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

감독 학습이란 무엇인가

감독 학습은 모델이 레이블이 지정된 데이터 세트에서 훈련되는 기계 학습 접근 방식입니다. 각 훈련 예제에는 입력 데이터와 해당 출력 레이블이 포함됩니다. 이 방법은 분류 및 회귀 작업에 널리 사용되며, 입력과 출력 간의 매핑을 학습하여 보이지 않는 데이터의 결과를 예측하는 것을 목표로 합니다.

배경적으로, 감독 학습은 데이터 분석 및 예측 모델링과 같은 분야에서 중요한 기계 학습의 한 가지 주요 분파입니다. 운영 방식은 일반적으로 데이터 수집, 전처리, 모델 선택, 훈련 및 평가의 여러 단계가 포함됩니다. 모델 매개변수와 알고리즘을 지속적으로 조정함으로써 감독 학습은 예측 정확성을 향상시킬 수 있습니다.

실용적인 응용 프로그램에서 감독 학습은 이메일 필터링, 이미지 인식, 음성 인식 및 금융 예측 등 다양한 분야에서 사용됩니다. 장점으로는 상대적으로 쉽게 구현할 수 있고 해석 가능성이 강하다는 점이 있지만, 단점으로는 대량의 레이블이 지정된 데이터에 의존하고 과적합 위험에 직면할 수 있다는 점이 있습니다.

미래를 바라보면, 감독 학습은 데이터 양이 증가하고 계산 능력이 향상됨에 따라 더 복잡한 작업에서 진전을 이룰 것으로 예상됩니다. 특히 딥 러닝 기술의 발전에 힘입어 감독 학습의 발전 전망은 매우 밝습니다. 그러나 효과적으로 레이블이 지정된 데이터를 얻고 처리하는 것은 여전히 도전 과제가 됩니다.