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

강화 학습 (RL)란 무엇인가

강화 학습 (Reinforcement Learning, RL)은 에이전트가 환경과 상호작용하여 누적 보상을 극대화하는 방법을 배우는 기계 학습의 한 분야입니다. 강화 학습의 주요 구성 요소에는 에이전트, 환경, 상태, 행동 및 보상이 포함됩니다. 에이전트는 환경을 탐색하고 활용하여 최적 정책을 학습합니다.

강화 학습의 중요한 특징 중 하나는 시도와 오류 메커니즘으로, 에이전트는 환경으로부터 피드백(보상 또는 처벌)을 받아 행동을 조정합니다. 이는 Q-러닝, 심층 Q 네트워크(DQN), 정책 경량화 방법 등 다양한 알고리즘을 통해 달성될 수 있습니다. 최근에는 심층 학습과의 결합으로 복잡한 작업에서 성능이 크게 향상되었습니다.

앞으로 강화 학습의 발전 추세는 학습 효율성을 높이고, 더 복잡한 환경을 처리하며, 보다 넓은 실제 응용 프로그램에서 적응 능력을 달성하는 데 집중할 것입니다. 그러나 강화 학습은 샘플 효율성이 낮고, 훈련 시간이 길며, 동적 환경에서의 강인성과 같은 여러 도전에 직면해 있습니다.