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

신경망이란 무엇인가

신경망은 생물학적 신경망에서 영감을 받은 계산 모델로, 정보를 처리하는 데 사용됩니다. 상호 연결된 인공 뉴런 그룹으로 구성되어 있으며, 다양한 유형의 데이터를 분석합니다.

신경망의 기본 구조는 입력층, 하나 이상의 숨겨진 층, 출력층으로 이루어져 있습니다. 이러한 층의 각 뉴런은 이전 층에서 입력을 받고, 이를 처리하여 다음 층으로 출력을 전달합니다. 이 구조는 신경망이 데이터 내의 복잡한 패턴과 관계를 학습할 수 있도록 합니다.

신경망은 이미지 인식, 자연어 처리 및 자율주행과 같은 다양한 응용 프로그램에서 널리 사용됩니다. 이는 컴퓨터가 이전에 너무 복잡하다고 여겨졌던 작업에서 인간 수준의 성능을 달성하게 함으로써 이러한 분야를 혁신했습니다.

하지만 대량의 라벨 데이터가 필요하고, 계산 집약적인 특성을 가지고 있으며, 결정 과정이 불투명하여 책임과 편향에 대한 우려가 있습니다.

앞으로 신경망의 미래는 데이터를 덜 요구하는 개선된 알고리즘과 의사결정의 투명성을 높이는 방향으로 나아갈 가능성이 높습니다.