Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

Algorithm Autoencoder Artificial Intelligence (AI)Attention AGI / Artificial General Intelligence

B

Batch Normalization Boosting Backpropagation Bias BERT

C

Classifier / Classification Chatbot Cross-Validation Clustering CNN / Convolutional Neural Network

D

Deterministic Model Data Augmentation Deep Learning Discriminative Model Deepfake

E

Explainable AI (XAI)Ensemble Learning Encoder Embedding Epoch

F

Foundation Model Fine-tuning Forward Propagation Feature Extraction Fusion / Multimodal Fusion

G

Gradient Descent Graph Neural Network (GNN)Generative AI GAN / Generative Adversarial Network Grounding

H

Hierarchical Model Hidden Layer Hyperparameter Hallucination Heuristic

I

Imbalanced Data Instance / Sample Intelligence Amplification / Augmentation Interpretability Instruction tuning

J

Juxtaposition Joint Embedding Jittering JAX JSONL / JSON-lines

K

Knowledge Distillation Kernel Trick K-means Clustering K-Shot Learning KL Divergence (Kullback–Leibler Divergence)

L

Large Language Model (LLM)Loss Function Latent Variable Learning Rate LSTM / Long Short-Term Memory

M

Machine Learning (ML)Multimodal / Multimodality Multi-head Attention Meta-learning Model

N

Novelty Detection / Anomaly Detection Neural Network Normalization NLP / Natural Language Processing NLU / Natural Language Understanding

O

Objective Function Overfitting Online Learning Optimizer One-hot Encoding

P

Parameter Policy / Reinforcement Learning Policy Prompt Pretraining Pooling

Q

Quantization Query Queue / Buffer Quality Estimation Q-learning

R

Reinforcement Learning (RL)Retrieval Augmented Generation (RAG)Regularization Representation Learning RNN / Recurrent Neural Network

S

Supervised Learning Sampling Sequence Modeling Self-Supervised Learning Softmax

T

Transfer Learning Tokenizer Tuning / Hyperparameter Tuning Transformer Training Data

U

Uncertainty Estimation Unsupervised Learning Underfitting Universal Approximation Theorem U-Net

V

Validation Set Vector Embedding Variational Autoencoder (VAE)Vanishing / Exploding Gradient Vision Transformer (ViT)

W

Whitening / Whitening Transformation Weak Supervision Word Embedding Workflow Weight Decay

X

X-axis / feature axis XAI / Explainable AI XLM XLNet XOR problem

Y

Yield (model yield / throughput)Yoga of AI Y-transform / YUV Y-axis / feature axis YAGNI (You Aren't Gonna Need It)

Z

Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zero-shot Learning / Zero-shot inference Zygosity in augmentation Z-score Normalization

클러스터링이란 무엇인가

클러스터링은 머신 러닝과 데이터 마이닝에서 널리 사용되는 데이터 분석 기술입니다. 이 기술의 주요 목표는 객체 집합을 여러 카테고리로 그룹화하여 동일한 카테고리의 객체끼리는 유사하게, 다른 카테고리의 객체는 가능한 한 다르게 만드는 것입니다. 클러스터링은 데이터 내의 패턴과 구조를 식별하기 위해 탐색적 데이터 분석에서 자주 사용됩니다.

클러스터링 분석에는 K-평균, 계층적 클러스터링 및 DBSCAN과 같은 다양한 알고리즘이 있습니다. 각 알고리즘은 고유한 장단점과 적합한 응용 프로그램이 있습니다. 예를 들어, K-평균 알고리즘은 대규모 데이터 세트에 적합하지만 미리 정의된 클러스터 수가 필요하고, DBSCAN은 이러한 가정을 필요로 하지 않으며 잡음이 많은 데이터를 처리하는 데 이상적입니다.

클러스터링의 응용 분야는 시장 세분화, 소셜 네트워크 분석, 이미지 처리 및 의료 진단을 포함하여 매우 광범위합니다. 데이터 볼륨과 복잡성이 지속적으로 증가함에 따라 클러스터링 기술은 더욱 발전할 것으로 예상되며, 딥 러닝과 같은 신기술과 통합되어 데이터 분석의 정확성과 효율성을 높일 것입니다.

하지만 클러스터링에는 적절한 클러스터링 알고리즘 선택, 최적의 매개변수 설정 및 클러스터링 결과의 유효성 평가와 같은 몇 가지 과제가 있습니다. 따라서 클러스터링 기술에 대한 깊은 이해와 실무 경험이 데이터 과학자에게 매우 중요합니다.