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

휴리스틱이란 무엇인가

휴리스틱은 경험과 직관에 기반한 문제 해결 또는 의사 결정을 위한 방법을 의미합니다. 이 용어는 '발견하다'라는 의미의 그리스어에서 유래되었으며, 심리학과 컴퓨터 과학 등 다양한 분야에서 널리 사용됩니다.

인공지능 분야에서 휴리스틱 알고리즘은 복잡한 문제에 대한 근사 해결책을 신속하게 찾기 위해 자주 사용됩니다. 예를 들어, A* 알고리즘은 내비게이션 시스템에서 최단 경로를 찾기 위해 사용되는 잘 알려진 휴리스틱 검색 알고리즘입니다.

휴리스틱 방법의 주요 장점은 특히 복잡한 문제를 신속하게 해결해야 할 때 효율성을 제공하는 것입니다. 그러나 편향이나 부정확한 결과를 초래할 수 있으므로 잠재적인 한계를 인식하는 것이 중요합니다.

미래에는 기술의 발전에 따라 휴리스틱 방법이 기계 학습과 결합되어 의사 결정 능력과 문제 해결의 효과를 더욱 강화할 가능성이 있습니다. 전반적으로, 휴리스틱은 현대 과학과 기술에서 중요한 역할을 하며, 더 많은 연구와 적용이 필요합니다.