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

Q-learning이란 무엇인가

Q-learning은 에이전트가 특정 상태에서 행동의 가치를 학습할 수 있도록 하는 모델 프리 강화 학습 알고리즘입니다. 이 알고리즘은 환경과 상호 작용을 통해 정책을 학습하고 누적 보상을 극대화합니다. Q-learning의 중요성은 환경 모델에 대한 지식 없이도 최적의 결정을 내릴 수 있는 능력에 있습니다.

Q-learning의 기본 아이디어는 Q 함수를 사용하여 각 상태-행동 쌍의 가치를 평가하는 것입니다. 알고리즘은 환경에서 받은 보상에 따라 Q 값을 반복적으로 업데이트하며, 일반적으로 벨만 방정식을 사용하여 업데이트합니다. 이 방법은 게임 AI, 로봇 내비게이션 및 적응 제어와 같은 다양한 응용 분야에서 뛰어난 성능을 보여주었습니다.

Q-learning의 장점 중 하나는 단순하고 구현이 용이하며 고차원 상태 공간을 처리할 수 있다는 것입니다. 그러나 느린 수렴 속도, 광범위한 탐색 필요성 및 특정 상황에서의 불안정성과 같은 단점도 존재합니다.

앞으로 Q-learning과 딥 러닝 기술의 통합(딥 Q 네트워크 또는 DQN으로 알려짐)이 더 복잡한 환경에서 더 나은 성능을 발휘할 것으로 기대됩니다. 따라서 Q-learning의 기본 원리와 응용을 이해하는 것은 강화 학습 연구 및 응용에 매우 중요합니다.