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

K-평균 군집화란 무엇인가

K-평균 군집화는 데이터를 K개의 서로 다른 군집으로 분할하는 데 사용되는 인기 있는 비지도 학습 알고리즘입니다. 각 군집은 해당 군집에 할당된 점의 평균값인 중심점으로 정의됩니다. 알고리즘은 데이터 점을 가장 가까운 중심점에 반복적으로 할당하고 중심점을 재계산하여 수렴할 때까지 진행됩니다.

이 과정은 K개의 초기 중심점을 임의로 선택하는 것으로 시작합니다. 그런 다음 각 데이터 점은 가장 가까운 중심점이 나타내는 군집에 할당됩니다. 모든 점이 할당된 후, 각 군집 내의 모든 점의 평균값을 계산하여 중심점을 업데이트합니다. 이 과정은 중심점이 더 이상 크게 변하지 않거나 최대 반복 횟수에 도달할 때까지 반복됩니다.

K-평균 군집화는 시장 세분화, 소셜 네트워크 분석 및 이미지 처리와 같은 다양한 분야에서 널리 사용됩니다. 그러나 초기 중심점 선택에 민감하고 비구형 군집을 처리하는 데 어려움이 있는 등 몇 가지 한계가 있습니다. 데이터 양이 증가함에 따라 K-평균은 다른 알고리즘과 결합하여 더 강력한 군집화 솔루션을 형성할 수 있습니다.