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

딥 러닝이란 무엇인가

Deep Learning - AI and technology concept illustration

© 2025 / unsplash.com

딥 러닝은 다층 신경망을 활용하여 데이터를 분석하고 패턴을 인식하는 머신 러닝의 한 분야입니다. 그 핵심 개념은 인간의 뇌 구조와 기능을 모방하여 대량의 데이터와 계산 능력을 사용하여 특성 표현을 학습하는 것입니다.

딥 러닝의 중요성은 복잡한 데이터를 처리하는 능력에 있습니다. 전통적인 머신 러닝 알고리즘에 비해 딥 러닝은 자동으로 특성을 추출할 수 있어 수동 개입을 줄일 수 있습니다. 이는 자율 주행 자동차와 의료 영상 분석과 같은 여러 응용 프로그램에서 뛰어난 성능을 발휘하게 합니다. 미래에는 컴퓨팅 하드웨어의 발전과 빅 데이터의 보급으로 딥 러닝의 응용 범위가 더욱 확대될 것으로 예상됩니다.

하지만 딥 러닝은 데이터 요구량이 많고, 훈련 과정이 시간 소모가 크며, 모델의 해석 가능성이 떨어진다는 단점도 있습니다. 또한, 데이터가 부족할 경우 과적합 문제가 두드러지게 나타납니다. 따라서 실제 응용에서 이러한 측면을 충분히 고려해야 합니다.