- 인공지능 (Artificial Intelligence, AI): 기계가 인간과 유사한 지능을 가지도록 프로그래밍된 기술이나 시스템.
- 머신러닝 (Machine Learning): 컴퓨터가 데이터에서 학습하고 패턴을 발견하여 자동으로 학습하는 기술.
- 딥러닝 (Deep Learning): 인공 신경망을 이용한 머신러닝 기법 중 하나로, 다층의 신경망을 사용하여 복잡한 문제를 해결하는 기술.
- 신경망 (Neural Network): 인간 뇌의 작동 방식에서 영감을 받은 기계학습 모델로, 정보 처리를 위한 연결된 뉴런의 네트워크.
- 강화학습 (Reinforcement Learning): 에이전트가 환경과 상호작용하여 보상을 최대화하는 방향으로 학습하는 기계학습 기법.
- 의사결정트리 (Decision Tree): 데이터 패턴을 트리 구조로 나타내어 의사결정을 돕는 기계학습 모델.
- 클러스터링 (Clustering): 유사한 데이터를 그룹으로 묶는 비지도 학습 기술.
- 지도학습 (Supervised Learning): 레이블이 지정된 훈련 데이터를 사용하여 모델을 학습시키는 기계학습 방법.
- 비지도학습 (Unsupervised Learning): 레이블이 지정되지 않은 데이터를 사용하여 모델을 학습시키는 기계학습 방법.
- 자연어 처리 (Natural Language Processing, NLP): 기계가 인간의 언어를 이해하고 처리하는 기술.
- 이미지 분류 (Image Classification): 컴퓨터 비전에서 사용되는 기술로, 이미지를 다양한 카테고리로 분류하는 작업.
- 감정 분석 (Sentiment Analysis): 텍스트나 음성 데이터에서 감정을 분석하여 긍정적인지 부정적인지 판단하는 기술.
- 오토인코더 (Autoencoder): 입력 데이터를 압축하고 재구성함으로써 특징을 추출하는 뉴럴 네트워크 모델.
- GPU 가속화 (GPU Acceleration): 그래픽 처리 장치를 사용하여 머신러닝 작업을 가속화하는 기술.
- 컴퓨터 비전 (Computer Vision): 컴퓨터가 시각적 데이터를 처리하고 해석하는 기술.
- 클라우드 기반 머신러닝 (Cloud-based Machine Learning): 클라우드 서비스를 활용하여 머신러닝 모델을 구축하고 배포하는 방식.
- 정보 검색 (Information Retrieval): 대량의 데이터에서 특정 정보를 검색하는 기술.
- 협업 필터링 (Collaborative Filtering): 사용자의 선호도를 기반으로 유사한 사용자나 항목을 추천하는 기술.
- 배치 학습 (Batch Learning): 전체 데이터셋을 사용하여 모델을 학습시키는 방식.
- 온라인 학습 (Online Learning): 새로운 데이터가 도착할 때마다 모델을 동적으로 업데이트하는 방식.
- 과적합 (Overfitting): 모델이 훈련 데이터에 너무 맞춰져서 새로운 데이터에 일반화하기 어려운 상태.
- 차원 축소 (Dimensionality Reduction): 데이터의 특성을 줄여서 계산 효율성을 높이거나 모델의 성능을 개선하는 기술.
- 하이퍼파라미터 (Hyperparameter): 모델 학습 과정을 제어하는데 사용되는 매개변수.
- 바이어스-분산 트레이드오프 (Bias-Variance Tradeoff): 모델이 너무 단순하면 예측이 편향되고, 너무 복잡하면 분산이 커져 일반화 성능이 낮아지는 현상.
- 텐서플로우 (TensorFlow): 구글에서 개발한 오픈소스 머신러닝 및 딥러닝 프레임워크.
- 파이토치 (PyTorch): Facebook에서 개발한 오픈소스 딥러닝 프레임워크.
- K 최근접 이웃 (K-Nearest Neighbors, KNN): 분류나 회귀 분석에 사용되는 간단한 머신러닝 알고리즘.
- 서포트 벡터 머신 (Support Vector Machine, SVM): 패턴 인식, 분류 및 회귀 분석에 사용되는 머신러닝 알고리즘.
- 클로드 샤넌 다이버전스 (Kullback-Leibler Divergence): 두 확률 분포 사이의 차이를 측정하는 정보 이론의 개념.
Scroll to top
