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

인스턴스/샘플이란 무엇인가

‘인스턴스’와 ‘샘플’이라는 용어는 컴퓨터 과학, 통계학 및 데이터 분석과 같은 여러 분야에서 사용됩니다. 컴퓨터 과학에서 ‘인스턴스’는 클래스에서 생성된 특정 객체를 의미하며, ‘샘플’은 분석 및 추론을 위해 더 큰 데이터 집합에서 추출된 일부 데이터를 나타냅니다.

기계 학습에서 인스턴스는 모델 훈련에 필요한 단일 데이터 포인트로 간주될 수 있으며, 샘플은 모델의 훈련, 검증 또는 테스트를 위해 선택된 데이터 집합의 일부를 나타냅니다. 예를 들어, 데이터 집합의 각 행은 인스턴스로 볼 수 있으며, 데이터 집합에서 선택된 특정 행은 연구를 위한 샘플로 사용됩니다.

이러한 개념의 적용은 과학 연구 및 기술 개발에서 매우 중요합니다. 통계학에서 연구자는 전체에서 샘플링하여 특성을 추론해야 하며, 샘플의 대표성을 보장하는 것이 필수적입니다. 프로그래밍에서는 객체를 인스턴스화하는 과정이 객체 지향 프로그래밍을 이해하는 데 필수적입니다.

데이터 과학 및 기계 학습의 빠른 발전과 함께 인스턴스와 샘플 개념을 이해하는 것이 점점 더 중요해지고 있습니다. 앞으로 인공지능 기술이 지속적으로 발전함에 따라 인스턴스와 샘플을 효과적으로 활용하는 방법은 모델 성능과 연구의 효율성에 직접적인 영향을 미칠 것입니다.