* 나는 왜 개발자인데자신이 없을까?
초보 개발자들은 다양한 공부를 했으면서도, 정작 개발에는 자신이 없어합니다. 그 이유를 알아보고, 그것을 극복하는 방법을 이야기합니다. 개발자로서 어떤 생각을 하면서, 어떤 자세로 살아야 하는지, 새로운 기술은 어떻게 배워나가야하는지, 자신있어 보이는 선수 개발자는 뭐가 다른지를 설명합니다. 모든 초보 개발자들이 가지고 있는 내면의 자신감을 끌어 올릴 수 있도록 도와주고, 이제 소프트웨어 개발자로 서의 커리어를 시작하는 사람들이 지속가능한 발전과 성공을 할 수 있도록 도와줍니다.
동영상 link: http://serviceapi.nmv.naver.com/flash/convertIframeTag.nhn?vid=8102105A2B82DE6DC96D57AA820458275CD7&outKey=V1210a0ea4d005fd624546a616cd783b464042b6f6db81e78fe926a616cd783b46404&width=720&height=438
쫄지마,글로벌! 평범한 개발자의 좌충우돌 글로벌 오픈소스 도전하기Sangmin Shim
영어를 몰라 해외 사이트는 눈팅만 하셨다고요? 내가 만든 라이브러리가 해외에서도 통할 것 같다고요? 오픈소스 프로젝트에 도움만 받아보셨다고요? 해외에서 발표도 해보고 싶으시다고요?
우리나라에는 국내에서만 활동하기에는 너무 아까운 프로젝트와 인재가 많습니다. 하지만 일이 바빠서, 영어를 못해서 시도하지 못하는 수 많은 개발자들을 위해서 좌충우돌 그 흔한 토익 점수도 없는 평범한 개발자의 글로벌 오픈소스 라이브러리 콜리(Collie)를 통한 도전기를 전해 드립니다.
이 시간에는 개발을 잘하는 법도, 영어를 잘하는 법도 없습니다. 대신, 그 모든걸 할 수 있는 용기를 드리겠습니다.
DEVIEW 2013 DAY1 Track3 - 6세션에 발표한 내용 입니다.
http://deview.kr/2013/detail.nhn?topicSeq=16
When develpment met test(shift left testing)SangIn Choung
Sharing my thoughts and cases about co-work with test and developemnt. Two big approaches.
One is Engineering approach (
1. Early testing education
2. Test design
3. Test code guide
4. Pair-testing, programming
5. Test-Automation),
Second is Strategic activities (
1. Test Strategy/Plan
2. Test analysis/report)
Also, I wanted to mention tester's various career paths.
Thank you.
상업적 이용 및 출처없는 무단전재를 금합니다.
애자일과 애자일 테스트 소개 (테스트기본교육 3장 2절)
애자일의 스크럼, XP에 대한 기본적인 소개와 스크럼 팀 안에서 테스트 역할자로써 사용자 스토리 리뷰, 테스트 설계, 짝 테스트, 테스트 자동화 등에 대한 내용을 사례 기반으로 소개하고 있습니다.
린스타트업 컨퍼런스 2013 요약 자료입니다.
린스타트업 컨퍼런스는 2011년부터 각 나라별 창업자 커뮤니티에서 신청자에 한하여 Live Stream 티켓을 배포함. 2013년 전세계 120여개 도시에서 진행됨. 2012년 한국에서 최초로 신청하여 Live Stream 및 Recorded Stream 이벤트가 진행됨.
이에 참석자들이 린스타트업 컨퍼런스에 대한 간단한 소개 및 참석 소감, 참가자간 진행된 나눔의 기록을 공유하기로 함.
[Contributor]
@gedwarp(조현길, Basecamp=삼성전자 Startup 연구회),
@jaigouk(김재국, co-founder at Scoutzie),
@YunseokJANG(장윤석, Software Developer at Kakao Lab),
@nurinamu(이원제, CTO at Veckon),
@jerry0906(고병욱), @stein320(김한주),
@geubin0414(손규빈), @yunjungkim(김윤중),
@pakyoungrok(박영록)
[Special Thanks]
엔젤투자협회 고영하 회장,
스타트업 얼라이언스 임정욱 센터장,
Open Entrepreneur Center 장영화 대표,
은행권청년창업재단 양석원,
창업진흥원 박상원, 퓨처디자이너스 최형욱,
Club Venit 정지웅 대표,
도서출판 인사이트 한기성 대표
2020년 서울시에서 주최한 강소기업탐방 프로그램에서 발표한 자료 입니다.
학교를 졸업하고 software engineer로 취직을 하기까지의 여정을 다뤘습니다
1. 개발자가 나에게 맞을지 고민하기 위한 방법
2. 개발자로 취직하기 (이력서/면접 준비 팁)
3. 개발자로 취직한 후 우리가 하는 일
The document discusses various machine learning clustering algorithms like K-means clustering, DBSCAN, and EM clustering. It also discusses neural network architectures like LSTM, bi-LSTM, and convolutional neural networks. Finally, it presents results from evaluating different chatbot models on various metrics like validation score.
The document discusses challenges with using reinforcement learning for robotics. While simulations allow fast training of agents, there is often a "reality gap" when transferring learning to real robots. Other approaches like imitation learning and self-supervised learning can be safer alternatives that don't require trial-and-error. To better apply reinforcement learning, robots may need model-based approaches that learn forward models of the world, as well as techniques like active localization that allow robots to gather targeted information through interactive perception. Closing the reality gap will require finding ways to better match simulations to reality or allow robots to learn from real-world experiences.
[243] Deep Learning to help student’s Deep LearningNAVER D2
This document describes research on using deep learning to predict student performance in massive open online courses (MOOCs). It introduces GritNet, a model that takes raw student activity data as input and predicts outcomes like course graduation without feature engineering. GritNet outperforms baselines by more than 5% in predicting graduation. The document also describes how GritNet can be adapted in an unsupervised way to new courses using pseudo-labels, improving predictions in the first few weeks. Overall, GritNet is presented as the state-of-the-art for student prediction and can be transferred across courses without labels.
[234]Fast & Accurate Data Annotation Pipeline for AI applicationsNAVER D2
This document provides a summary of new datasets and papers related to computer vision tasks including object detection, image matting, person pose estimation, pedestrian detection, and person instance segmentation. A total of 8 papers and their associated datasets are listed with brief descriptions of the core contributions or techniques developed in each.
[226]NAVER 광고 deep click prediction: 모델링부터 서빙까지NAVER D2
This document presents a formula for calculating the loss function J(θ) in machine learning models. The formula averages the negative log likelihood of the predicted probabilities being correct over all samples S, and includes a regularization term λ that penalizes predicted embeddings being dissimilar from actual embeddings. It also defines the cosine similarity term used in the regularization.
[214] Ai Serving Platform: 하루 수 억 건의 인퍼런스를 처리하기 위한 고군분투기NAVER D2
The document discusses running a TensorFlow Serving (TFS) container using Docker. It shows commands to:
1. Pull the TFS Docker image from a repository
2. Define a script to configure and run the TFS container, specifying the model path, name, and port mapping
3. Run the script to start the TFS container exposing port 13377
The document discusses linear algebra concepts including:
- Representing a system of linear equations as a matrix equation Ax = b where A is a coefficient matrix, x is a vector of unknowns, and b is a vector of constants.
- Solving for the vector x that satisfies the matrix equation using linear algebra techniques such as row reduction.
- Examples of matrix equations and their component vectors are shown.
This document describes the steps to convert a TensorFlow model to a TensorRT engine for inference. It includes steps to parse the model, optimize it, generate a runtime engine, serialize and deserialize the engine, as well as perform inference using the engine. It also provides code snippets for a PReLU plugin implementation in C++.
The document discusses machine reading comprehension (MRC) techniques for question answering (QA) systems, comparing search-based and natural language processing (NLP)-based approaches. It covers key milestones in the development of extractive QA models using NLP, from early sentence-level models to current state-of-the-art techniques like cross-attention, self-attention, and transfer learning. It notes the speed and scalability benefits of combining search and reading methods for QA.
8. 혼돈의 조직
• 모두가 바쁘다
• 완료되는 일은 없다
• 헤매는 시간이 많다
• 질문에 답하느라 일할 시간이 없다
이미지출처: http://www.viralnova.com/dog-stereotypes/
9. 관리의 조직
• 효율적인 업무 프로세스 중시
• 관리자가 업무 방식을 관리 및 지시
• 관리자가 업무 방식을 분석 및 개선
• 관리자의, 관리자에 의한 관리자를
위한
이미지 출처: http://www.jameswinsoar.com/body-by-vi-pyramid/
10. 관리의 조직
실무 담당자
주어진 업무 처리
관리자
업무 지시
이미지출처: http://www.historyonthenet.com/egyptians/pyramids.htm
11. 관리의 조직 문제점 - I
재미가 없다!
이미지 출처: http://giphy.com/search/sad-cats/3
12. 느리다!
관리의 조직 문제점 - II
이미지출처: http://meowgifs.com/tag/fat-cats
13. 오해가 난무!
관리의 조직 문제점 - III
이미지출처: http://www.hilariousgifs.com/cat-trolling-other-cats/
18. 개발 방법의 차이
이미지 출처:
https://elearning.industriallogic.com/gh/submit?Action=PageAction&album=training_aow_1day&pa
th=training_aow_1day/morning/traditionalVsAgile&devLanguage=None
Traditional Agile
19. 애자일의 필수 요소
• 높은 품질의 코드를 생산할 수 있는 개발 조직
• 사용자 우선순위로 정렬된 기능 목록
• 짧은 Cycle Time
• 잦은 피드백
• 애자일 조직
이미지 출처: http://www.opengatesedu.org/
20. • 제약 조건에 적응
• 변경에 맞추어 스스로
조직을 재구성
• 지속적으로 변화 및 진화
애자일 조직
이미지 출처: http://endlesspicdump.com/fish-swarm-keeping-distance.html