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

온라인 학습이란 무엇인가

온라인 학습은 인터넷을 통해 이루어지는 교육 및 학습 과정을 의미합니다. 최근 몇 년 동안 기술의 급속한 발전과 인터넷의 보급으로 인해 온라인 학습은 중요한 교육 형식이 되었습니다.

온라인 학습의 배경은 1990년대까지 거슬러 올라갈 수 있으며, 웹의 출현과 함께 많은 교육 기관들이 온라인 코스의 가능성을 탐색하기 시작했습니다. 현재 온라인 학습은 고등 교육뿐만 아니라 직업 교육 및 평생 교육에도 광범위하게 적용되고 있습니다. 통계에 따르면 온라인 학습의 시장 규모는 지속적으로 성장하고 있으며, 향후 몇 년 내에 계속 확대될 것으로 예상됩니다.

온라인 학습의 주요 운영 방식은 일반적으로 비디오 강의, 온라인 토론, 과제 제출 및 실시간 상호작용을 포함합니다. 많은 플랫폼에서 자가 학습 자료와 온라인 퀴즈를 제공하여 학생들이 지식을 습득할 수 있도록 돕습니다. 전형적인 상황에서 학생들은 플랫폼을 통해 언제 어디서나 강의 내용에 접근하고, 온라인 토론에 참여하며, 심지어 전 세계의 동료들과 상호작용할 수 있습니다.

그러나 온라인 학습에는 장단점이 있습니다. 장점으로는 유연성, 편리함 및 다양한 자원이 있으며, 단점으로는 대면 상호작용 부족, 학습 동기 부족 및 기술적 문제 등이 있습니다. 또한 온라인 학습의 미래 동향은 더 개인화된 학습 경험, 인공지능의 적용, 가상 현실 기술의 도입 등을 포함할 수 있습니다. 학생들은 온라인 학습을 선택할 때 강의의 질, 플랫폼의 신뢰도 및 자신의 학습 습관에 주의를 기울여야 합니다.