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

특징 추출이란 무엇인가

특징 추출은 기계 학습 및 데이터 마이닝 분야에서 널리 사용되는 중요한 데이터 전처리 기술입니다. 그 주요 목표는 원시 데이터에서 중요한 특징을 추출하여 모델의 성능과 정확성을 높이는 것입니다.

이 과정은 일반적으로 주성분 분석(PCA), 선형 판별 분석(LDA), 합성곱 신경망(CNN)과 같은 다양한 방법과 기술을 포함합니다. 이러한 방법은 데이터의 차원을 줄이는 동시에 가장 중요한 정보를 유지하는 데 도움을 주어 후속 분석을 보다 효율적으로 만듭니다.

실제 응용 프로그램에서 특징 추출은 이미지 인식, 텍스트 분류 및 음성 인식에 널리 사용됩니다. 예를 들어, 이미지 인식에서 특징 추출 기술은 서로 다른 이미지 내용을 효과적으로 식별하고 분류할 수 있습니다. 인공지능의 발전과 함께 특징 추출 방법과 기술도 더 복잡한 데이터와 응용 프로그램 시나리오에 적응하기 위해 진화할 것입니다.

하지만 특징 추출에는 한계가 있습니다. 예를 들어, 부적절한 특징을 선택하면 모델 성능이 저하될 수 있으며 일부 방법은 상당한 계산 리소스를 요구할 수 있습니다. 따라서 적절한 특징 추출 방법과 특징을 선택하는 것은 중요한 문제입니다.