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

모델이란 무엇인가

‘모델’이라는 용어는 다양한 분야에서 여러 개념을 가리킬 수 있습니다. 과학 및 공학에서 모델은现实世界의 특정 측면을 추상화하고 단순화하여 복잡한 시스템의 예측 및 분석을 가능하게 합니다. 예를 들어, 기후 모델이나 경제 모델은 연구자들이 직접 실험 없이 행동을 시뮬레이션하는 데 도움을 줍니다.

비즈니스 및 제품 개발에서 모델은 일반적으로 제품 설계 프로토타입이나 시장 성과에 대한 예측을 나타냅니다. 모델의 장점은 직접 실험이 불가능한 상황에서 추론을 가능하게 한다는 것입니다. 그러나 모델은 과도한 단순화가 부정확한 결론으로 이어질 수 있다는 한계도 있습니다.

기술 분야, 특히 머신 러닝 및 인공지능에서는 모델이 예측이나 분류를 위해 알고리즘과 데이터 세트의 결합을 의미합니다. 기술 발전에 따라 모델의 복잡성이 지속적으로 증가하고 있으며, 미래의 트렌드는 보다 스마트하고 적응력이 뛰어난 모델로 나아갈 수 있습니다.

모델의 종류에는 선형 모델, 비선형 모델, 딥 러닝 모델 등이 있으며, 과학 연구부터 비즈니스 분석, 제품 설계 등 다양한 분야에서 활용됩니다.