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

샘플링이란 무엇인가

샘플링은 전체 집단에서 일부 개인을 선택하여 전체 그룹의 특성을 추정하는 과정을 말합니다. 통계학에서 샘플링은 연구자가 전체 집단을 조사하지 않고도 결론을 도출할 수 있는 중요한 데이터 수집 방법입니다. 일반적인 샘플링 방법에는 무작위 샘플링, 층화 샘플링 및 계통 샘플링이 있으며, 각 방법은 장단점이 있습니다.

시장 조사에서 샘플링은 기업이 소비자의 선호도와 행동을 이해하는 데 중요한 역할을 합니다. 기업은 목표 청중의 샘플을 조사하고 인터뷰를 통해 시장의 요구에 더 잘 맞는 전략을 개발할 수 있습니다. 이 방법은 시간과 자원을 절약할 뿐만 아니라 귀중한 통찰력을 제공합니다.

컴퓨터 과학에서 샘플링 기술은 신호 처리, 이미지 분석 및 기계 학습과 같은 다양한 분야에 적용됩니다. 이러한 방법은 대규모 데이터 세트를 효과적으로 처리하고 분석할 수 있게 하여 의사 결정 및 예측 모델링을 개선합니다.

미래를 바라보면 데이터 과학과 인공지능의 발전에 따라 샘플링 방법도 진화할 것으로 기대됩니다. 새로운 적응형 샘플링 및 지능형 샘플링 기술은 더 복잡한 분석 요구에 부응하여 효율성과 정확성을 높일 수 있습니다.