Vision - 편집 역사

Com237: /* 관련사업비 내역서 */

2023-06-24T11:30:30Z

‎관련사업비 내역서

Com237: /* 완료작품의 평가 */

2023-06-24T11:30:10Z

‎완료작품의 평가

Com237: /* 포스터 */

2023-06-24T11:07:52Z

‎포스터

2023년 6월 24일 (토) 10:06에 Com237님의 편집

2023-06-24T10:06:50Z

Com237: /* 2. EASE (Embarrassingly Shallow Autoencoders for Sparse Data) */

2023-06-24T10:01:36Z

‎2. EASE (Embarrassingly Shallow Autoencoders for Sparse Data)

Com237: /* 포스터 */

2023-06-24T10:01:04Z

‎포스터

Com237: /* 유저 취약 TAG 기반 Problem 추천 */

2023-06-24T09:58:21Z

‎유저 취약 TAG 기반 Problem 추천

Com237: /* JWT 사용자 인증 */

2023-06-24T09:54:16Z

‎JWT 사용자 인증

Com237: /* 관련 기술의 현황 및 분석(State of art) */

2023-06-24T09:53:08Z

‎관련 기술의 현황 및 분석(State of art)

Com237: /* 관련 기술의 현황 및 분석(State of art) */

2023-06-24T09:52:53Z

‎관련 기술의 현황 및 분석(State of art)

@@ 809번째 줄: / 809번째 줄: @@
 ! rowspan="2" | 비 고
 |- style="background-color:#F2F2F2;"
-| <br />   <br />계
+| 계
-| <br />   <br />현금
+| 현금
-| <br />   <br />비고
+| 비고
 |-
 | rowspan="8" | <br />   <br />직<br>접<br>개<br>발<br>비

@@ 885번째 줄: / 885번째 줄: @@
 ! 평가방법
 ! 적용기준
-! 개  발목표치
+! 개발목표치
 ! 비중(%)
 ! 평가결과
@@ 906번째 줄: / 906번째 줄: @@
 | 사용자에게 설문조사를 실시한다.
 | A : 전체 설문 항목의 80%이상에서 긍정적   답변을 얻는다<br>B : 그외
-| 적용기준 A에   해당하는 효과 구현
+| 적용기준 A에 해당하는 효과 구현
 | 40%
 | A

@@ 798번째 줄: / 798번째 줄: @@
 ====포스터====
-포스터 재작한 바 없음
+포스터 제작한 바 없음
 ===관련사업비 내역서===

@@ 3번째 줄: / 3번째 줄: @@
 ''' 국문 : ''' 코테고리 서비스 - 알고리즘 유형분류 퀴즈 및 문제 추천 서비스
-''' 영문 : ''' Cotegory Service - Algorithm type classification quiz and problem recommendation sevice
+''' 영문 : ''' Cotegory Service - Algorithm type classification quiz and problem recommendation service
 ===과제 팀명===
@@ 112번째 줄: / 112번째 줄: @@
 |}
 *마케팅 전략 제시
-:◇ 코딩테스트 준비를 시작하려는 취업 준비생들에게 본인의 알고리즘 역량을 쉽게 파악할 수 있는 점   을 강조한다.
+:◇ 코딩테스트 준비를 시작하려는 취업 준비생들에게 본인의 알고리즘 역량을 쉽게 파악할 수 있는 점을 강조한다.
 :◇ 기존 서비스에는 존재 하지 않던 "카테고리"를 맞추는 문제를 제공해 준다는 점을 강조한다.
 :◇ 사용자가 어려워하는 유형의 문제를 추천하여 문제 해결에 대한 취약점 개선 가능성을 강조한다.
@@ 203번째 줄: / 203번째 줄: @@
    mmr시스템 로직 구현
    mmr시스템을 통한 Quiz 추천
-   기업문제 추천
+   기업문제 추천 기능 구현
 ◇ Back-end (김형철)
    크롤링 로직 구현
@@ 209번째 줄: / 209번째 줄: @@
    어드민 페이지 API 개발
    비정상적 문제 검열 로직
-◇ Back-end (김준, 김형철 공통)
+◇ Back-end (김준 & 김형철)
    서비스 로직 API 개발
 ◇ AI (한수한)
    모델 학습
-   평가 & 비교(EASE, AUTO_ENCODER)
+   모델 평가 & 비교(EASE, AUTO_ENCODER)
 ◇ 아마존 배포 (임재욱)
-   main 머지 시 자동 배포 (CI/CD)
+   인프라 세팅
 ==설계==
@@ 231번째 줄: / 233번째 줄: @@
 ::- AI: AUTO_ENCODER 모델을 적용하여 추천 문제를 선별하여 Back-end 서버에 제공한다.
 ::- Back-end: 알고리즘 퀴즈를 Front-end 서버에 전달하며, 정답 여부를 db에 저장한다.
-::- Front-end: Back-end 서버로부터 전달받은 추천 문제와 알고리즘 퀴즈 문제를 화면에 보이고 문제를 풀수 있는 UI를 제공한다.
+::- Front-end: Back-end 서버로부터 전달받은 추천 문제와 알고리즘 퀴즈 문제를 화면에 보이고 문제를 풀 수 있는 UI를 제공한다.
 ◇ F2:
 :* 기능: 유저로부터 전달받은 정보를 활용하여 AI 모델을 통해 적합한 문제를 추천한다.
@@ 237번째 줄: / 239번째 줄: @@
 ::- AI: 유저가 취약한 알고리즘 분야의 문제를 추천받고자 하는 경우, AUTO_ENCODER 모델을 적용하여 추천 문제를 선별하여 Back-end 서버에 제공한다.
 ::- Back-end: 추천 문제를 Front-end 서버에 전달한다.
-::- Front-end: Back-end 서버로부터 전달받은 추천 문제를 화면에 보이고 문제를 풀 수 있는 링크또한 제공한다.
+::- Front-end: Back-end 서버로부터 전달 받은 추천 문제를 화면에 보이고 문제를 풀 수 있는 링크 또한 제공한다.
 ◇ F3: 랜덤 문제, 유저가 취약한 알고리즘 분야의 문제, 기업 문제를 추천한다.
 :* 기능: 유저로부터 전달받은 정보를 활용하여 AI 모델을 통해 적합한 문제를 추천한다.
@@ 259번째 줄: / 261번째 줄: @@
 . AWS S3와 EC2 Instance: EC2 인스턴스는 AWS S3에 접근하여 데이터를 읽거나 쓸 수 있습니다. 이를 통해 EC2 인스턴스와 S3 버킷 간에 파일 공유 또는 데이터 저장 등의 작업이 가능합니다.<br>
 . AWS RDS와 EC2 Instance: EC2 인스턴스는 AWS RDS(Relational Database Service)에 접근하여 데이터베이스에 연결하고 데이터를 읽거나 쓸 수 있습니다. 이를 통해 애플리케이션과 데이터베이스 간의 상호작용이 가능합니다.<br>
-. 현재 Dockerfile, docker-compose.yaml의 내용이 변경된 것은 쉽게 적용이 가능하지만, 프로젝트의 내용이 바뀐 경우도 고려하여 GitHub Actions를 사용하여 CI/CD를 적용하였습니다.<br>
+. 프로젝트 코드의 갱신을 고려하여 GitHub Actions를 사용하여 CI/CD를 적용하였습니다.<br>
 ===이론적 계산 및 시뮬레이션===
@@ 299번째 줄: / 301번째 줄: @@
 단, 위에서 언급한 것처럼 L을 최소화하다보면 train data의 정확도는 높아지고 test data의 정확도는 낮아지는overfitting이 발생하므로  est data의 정확도가 최대일 때의 모델(가중치)를 저장한다.
-====2. EASE(Embarrassingly Shallow Autoencoders for Sparse Data)====
+====2. EASE (Embarrassingly Shallow Autoencoders for Sparse Data)====
 《특징》<br>
 년에 나온 추천 모델로 hidden layer가 없는 shallow한 모델이다.<br>
@@ 621번째 줄: / 623번째 줄: @@
 상기한 url에서, {algoCode}값을 바꿔가며 태그별 문제 리스트에 접근할 수 있고. {page}값을 바꿔가며 첫번째 page부터 마지막 page까지 순회할 수 있다.<br>
-각 page에 있는 문제에 접근하여 문제 컨텐츠를 크롤링 해온다. 문제를 크롤링 할때, jsoup프레임워크를 이용해 정적 html을 적절히 파싱한다. 다음은 1000번 문제를 접근했을때 볼 수 있는 화면이다.<br>
+각 page에 있는 문제에 접근하여 문제 컨텐츠를 크롤링 해온다. 문제를 크롤링 할때, jsoup프레임워크를 이용해 정적 html을 적절히 파싱한다. 다음은 1000번 문제를 접근했을 때 볼 수 있는 화면이다.<br>
 [[파일:Image00035.png]]<br>
 이 화면에서 다음과 같은 항목을 크롤링한다. 각 항목을 화살표 우측의 java 변수값으로 변환한다.<br>
@@ 684번째 줄: / 686번째 줄: @@
          || sampleOutput.isBlank())
   <b><span style="color: brown;">return;</span></b>
-또한, 다음과 같은 java 코드를 작성해. 언어가 한국어가 아니거나 태그분류가 없을경우 skip한다.<br>
+또한, 다음과 같은 java 코드를 작성해 언어가 한국어가 아니거나 태그분류가 없을 경우 skip한다.<br>
   <b><span style="color: brown;">if</span></b> (solvedAcProblemDto.getTitles().stream().noneMatch(e -> e.getLanguage().equals("ko")))
@@ 694번째 줄: / 696번째 줄: @@
 필터링을 통과한 데이터는 하나의 객체로 만들어 DB에 저장하는 것으로 크롤링을 끝마친다.<br>
-상기한 일련의 과정들을 코드로 구현할때, Java의 parallel stream 규격에 맞추어 구현하였다. 일반 Java stream 코드일때는 싱글스레드로 크롤링 해왔지만. ava parallel stream 코드일때는 멀티스레드로 크롤링 해온다.<br>
+상기한 일련의 과정들을 코드로 구현할때, Java의 parallel stream 규격에 맞추어 구현하였다. 일반 Java stream 코드일 때는 싱글스레드로 크롤링 해왔지만 ava parallel stream 코드일때는 멀티스레드로 크롤링 해온다.<br>
 동일하드웨어 환경에서 멀티스레드와 싱글스레드 크롤링 속도를 비교해보았다.<br>
@@ 705번째 줄: / 707번째 줄: @@
 멀티스레드 크롤링 시간과 싱글스레드 크롤링 시간이 약 2배정도 되는걸 확인할 수 있다.<br>
-Parallet stream은, 자동으로 모든 thread에 적절히 작업을 분배해 나눠주므로 hread수가 늘어난다면 성능차이는 더욱 커질거라 예상된다.<br>
+Parallet stream은 자동으로 모든 thread에 적절히 작업을 분배해 나눠주므로 hread수가 늘어난다면 성능차이는 더욱 커질거라 예상된다.<br>
 ====Quiz 생성 로직====
 백준의 태그들과 상기한 3개의 태그그룹에 속한 태그들의 교집합 갯수가 1개일 경우만 Quiz를 생성한다.<br>
-그룹에 포함된 4개의 태그를 4지선다로 사용하고. 교집합 1개를 정답태그로 한다.<br>
+그룹에 포함된 4개의 태그를 4지선다로 사용하고. 교집합 1개를 정답 태그로 한다.<br>
 ====ERD====
@@ 796번째 줄: / 798번째 줄: @@
 ====포스터====
-포스터 제작한 바 없음
+포스터 재작한 바 없음
 ===관련사업비 내역서===

@@ 299번째 줄: / 299번째 줄: @@
 단, 위에서 언급한 것처럼 L을 최소화하다보면 train data의 정확도는 높아지고 test data의 정확도는 낮아지는overfitting이 발생하므로  est data의 정확도가 최대일 때의 모델(가중치)를 저장한다.
-====2. EASE (Embarrassingly Shallow Autoencoders for Sparse Data)====
+====2. EASE(Embarrassingly Shallow Autoencoders for Sparse Data)====
 《특징》<br>
 년에 나온 추천 모델로 hidden layer가 없는 shallow한 모델이다.<br>

@@ 750번째 줄: / 750번째 줄: @@
 ====유저 취약 TAG 기반 Problem 추천====
 위에서 상기한 QUIZ의 정답률을 기반으로 해당 유저의 TAG별 정답률을 기록하게 된다.<br>
- 이 정답률이 낮을 수록 해당 TAG에 대한 PRBLEM 추천 확률이 정비례로 높아지게 된다.<br>
+이 정답률이 낮을 수록 해당 TAG에 대한 PRBLEM 추천 확률이 정비례로 높아지게 된다.<br>
 이런 확률로 선택된 TAG는 AUTO_ENCODER_CONST 모델을 거쳐 사용자에게 PROBLEM을 추천하게 된다.<br>

@@ 594번째 줄: / 594번째 줄: @@
 SIGNATURE에는 앞서나온 HEADER와 PAYLOAD. 그리고 토큰발행자의 비밀키까지 3가지를 조합하여 생성된 SIGNATURE key값이 온다. 토큰 인증자는 이 부분을 자신이 발행할때 사용한 비밀키를 이용해 암호를 VERIFY한다.<br>
-다음은 VERIFY에 실패했을 경우다. 비밀키에 토큰발행시 사용하지 않는 임의의 키를 넣었다.
+다음은 VERIFY에 실패했을 경우다. 비밀키에 토큰발행시 사용하지 않는 임의의 키를 넣었다.<br>
 [[파일:Image00032.png]]<br>
-다음은 VERIFY에 성공했을 경우다. 비밀키에 토큰발행시 사용한 키를 넣었다.
+다음은 VERIFY에 성공했을 경우다. 비밀키에 토큰발행시 사용한 키를 넣었다.<br>
 [[파일:Image00033.png]]<br>
 본 프로젝트에서는 상기한 과정을 통해 사용자를 인증하도록 구성하였다.<br>

@@ 50번째 줄: / 50번째 줄: @@
 :- 본 Vision은 알고리즘 유형파악에 포커스를 맞춘 서비스를 개발한다.
 *특허조사 및 특허 전략 분석
-:◇ (주)뤼이드. 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법. 10-2021-0014455. 2021년 2월 2일, 2022년 4월 29일<br>
+:- (주)뤼이드. 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법. 10-2021-0014455. 2021년 2월 2일, 2022년 4월 29일<br>
-:◇ (주)뤼이드. 온라인 학습에서 적응형 사용자 인터페이스를 제공하는 방법 및 장치. 10-2020-0024119. 2020년 2월 27일, 2021년 2월 2일<br>
+:- (주)뤼이드. 온라인 학습에서 적응형 사용자 인터페이스를 제공하는 방법 및 장치. 10-2020-0024119. 2020년 2월 27일, 2021년 2월 2일<br>
-:◇ (주)뤼이드. 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램. 10-2019-0024272. 2019년 2월 28일, 2021년 2월 2일<br>
+:- (주)뤼이드. 교육 컨텐츠를 제공하는 방법, 장치 및 컴퓨터 프로그램. 10-2019-0024272. 2019년 2월 28일, 2021년 2월 2일<br>
 *기술 로드맵
 [[파일:Image00001.png]]

@@ 46번째 줄: / 46번째 줄: @@
 ====관련 기술의 현황 및 분석(State of art)====
 *전 세계적인 기술현황
-내용
+:- 알고리즘 문제풀이는 알고리즘 유형파악과 코드구현 부분으로 나누어 볼 수 있다.
 *특허조사 및 특허 전략 분석
 :◇ (주)뤼이드. 인공 지능 학습 기반의 학습 컨텐츠 추천 시스템 및 그것의 동작 방법. 10-2021-0014455. 2021년 2월 2일, 2022년 4월 29일<br>