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

훈련 데이터란 무엇인가

훈련 데이터는 기계 학습 모델을 훈련하는 데 사용되는 데이터 세트를 말합니다. 이는 기계 학습과 인공지능 분야의 핵심 구성 요소로, 모델의 성능과 정확성에 직접적인 영향을 미칩니다.

훈련 데이터의 품질과 다양성은 모델이 실제 응용 프로그램에서의 유효성을 결정합니다. 예를 들어 이미지 인식 작업에서 훈련 데이터는 모델이 다양한 객체를 식별할 수 있도록 수천 개의 레이블이 있는 이미지를 포함할 수 있습니다.

기계 학습 과정에서 데이터 수집 및 처리는 매우 중요합니다. 데이터는 품질과 적합성을 보장하기 위해 정리, 레이블링 및 분할 과정을 거쳐야 합니다. 데이터 세트의 크기와 복잡성은 훈련 시간과 모델의 일반화 능력에도 영향을 미칩니다.

미래의 트렌드는 생성 모델과 자기 감독 학습 방법과 같은 기술 발전이 훈련 데이터의 필요성을 변화시키고 있음을 보여줍니다. 이러한 접근 방식은 적은 레이블 데이터에서도 효과적으로 학습할 수 있게 하여 대량의 훈련 데이터에 대한 의존도를 줄입니다.

훈련 데이터의 장점과 단점에 대해 말하자면, 훈련 데이터의 장점은 기계 학습의 성공을 위한 기초가 되며, 모델이 학습할 자료를 제공한다는 것입니다. 그러나 데이터를 수집하고 레이블링하는 데 시간과 비용이 많이 들 수 있습니다. 또한 데이터 편향과 개인정보 문제는 모델의 공정성과 신뢰성에도 영향을 미칠 수 있습니다.