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

불균형 데이터란 무엇인가

불균형 데이터는 기계 학습에서 클래스 분포가 고르지 않은 상황을 의미합니다. 이로 인해 모델이 소수 클래스에서 성능이 저하될 수 있습니다. 예를 들어, 사기 탐지에서 사기 거래의 수는 정상 거래보다 훨씬 적습니다. 이러한 불균형은 모델의 예측을 다수 클래스에 편향시켜 전반적인 효과성을 저하시킬 수 있습니다.

불균형 데이터를 처리할 때는 소수 클래스를 오버샘플링하거나 다수 클래스를 언더샘플링하는 기술이 일반적으로 사용됩니다. 또한 F1 점수나 AUC와 같은 특정 평가 지표를 사용하면 불균형 데이터셋에서 모델 성능을 더 잘 평가할 수 있습니다. 이러한 방법은 모델이 소수 클래스를 효과적으로 식별하도록 보장하는 데 도움이 됩니다. 이는 의료 진단이나 사기 탐지와 같은 응용 프로그램에서 매우 중요합니다.

데이터 과학의 발전에 따라 GAN(Generative Adversarial Networks)과 같은 새로운 전략이 등장하고 있습니다. 그러나 지나치게 처리하거나 잘못 처리하면 정보 손실이나 모델 과적합이 발생할 수 있으므로 주의해야 합니다. 특정 맥락에 따라 적절한 접근 방식을 선택하는 것이 신뢰할 수 있는 모델 구축에 필수적입니다.