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

부스팅이란 무엇인가

부스팅은 예측 모델의 정확성을 높이기 위한 기계 학습 앙상블 기술입니다. 여러 약한 학습기(일반적으로 결정 트리)를 결합하여 하나의 강한 학습기로 만들어 예측 성능을 향상시킵니다. 이 방법은 불균형 데이터 세트를 처리하는 데 특히 효과적입니다. 왜냐하면 이전 모델이 잘못 분류한 샘플에 대한 학습을 강조하기 때문입니다.

부스팅의 작동 방식은 반복적 접근 방식에 의존하여, 각 라운드에서 알고리즘은 이전 모델이 잘못 분류한 데이터 포인트에 집중합니다. 이러한 방식으로 부스팅은 편향과 분산을 효과적으로 줄여 전체 모델 성능을 향상시킵니다. 가장 인기 있는 부스팅 알고리즘으로는 AdaBoost, Gradient Boosting, XGBoost 등이 있습니다.

마케팅 분야에서 부스팅은 소셜 미디어 광고 및 검색 엔진 최적화와 같은 전략을 통해 브랜드의 가시성과 영향력을 높이기 위한 전략을 의미하기도 합니다. 이러한 전략은 고객의 참여와 전환율을 향상시켜 판매 및 비즈니스 성장을 촉진하는 것을 목표로 합니다.

미래에는 부스팅 방법이 심층 학습과 같은 고급 기계 학습 기술과 통합되어 더욱 복잡하고 강력한 모델을 만들 수 있을 것입니다. 하지만 부스팅 기술은 많은 장점을 제공하는 동시에, 특히 노이즈 데이터 처리 시 모델의 과적합을 초래할 수 있다는 점에 유의해야 합니다.