어시스턴트 애플리케이션 구성 요소 292
3.2절 어시스턴트의 도구 303
3.2.1 코드 인터프리터 (Code Interpreter) 303
3.1.2 파일 검색 (File Search) 312
3.1.3 함수 호출 (Function Calling) 319
4장 AI 챗봇의 새로운 지평 328
4.1절 배경 328
4.2절 AI 소프트웨어 엔지니어의 등장 331
4.2.1 Pythagora 331
4.2.2 GPT Engineer APP 350
색 인 356
저자소개 358
