사라지는 기울기 문제는 경사 하강법과 역전파법을 사용하여 인공 신경망을 학습할 때 발생하는 어려운 문제입니다.

t-SNE(T-Distributed Stochastic Neighbor Embedding)는 차원 축소를 위한 머신 러닝 방법입니다.

트리뱅크는 문장의 단어 분할, 품사 태깅, 구문 구조 관계 태깅을 수행하는 심층처리 코퍼스입니다.

튜링 머신은 결정론적 튜링 머신이라고도 불리며, 앨런 튜링이 1936년에 제안한 추상적인 컴퓨팅 모델입니다. 더 추상적인 의미는 수학적 논리 기계로, 유한한 논리적 수학적 프로세스와 동등한 궁극의 강력한 논리 기계로 간주될 수 있습니다.

전문화는 일반적인 것에서 구체적인 것으로 가는 과정입니다.

동의어 집합은 같은 의미를 가진 단어의 집합입니다.

시간 단계는 물리 시뮬레이션 간의 시간 간격이 얼마나 작은지를 정의합니다. 게임 엔진에서 이는 함수를 얼마나 자주 실행해야 하는지를 나타냅니다.

매개변수 튜닝은 더 나은 결과를 얻기 위해 매개변수를 조정하는 행위를 말합니다.

수치적 속성은 데이터를 정량적으로 설명하는 속성 유형으로, 데이터가 측정 가능한 양이라는 의미입니다.

일반 인공지능은 인간과 동등하거나 더 뛰어난 능력을 갖춘 지적 개체를 말합니다. 강력한 인공지능이라고도 불리며, 일반 인간이 보이는 모든 지적 행동을 보여줄 수 있습니다. 기존 인공지능이나 주류 인공지능에서 사용하는 AI라는 용어와 구별하기 위해 공통적인 접두사를 붙인다.

속성 공간: 속성에 의해 확장된 공간으로, "샘플 공간" 또는 "입력 공간"이라고도 합니다. 특징 공간: 선형적으로 상관관계가 있는 속성과 모델 구축에 도움이 되지 않는 속성을 제외하여 형성된 속성 공간을 특징 공간이라고 합니다. 관련 개념 데이터 세트 […]

나이브 베이즈 분류기는 "속성 조건부 독립성 가정"을 채택합니다. 즉, 알려진 범주에 대해 모든 속성은 서로 독립적이라고 가정합니다. 개선된 나이브 베이즈: 다른 속성이 지닌 정보가 학습 세트에 나타난 적이 없는 속성 값에 의해 "지워지는" 것을 방지하기 위해 확률 값을 추정할 때 일반적으로 "평활화"를 수행하며, 종종 "라플라스 보정"을 사용합니다. […]

생성적 적대 신경망은 두 개의 신경망이 서로 경쟁하도록 구현된 비지도 학습 방법입니다. 이 방법은 2014년 이언 굿펠로우가 제안했습니다. 생성적 적대 네트워크에는 생성 네트워크와 차별 네트워크가 포함됩니다. 생성 네트워크는 잠재 공간에서 무작위 샘플을 입력으로 받고 출력은 훈련 결과를 모방해야 합니다. […]

머신 러닝에서 생성 모델은 데이터를 직접 모델링하는 데 사용할 수도 있고, 변수 간의 조건부 확률 분포를 설정하는 데 사용할 수도 있습니다. 조건부 확률 분포는 베이즈 정리의 생성 모델을 기반으로 할 수 있습니다. 생성 모델은 분류 및 클러스터링과 같은 비지도 작업에 적합합니다. 일반적인 생성 모델은 다음과 같습니다. 가우스 혼합 모델 및 기타 혼합 모델 […]

그래프 이론은 조합수학의 한 분야입니다. 주요 연구 대상은 그래프입니다. 여기서 그래프는 여러 개의 주어진 정점과 두 정점을 연결하는 간선으로 구성된 도형을 의미합니다. 이는 종종 사물 간의 특수한 관계를 설명하는 데 사용되며, 정점은 사물을 나타내고 모서리는 사물 간의 연결을 나타냅니다. 그래프 이론은 1736년 오일러가 해결한 쾨니히스베르크의 일곱 다리 문제에서 유래되었습니다.

그래디언트 폭발 문제는 일반적으로 딥 네트워크에서 가중치 초기화 값이 너무 클 때 발생하며, 일반적으로 네트워크 계층 수가 증가할수록 더욱 두드러집니다. 활성화 함수의 미분을 취하면 결과가 1보다 크면 레이어의 개수가 늘어날수록 최종 그래디언트 업데이트가 기하급수적으로 증가하게 됩니다. 즉, 그래디언트 폭발이 발생합니다. 결과가 1보다 작으면 레이어의 개수는 […]

고유 분해는 행렬의 곱을 고유값과 고유벡터로 분해하여 표현하는 방법입니다. 그러나 대각화 가능한 행렬만 고유분해가 가능합니다. 행렬 곱셈은 변환에 해당합니다. 즉, 벡터를 다른 방향과 길이를 가진 새로운 벡터로 변환하는 것입니다. 이 과정에서 원래 벡터는 회전하고 확장됩니다.

알고리즘은 유한한 길이의 목록을 표현하는 효율적인 방법입니다. 수학과 컴퓨터 과학에서 알고리즘은 명확하게 정의된 특정 계산 단계의 순서로 볼 수 있습니다.

조화평균은 평균을 계산하는 방법으로, 단순평균과 가중평균의 두 가지 형태로 나눌 수 있습니다. 가중 조화 평균은 가중 산술 평균의 변형입니다. 대부분의 경우, 우리는 각 그룹에서 특정 부호 값의 합 m만 알고 있고, 전체 단위 수 f에 대한 정보는 부족합니다. 따라서 우리는 가중 산술 평균법을 직접 사용하여 계산할 수 없으며 […]

시행착오는 반복적으로 시도하여 문제를 해결하는 방법입니다.

여유 변수는 분류를 위해 소프트 마진 방법을 적용할 때 추가되는 보조 변수입니다. 이상치가 분류에 미치는 영향을 해결하기 위해 도입되었습니다.

확률적 경사 하강법(SGD)은 경사 하강 알고리즘의 반복적 솔루션 접근 방식입니다.

대체 함수는 대상 함수를 사용할 수 없거나 성능이 좋지 않을 때 사용되는 함수입니다.

손실 함수는 모델의 품질을 측정하고 예측하는 데 사용되는 지표입니다. 이는 모델의 예측값과 실제값 사이의 차이를 반영합니다. 이는 경험적 위험 함수의 핵심 부분이자 구조적 위험 함수의 구성 요소입니다. 일반 손실 함수 로그 손실 함수 제곱 손실 함수 지수 손실 함수 힌지 손실 함수

사라지는 기울기 문제는 경사 하강법과 역전파법을 사용하여 인공 신경망을 학습할 때 발생하는 어려운 문제입니다.

t-SNE(T-Distributed Stochastic Neighbor Embedding)는 차원 축소를 위한 머신 러닝 방법입니다.

트리뱅크는 문장의 단어 분할, 품사 태깅, 구문 구조 관계 태깅을 수행하는 심층처리 코퍼스입니다.

튜링 머신은 결정론적 튜링 머신이라고도 불리며, 앨런 튜링이 1936년에 제안한 추상적인 컴퓨팅 모델입니다. 더 추상적인 의미는 수학적 논리 기계로, 유한한 논리적 수학적 프로세스와 동등한 궁극의 강력한 논리 기계로 간주될 수 있습니다.

전문화는 일반적인 것에서 구체적인 것으로 가는 과정입니다.

동의어 집합은 같은 의미를 가진 단어의 집합입니다.

시간 단계는 물리 시뮬레이션 간의 시간 간격이 얼마나 작은지를 정의합니다. 게임 엔진에서 이는 함수를 얼마나 자주 실행해야 하는지를 나타냅니다.

매개변수 튜닝은 더 나은 결과를 얻기 위해 매개변수를 조정하는 행위를 말합니다.

수치적 속성은 데이터를 정량적으로 설명하는 속성 유형으로, 데이터가 측정 가능한 양이라는 의미입니다.

일반 인공지능은 인간과 동등하거나 더 뛰어난 능력을 갖춘 지적 개체를 말합니다. 강력한 인공지능이라고도 불리며, 일반 인간이 보이는 모든 지적 행동을 보여줄 수 있습니다. 기존 인공지능이나 주류 인공지능에서 사용하는 AI라는 용어와 구별하기 위해 공통적인 접두사를 붙인다.

속성 공간: 속성에 의해 확장된 공간으로, "샘플 공간" 또는 "입력 공간"이라고도 합니다. 특징 공간: 선형적으로 상관관계가 있는 속성과 모델 구축에 도움이 되지 않는 속성을 제외하여 형성된 속성 공간을 특징 공간이라고 합니다. 관련 개념 데이터 세트 […]

나이브 베이즈 분류기는 "속성 조건부 독립성 가정"을 채택합니다. 즉, 알려진 범주에 대해 모든 속성은 서로 독립적이라고 가정합니다. 개선된 나이브 베이즈: 다른 속성이 지닌 정보가 학습 세트에 나타난 적이 없는 속성 값에 의해 "지워지는" 것을 방지하기 위해 확률 값을 추정할 때 일반적으로 "평활화"를 수행하며, 종종 "라플라스 보정"을 사용합니다. […]

생성적 적대 신경망은 두 개의 신경망이 서로 경쟁하도록 구현된 비지도 학습 방법입니다. 이 방법은 2014년 이언 굿펠로우가 제안했습니다. 생성적 적대 네트워크에는 생성 네트워크와 차별 네트워크가 포함됩니다. 생성 네트워크는 잠재 공간에서 무작위 샘플을 입력으로 받고 출력은 훈련 결과를 모방해야 합니다. […]

머신 러닝에서 생성 모델은 데이터를 직접 모델링하는 데 사용할 수도 있고, 변수 간의 조건부 확률 분포를 설정하는 데 사용할 수도 있습니다. 조건부 확률 분포는 베이즈 정리의 생성 모델을 기반으로 할 수 있습니다. 생성 모델은 분류 및 클러스터링과 같은 비지도 작업에 적합합니다. 일반적인 생성 모델은 다음과 같습니다. 가우스 혼합 모델 및 기타 혼합 모델 […]

그래프 이론은 조합수학의 한 분야입니다. 주요 연구 대상은 그래프입니다. 여기서 그래프는 여러 개의 주어진 정점과 두 정점을 연결하는 간선으로 구성된 도형을 의미합니다. 이는 종종 사물 간의 특수한 관계를 설명하는 데 사용되며, 정점은 사물을 나타내고 모서리는 사물 간의 연결을 나타냅니다. 그래프 이론은 1736년 오일러가 해결한 쾨니히스베르크의 일곱 다리 문제에서 유래되었습니다.

그래디언트 폭발 문제는 일반적으로 딥 네트워크에서 가중치 초기화 값이 너무 클 때 발생하며, 일반적으로 네트워크 계층 수가 증가할수록 더욱 두드러집니다. 활성화 함수의 미분을 취하면 결과가 1보다 크면 레이어의 개수가 늘어날수록 최종 그래디언트 업데이트가 기하급수적으로 증가하게 됩니다. 즉, 그래디언트 폭발이 발생합니다. 결과가 1보다 작으면 레이어의 개수는 […]

고유 분해는 행렬의 곱을 고유값과 고유벡터로 분해하여 표현하는 방법입니다. 그러나 대각화 가능한 행렬만 고유분해가 가능합니다. 행렬 곱셈은 변환에 해당합니다. 즉, 벡터를 다른 방향과 길이를 가진 새로운 벡터로 변환하는 것입니다. 이 과정에서 원래 벡터는 회전하고 확장됩니다.

알고리즘은 유한한 길이의 목록을 표현하는 효율적인 방법입니다. 수학과 컴퓨터 과학에서 알고리즘은 명확하게 정의된 특정 계산 단계의 순서로 볼 수 있습니다.

조화평균은 평균을 계산하는 방법으로, 단순평균과 가중평균의 두 가지 형태로 나눌 수 있습니다. 가중 조화 평균은 가중 산술 평균의 변형입니다. 대부분의 경우, 우리는 각 그룹에서 특정 부호 값의 합 m만 알고 있고, 전체 단위 수 f에 대한 정보는 부족합니다. 따라서 우리는 가중 산술 평균법을 직접 사용하여 계산할 수 없으며 […]

시행착오는 반복적으로 시도하여 문제를 해결하는 방법입니다.

여유 변수는 분류를 위해 소프트 마진 방법을 적용할 때 추가되는 보조 변수입니다. 이상치가 분류에 미치는 영향을 해결하기 위해 도입되었습니다.

확률적 경사 하강법(SGD)은 경사 하강 알고리즘의 반복적 솔루션 접근 방식입니다.

대체 함수는 대상 함수를 사용할 수 없거나 성능이 좋지 않을 때 사용되는 함수입니다.

손실 함수는 모델의 품질을 측정하고 예측하는 데 사용되는 지표입니다. 이는 모델의 예측값과 실제값 사이의 차이를 반영합니다. 이는 경험적 위험 함수의 핵심 부분이자 구조적 위험 함수의 구성 요소입니다. 일반 손실 함수 로그 손실 함수 제곱 손실 함수 지수 손실 함수 힌지 손실 함수