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

X축 / 특성축이란 무엇인가

X축, 일반적으로 특성축이라고 불리는 것은 데이터 시각화 및 통계 분석에서 중요한 구성 요소입니다. 이는 그래프의 수평선을 나타내며 독립 변수 또는 데이터의 특정 특성을 표시하는 데 사용됩니다. X축의 올바른 레이블링과 스케일링은 데이터 해석의 정확성에 필수적입니다.

산점도나 선 그래프와 같은 많은 유형의 차트에서 X축은 시간, 범주 또는 연속 값을 나타내며 데이터의 추세와 관계에 대한 관객의 인식에 영향을 미칩니다. 예를 들어, X축이 시간을 나타내고 Y축이 판매 수치를 표시하는 산점도에서는 X축의 설계가 추세의 시각화에 상당한 영향을 미칠 수 있습니다.

미래를 바라보면, 추세는 사용자와 X축에 표시된 데이터 특성과의 상호작용을 강화하는 보다 인터랙티브하고 3차원적인 시각화 도구로 이동할 가능성이 있습니다. 이러한 발전은 더 직관적인 통찰력을 제공할 수 있지만, 복잡한 그래프는 관객에게 혼란을 줄 수 있습니다. 따라서 X축의 레이블 명확성과 적절한 단위 사용은 데이터 통찰력을 효과적으로 전달하는 데 매우 중요합니다.