머신러닝 용어집

이 용어집에서는 일반적인 머신러닝 용어 및 TensorFlow 관련 용어를 정의합니다.

알고 계셨나요?

상단 탐색 메뉴의 용어집 드롭다운에서 주제를 선택하여 용어집을 필터링할 수 있습니다. 부화 새 아이콘은 ML 초보자를 대상으로 한 정의를 나타냅니다.

A

절제

특성이나 구성요소를 모델에서 일시적으로 삭제하여 그 중요도를 평가하는 기법입니다. 그런 다음 해당 특성 또는 구성요소가 없는 모델을 다시 학습시킵니다. 재학습된 모델의 성능이 훨씬 더 나빠졌다면 삭제된 특성 또는 구성요소가 중요했을 가능성이 높습니다.

예를 들어 10개의 특성에 대해 분류 모델을 학습시키고 테스트 세트에서 88% 의 정밀도를 달성했다고 가정해 보겠습니다. 첫 번째 특성의 중요도를 확인하려면 9개의 다른 특성만 사용하여 모델을 다시 학습시키면 됩니다. 재학습된 모델의 성능이 훨씬 더 나빠진다면 (예: 55% 정밀도) 삭제된 특성이 중요할 가능성이 높습니다. 반대로 재학습된 모델의 성능이 똑같다면 해당 특성은 그다지 중요하지 않을 수 있습니다.

절제는 다음 사항의 중요성을 판단하는 데에도 도움이 될 수 있습니다.

• 더 큰 구성요소(예: 더 큰 ML 시스템의 전체 하위 시스템)
• 프로세스 또는 기술(예: 데이터 전처리 단계)

두 경우 모두 구성요소를 삭제한 후 시스템의 성능이 어떻게 변경되거나 변경되지 않는지 관찰하게 됩니다.

A/B 테스트

두 가지 (또는 그 이상) 기법, 즉 A와 B를 비교하는 통계적 방법입니다. 일반적으로 A는 기존의 기법이고 B는 새로운 기법입니다. A/B 테스트를 통해 실적이 더 우수한 기법뿐 아니라 그 차이가 통계적으로 유의미한지도 파악할 수 있습니다.

A/B 테스팅에서는 일반적으로 두 기법의 단일 측정항목을 비교합니다. 예를 들어 두 기법에 대한 모델 정확도는 어떻게 비교되나요? 하지만 A/B 테스트에서는 유한한 수의 측정항목을 비교할 수도 있습니다.

가속기 칩

#GoogleCloud

딥 러닝 알고리즘에 필요한 주요 계산을 실행하도록 설계된 특수 하드웨어 구성요소의 카테고리입니다.

가속기 칩 (또는 간단히 가속기)은 범용 CPU에 비해 학습 및 추론 작업의 속도와 효율성을 크게 높일 수 있습니다. 신경망 및 이와 유사한 계산 집약적 작업을 학습시키는 데 이상적입니다.

가속기 칩의 예는 다음과 같습니다.

• 딥 러닝 전용 하드웨어가 포함된 Google의 Tensor Processing Unit (TPU)
• NVIDIA의 GPU는 처음에 그래픽 처리를 위해 설계되었지만 병렬 처리를 사용하도록 설계되어 처리 속도를 크게 높일 수 있습니다.

정확성

#fundamentals

올바른 분류 예측 수를 총 예측 수로 나눈 값입니다. 이는 다음과 같은 의미입니다.

$$\text{Accuracy} = \frac{\text{correct predictions}} {\text{correct predictions + incorrect predictions }}$$

예를 들어 올바른 예측을 40번, 잘못된 예측을 10번 실행한 모델의 정확도는 다음과 같습니다.

$$\text{Accuracy} = \frac{\text{40}} {\text{40 + 10}} = \text{80%}$$

이진 분류는 올바른 예측 및 잘못된 예측의 여러 카테고리에 대한 특정 이름을 제공합니다. 이진 분류의 정확도 공식은 다음과 같습니다.

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}} {\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$

각 매개변수는 다음과 같습니다.

• TP는 참양성 (올바른 예측)의 수입니다.
• TN은 참음성 (올바른 예측)의 수입니다.
• FP는 거짓양성 (잘못된 예측)의 수입니다.
• FN은 거짓음성 (잘못된 예측)의 수입니다.

정확도를 정밀도 및 재현율과 비교 및 대조합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

정확성이 일부 상황에서는 중요한 측정항목이지만 다른 상황에서는 혼동을 야기할 수 있습니다. 특히 정확성은 일반적으로 클래스 불균형 데이터 세트를 처리하는 분류 모델을 평가하는 데 적합하지 않은 측정항목입니다.

예를 들어 특정 아열대 도시에서 눈이 세기당 25일만 내린다고 가정해 보겠습니다. 눈이 없는 날 (네거티브 클래스)의 일수가 눈이 오는 날 (포지티브 클래스)이 훨씬 많기 때문에 이 도시의 눈 데이터 세트는 클래스 불균형입니다. 매일 눈 또는 눈이 오지 않을 것으로 예측하지만 매일 '눈이 오지 않음'을 예측하는 이진 분류 모델을 상상해 보세요. 이 모델은 정확도가 높지만 예측 성능이 없습니다. 다음 표에는 한 세기에 걸친 예측 결과가 요약되어 있습니다.

카테고리	숫자
TP	0
TN	36500
FP	25
FN	0

따라서 이 모델의 정확성은 다음과 같습니다.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36500) / (0 + 36500 + 25 + 0) = 0.9993 = 99.93%

99.93% 의 정확성은 매우 높은 비율인 것처럼 보이지만 사실 모델에는 예측 성능이 없습니다.

정밀도와 재현율은 일반적으로 클래스 불균형 데이터 세트로 학습된 모델을 평가하는 데 정확성보다 유용한 측정항목입니다.

---

작업

#rl

강화 학습에서 에이전트가 환경의 상태 간에 전환하는 메커니즘입니다. 에이전트가 정책을 사용하여 작업을 선택합니다.

활성화 함수

#fundamentals

신경망이 특성과 라벨 간의 비선형 (복잡한) 관계를 학습할 수 있도록 하는 함수입니다.

많이 사용되는 활성화 함수는 다음과 같습니다.

• ReLU
• 시그모이드

활성화 함수의 도표는 절대로 단일 직선이 아닙니다. 예를 들어 ReLU 활성화 함수의 도표는 두 개의 직선으로 구성됩니다.

시그모이드 활성화 함수의 도표는 다음과 같습니다.

예를 보려면 아이콘을 클릭하세요.

신경망에서 활성화 함수는 뉴런에 대한 모든 입력의 가중치가 적용된 합계를 조작합니다. 가중치가 적용된 합계를 계산하기 위해 뉴런은 관련 값과 가중치의 곱을 더합니다. 예를 들어 뉴런의 관련 입력이 다음과 같이 구성되어 있다고 가정해 보겠습니다.

입력 값	입력 가중치
2	-1.3점
-1	0.6
3	0.4

따라서 가중치가 적용된 합계는 다음과 같습니다.

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

이 신경망의 디자이너가 시그모이드 함수를 활성화 함수로 선택했다고 가정해 보겠습니다. 이 경우 뉴런은 약 0.12인 -2.0의 시그모이드를 계산합니다. 따라서 뉴런은 신경망의 다음 레이어로 -2.0이 아닌 0.12를 전달합니다. 다음 그림은 프로세스의 관련 부분을 보여줍니다.

---

능동적 학습

알고리즘이 학습하는 데이터의 일부를 선택하는 학습 접근 방식입니다. 능동적 학습은 라벨이 있는 예가 부족하거나 구축하는 데 많은 비용이 드는 경우에 유용합니다. 능동적 학습 알고리즘은 라벨이 있는 다양한 예를 맹목적으로 찾는 대신 학습에 필요한 특정 범위의 예를 선택적으로 찾습니다.

AdaGrad

각 매개변수의 경사를 재조정하여 각 매개변수에 독립적인 학습률을 효과적으로 부여하는 정교한 경사하강법 알고리즘입니다. 자세한 설명은 이 AdaGrad 논문을 참조하세요.

에이전트

#rl

강화 학습에서 정책을 사용하여 환경의 상태 간에 전환할 때 예상되는 수익을 극대화하는 항목을 말합니다.

보다 일반적으로 에이전트란 목표를 달성하기 위해 일련의 작업을 자율적으로 계획하고 실행하는 소프트웨어로, 환경의 변화에 적응할 수 있습니다. 예를 들어 LLM 기반 에이전트는 강화 학습 정책을 적용하는 대신 LM을 사용하여 계획을 생성할 수 있습니다.

병합형 군집화

#clustering

계층적 군집화를 참고하세요.

이상 감지

이상점을 식별하는 프로세스입니다. 예를 들어 특정 특성의 평균이 100이고 표준 편차가 10이면 이상 감지는 200 값을 의심스러운 값으로 표시해야 합니다.

AR

증강 현실의 약어입니다.

PR 곡선 아래 영역

PR AUC (PR 곡선 아래 영역)를 참고하세요.

ROC 곡선 아래 면적

AUC (ROC 곡선 아래 영역)를 참고하세요.

인공지능

광범위한 문제 해결, 창의성, 적응성을 보여주는 인간이 아닌 메커니즘입니다. 예를 들어 인공지능을 선보인 프로그램은 텍스트를 번역하고 교향곡을 작곡하며 아직 발명되지 않은 게임에 탁월할 수 있습니다.

오해가 있는데

#fundamentals

복잡한 작업을 해결할 수 있는 사람이 아닌 프로그램 또는 model입니다. 예를 들어 텍스트를 번역하는 프로그램이나 모델이나 방사선 이미지에서 질병을 식별하는 프로그램 또는 모델은 둘 다 인공지능을 나타냅니다.

공식적으로 머신러닝은 인공지능의 하위 분야입니다. 그러나 최근 몇 년 동안 일부 조직에서는 인공지능과 머신러닝이라는 용어를 동일한 의미로 사용하기 시작했습니다.

Attention,

#language

특정 단어 또는 단어 일부의 중요성을 나타내는 신경망에서 사용되는 메커니즘입니다. 어텐션은 모델이 다음 토큰/단어를 예측하는 데 필요한 정보의 양을 압축합니다. 일반적인 어텐션 메커니즘은 입력 세트에 대한 가중치가 적용된 합계로 구성될 수 있으며, 여기서 각 입력의 가중치는 신경망의 다른 부분에서 계산됩니다.

Transformer의 구성요소인 셀프 어텐션 및 멀티 헤드 셀프 어텐션도 참조하세요.

속성

#fairness

기능의 동의어입니다.

머신러닝 공정성에서 속성은 종종 개인과 관련된 특성을 나타냅니다.

속성 샘플링

#df

조건을 학습할 때 각 결정 트리에서 가능한 특성의 무작위 하위 집합만 고려하는 결정 포레스트 학습 전략입니다. 일반적으로 특성의 다른 하위 집합이 노드마다 샘플링됩니다. 반면에 속성 샘플링 없이 의사 결정 트리를 학습하면 각 노드에 가능한 모든 특성이 고려됩니다.

AUC (ROC 곡선 아래 영역)

#fundamentals

포지티브 클래스와 네거티브 클래스를 구분하는 이진 분류 모델의 기능을 나타내는 0.0에서 1.0 사이의 숫자입니다. AUC가 1.0에 가까울수록 클래스를 서로 분리하는 모델의 기능이 더 좋습니다.

예를 들어 다음 그림은 포지티브 클래스 (녹색 타원)와 네거티브 클래스(보라색 직사각형)를 완벽하게 구분하는 분류기 모델을 보여줍니다. 비현실적으로 완벽한 이 모델의 AUC는 1.0입니다.

반대로 다음 그림은 무작위 결과를 생성한 분류기 모델의 결과를 보여줍니다. 이 모델의 AUC는 0.5입니다.

예, 이전 모델의 AUC는 0.0이 아닌 0.5입니다.

대부분의 모델은 두 극단 사이의 어딘가에 있습니다. 예를 들어 다음 모델에서는 양성과 음성이 어느 정도 분리되므로 0.5와 1.0 사이의 AUC가 있습니다.

AUC는 분류 임곗값에 설정된 모든 값을 무시합니다. 대신 AUC는 가능한 모든 분류 임곗값을 고려합니다.

AUC 곡선과 ROC 곡선 간의 관계에 대해 알아보려면 아이콘을 클릭하세요.

AUC는 ROC 곡선 아래 영역을 나타냅니다. 예를 들어 양성과 음성을 완벽하게 구분하는 모델의 ROC 곡선은 다음과 같습니다.

AUC는 앞의 그림에서 회색 영역의 면적입니다. 이 특이한 경우에서 영역은 단순히 회색 영역의 길이(1.0)에 회색 영역의 너비 (1.0)를 곱한 값입니다. 따라서 1.0과 1.0의 곱은 정확히 1.0의 AUC를 산출하며, 이는 가능한 가장 높은 AUC 점수입니다.

반대로 클래스를 전혀 구분할 수 없는 분류기의 ROC 곡선은 다음과 같습니다. 이 회색 영역의 면적은 0.5입니다.

좀 더 일반적인 ROC 곡선은 대략 다음과 같습니다.

이 곡선 아래 면적을 수동으로 계산하려면 번거로울 수 있으므로 일반적으로 프로그램에서 대부분의 AUC 값을 계산합니다.

---

AUC의 더 공식적인 정의를 보려면 아이콘을 클릭하세요.

AUC는 무작위로 선택된 양성 예가 실제로 양성일 가능성이 무작위로 선택된 음성 예가 양성일 때보다 임의로 선택한 양성 예가 더 확신할 확률입니다.

---

증강 현실

#image

컴퓨터에서 생성한 이미지를 사용자의 실제 시각에 중첩하여 합성 보기를 제공하는 기술입니다.

자동 인코더

#language

#image

입력에서 가장 중요한 정보를 추출하는 방법을 학습하는 시스템입니다. 자동 인코더는 인코더와 디코더의 조합입니다. 자동 인코더는 다음과 같은 2단계 프로세스에 의존합니다.

1. 인코더는 일반적으로 입력을 손실이 있는 저차원(중간) 형식에 매핑합니다.
2. 디코더는 저차원 형식을 원래의 고차원 입력 형식에 매핑하여 원본 입력의 손실 버전을 빌드합니다.

자동 인코더는 디코더가 인코더의 중간 형식에서 원본 입력을 최대한 가깝게 재구성하도록 시도함으로써 엔드 투 엔드 학습이 이루어집니다. 중간 형식은 원본 형식보다 더 작기(저차원)이므로 오토인코더는 입력의 어떤 정보가 필수인지 학습해야 하며 출력이 입력과 완전히 동일하지는 않습니다.

예를 들면 다음과 같습니다.

• 입력 데이터가 그래픽인 경우 정확하지 않은 사본은 원본 그래픽과 유사하지만 약간 수정되었습니다. 정확하지 않은 사본이 원본 그래픽에서 노이즈를 제거하거나 누락된 일부 픽셀을 채울 수 있습니다.
• 입력 데이터가 텍스트인 경우 오토인코더는 원본 텍스트를 모방하지만 동일하지는 않은 새 텍스트를 생성합니다.

변분 자동 인코더도 참조하세요.

자동화 편향

#fairness

자동화된 의사 결정 시스템에 오류가 있는 경우에도 의사 결정권자가 자동화된 의사 결정 시스템이 제공하는 추천을 자동화 없이 생성된 정보보다 선호하는 경우입니다.

AutoML

머신러닝 모델을 빌드하기 위한 자동화된 프로세스 AutoML은 다음과 같은 작업을 자동으로 수행할 수 있습니다.

• 가장 적절한 모델을 검색합니다.
• 초매개변수를 조정합니다.
• 데이터를 준비합니다 (특성 추출 수행 포함).
• 결과 모델을 배포합니다.

AutoML을 사용하면 머신러닝 파이프라인 개발에 드는 시간과 노력을 절약하고 예측 정확도를 높일 수 있으므로 데이터 과학자에게 유용합니다. 또한 복잡한 머신러닝 작업에 보다 쉽게 액세스할 수 있으므로 전문가가 아닌 사람도 유용합니다.

자동 회귀 모델

#language

#image

#생성형AI

자체 이전 예측을 기반으로 예측을 추론하는 model입니다. 예를 들어 자동 회귀 언어 모델은 이전에 예측된 토큰을 기반으로 다음 토큰을 예측합니다. 모든 Transformer 기반 대규모 언어 모델은 자동 회귀적입니다.

반면 GAN 기반 이미지 모델은 단일 정방향 전달로 이미지를 생성하고 단계를 반복적으로 생성하지 않으므로 일반적으로 자동 회귀가 아닙니다. 하지만 특정 이미지 생성 모델은 단계별로 이미지를 생성하므로 자동 회귀적입니다.

보조 손실

손실 함수: 신경망 모델의 주요 손실 함수와 함께 사용되며, 가중치가 무작위로 초기화되는 초기 반복 중에 학습을 가속화하는 데 도움이 됩니다.

보조 손실 함수는 유효한 경사를 이전 레이어로 푸시합니다. 이는 경사 소실 문제를 방지하여 학습 도중 수렴을 용이하게 합니다.

평균 정밀도

순위가 지정된 결과의 실적을 요약하기 위한 측정항목입니다. 평균 정밀도는 관련된 각 결과 (이전 결과에 비해 재현율이 증가하는 순위 목록의 각 결과)의 정밀도 값의 평균을 취해 계산합니다.

PR 곡선 아래 영역도 참고하세요.

축 정렬 조건

#df

결정 트리에서 단일 특성만 포함된 조건입니다. 예를 들어 영역이 지형지물인 경우 다음은 축 정렬 조건입니다.

area > 200

경사 조건과 대비되는 개념입니다.

B

역전파

#fundamentals

신경망에서 경사하강법을 구현하는 알고리즘입니다.

신경망 학습에는 다음 두 패스 주기의 여러 반복이 포함됩니다.

1. 정방향 전달 중에 시스템은 예의 배치를 처리하여 예측을 생성합니다. 시스템은 각 예측을 각 label 값과 비교합니다. 이 예에서 예측과 라벨 값의 차이는 손실입니다. 시스템은 모든 예시의 손실을 집계하여 현재 배치의 총 손실을 계산합니다.
2. 역방향 전달(역전파) 중에 시스템은 모든 히든 레이어에 있는 모든 뉴런의 가중치를 조정하여 손실을 줄입니다.

신경망은 종종 여러 히든 레이어에 여러 뉴런을 포함합니다. 이러한 각 뉴런은 다양한 방식으로 전체 손실에 기여합니다. 역전파는 특정 뉴런에 적용되는 가중치를 늘리거나 줄일지 결정합니다.

학습률은 각 역방향 전달이 각 가중치를 늘리거나 줄이는 정도를 제어하는 배수입니다. 학습률이 크면 각 가중치가 작은 학습률보다 더 많이 증가하거나 감소합니다.

미적분에서 역전파는 미적분에서 연쇄 규칙을 구현합니다. 즉, 역전파는 각 매개변수와 관련하여 오류의 편미분을 계산합니다.

몇 년 전만 해도 ML 실무자는 역전파를 구현하기 위해 코드를 작성해야 했습니다. 이제 TensorFlow와 같은 최신 ML API에서 역전파가 자동으로 구현됩니다. 다양한 혜택이 마음에 드셨나요?

자지 빼기

#df

앙상블을 학습하는 방법으로, 각 구성 요소 모델이 대체로 샘플링된 학습 예의 무작위 하위 집합으로 학습합니다. 예를 들어 랜덤 포레스트는 배깅으로 학습된 결정 트리의 모음입니다.

배깅이라는 용어는 부스트랩 집계의 줄임말입니다.

단어 집합

#language

순서와 관계없이 구문이나 구절에서 단어를 나타낸 것입니다 예를 들어 단어 집합은 다음 세 가지 구문을 동일하게 나타냅니다.

• 개가 점프합니다
• 개를 점프해요
• 개가 점프하는

각 단어는 희소 벡터의 색인에 매핑됩니다. 벡터에는 어휘의 모든 단어에 대한 색인이 있습니다. 예를 들어 the dog 점프 문구는 특성 벡터에 매핑되며, 이 벡터에 the, dog, jumps 단어에 해당하는 세 개의 색인에 0이 아닌 값이 지정되어 있습니다. 0이 아닌 값은 다음 중 하나일 수 있습니다.

• 1은 단어가 있음을 나타냅니다.
• 모음에 단어가 나타나는 횟수입니다. 예를 들어 the maroon dog is a dog with maroon fur라는 어구가 있는 경우, maroon과 dog는 모두 2로 표시되고 다른 단어는 1로 표시됩니다.
• 기타 값(예: 단어가 가방에 표시된 횟수의 로그)입니다.

기준

다른 모델 (일반적으로 더 복잡한 모델)의 성능을 비교하는 참조 지점으로 사용되는 model입니다. 예를 들어 로지스틱 회귀 모델이 심층 모델의 좋은 기준이 될 수 있습니다.

특정 문제의 경우 기준은 새 모델이 유용하기 위해 달성해야 하는 최소 예상 성능을 모델 개발자가 수치화하는 데 도움이 됩니다.

일괄

#fundamentals

하나의 학습 반복에 사용되는 예시 집합입니다. 배치 크기에 따라 배치의 예 수가 결정됩니다.

배치가 에포크와 어떤 관련이 있는지에 관한 설명은 에포크를 참고하세요.

일괄 추론

#TensorFlow

#GoogleCloud

라벨이 지정되지 않은 여러 예에 대한 예측을 더 작은 하위 집합 ('배치')으로 나누어 추론하는 프로세스입니다.

일괄 추론은 가속기 칩의 동시 로드 기능을 활용할 수 있습니다. 즉, 여러 가속기가 라벨이 지정되지 않은 예의 여러 배치에서 동시에 예측을 추론할 수 있으므로 초당 추론 수가 크게 증가합니다.

배치 정규화

히든 레이어에서 활성화 함수의 입력 또는 출력을 정규화합니다. 배치 정규화는 다음과 같은 이점을 제공할 수 있습니다.

• 이상점 가중치로부터 보호하여 신경망의 안정성을 개선하세요.
• 더 높은 학습률을 사용 설정하면 학습 속도가 빨라집니다.
• 과적합을 줄입니다.

배치 크기

#fundamentals

배치 내 예의 개수입니다. 예를 들어 배치 크기가 100이면 모델은 반복당 예시 100개를 처리합니다.

다음은 많이 사용되는 배치 크기 전략입니다.

• 확률적 경사하강법 (SGD): 배치 크기가 1입니다.
• 전체 배치, 여기서 배치 크기는 전체 학습 세트에 있는 예의 수입니다. 예를 들어 학습 세트에 백만 개의 예가 포함된 경우 배치 크기는 예 100만 개가 됩니다. 전체 배치는 일반적으로 비효율적인 전략입니다.
• 미니 배치: 배치 크기가 일반적으로 10에서 1000 사이입니다. 일반적으로 미니 배치가 가장 효율적인 전략입니다.

베이즈 신경망

가중치와 출력에서 불확실성을 설명하는 확률적 신경망입니다. 표준 신경망 회귀 모델은 일반적으로 스칼라 값을 예측합니다. 예를 들어 표준 모델은 주택 가격 853,000달러를 예측합니다. 반면, 베이즈 신경망은 값의 분포를 예측합니다. 예를 들어 베이즈 모델은 표준 편차가 67,200이고 주택 가격이 853,000이라고 예측합니다.

베이즈 신경망은 베이즈의 정리에 따라 가중치와 예측으로 불확실성을 계산합니다. 베이즈 신경망은 제약 관련 모델에서와 같이 불확실성을 수치화하는 것이 중요한 경우에 유용할 수 있습니다. 또한 베이즈 신경망을 사용하면 과적합을 방지할 수 있습니다.

확률적 최적화

베이즈 학습 기법을 사용하여 불확실성을 정량화하는 서로게이트를 최적화하여 계산 비용이 많이 드는 목표 함수를 최적화하는 확률적 회귀 모델 기술입니다. Bayesian 최적화 자체는 비용이 매우 많이 들기 때문에, 일반적으로 초매개변수 선택과 같이 매개변수 수가 적은, 비용이 많이 드는 평가를 최적화하는 데 사용됩니다.

벨만 방정식

#rl

강화 학습에서 다음 ID는 최적의 Q-함수로 충족됩니다.

\[Q(s, a) = r(s, a) + \gamma \mathbb{E}_{s'|s,a} \max_{a'} Q(s', a')\]

강화 학습 알고리즘은 이 ID를 적용하여 다음 업데이트 규칙을 통해 Q-learning을 만듭니다.

\[Q(s,a) \gets Q(s,a) + \alpha \left[r(s,a) + \gamma \displaystyle\max_{\substack{a_1}} Q(s',a') - Q(s,a) \right] \]

Bellman 방정식은 강화 학습 외에도 동적 프로그래밍에 적용될 수 있습니다. 벨만 방정식의 위키백과 항목을 참고하세요.

BERT (Bidirectional Encoder Representations from Transformers)

#language

텍스트 표현을 위한 모델 아키텍처 학습된 BERT 모델은 텍스트 분류 또는 기타 ML 작업에서 더 큰 모델의 일부로 작동할 수 있습니다.

BERT에는 다음과 같은 특징이 있습니다.

• Transformer 아키텍처를 사용하므로 셀프 어텐션을 사용합니다.
• Transformer의 인코더 부분을 사용합니다. 인코더의 역할은 분류와 같은 특정 작업을 실행하기보다는 적절한 텍스트 표현을 생성하는 것입니다.
• 양방향입니다.
• 비지도 학습에 마스킹을 사용합니다.

BERT의 변종은 다음과 같습니다.

• ALBERT는 A Light BERT의 약자입니다.
• LaBSE.

BERT의 개요는 오픈소스 BERT: 자연어 처리를 위한 첨단 사전 학습을 참조하세요.

편향(bias)(윤리학/공정성)

#fairness

#fundamentals

1. 특정 사물, 사람 또는 그룹에 대한 고정 관념, 편견 또는 편애 이러한 편향은 데이터 수집 및 해석, 시스템 설계, 사용자가 시스템과 상호작용하는 방식에 영향을 줄 수 있습니다. 이러한 유형의 편향은 다음과 같습니다.

• 자동화 편향
• 확증 편향
• 실험자 편향
• 그룹 귀인 편향을
• 내재적 편향
• 내집단 편향
• 외부 집단 동질화 편향

2. 샘플링 또는 보고 절차로 인해 발생하는 계통 오차입니다. 이러한 유형의 편향은 다음과 같습니다.

• 노출 편향
• 무응답 편향
• 참여 편향
• 보고 편향
• 표본 추출 편향을
• 표본 선택 편향

머신러닝 모델의 바이어스 항 또는 예측 편향과 혼동하지 마시기 바랍니다.

편향(bias)(수학) 또는 편향 항

#fundamentals

원점으로부터의 절편 또는 오프셋입니다. 편향은 머신러닝 모델에서 매개변수이며 다음 중 하나로 기호화됩니다.

• b
• w₀

예를 들어 다음 수식에서 편향은 b입니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

단순한 2차원 선에서 편향은 'y절편'을 의미합니다. 예를 들어 다음 그림에서 선의 편향은 2입니다.

편향이 존재하는 이유는 모든 모델이 원점 (0,0)에서 시작하지 않기 때문입니다. 예를 들어 놀이공원에 들어가는 데 2유로가 들고 고객이 머무를 때마다 0.5유로가 추가된다고 가정해 보겠습니다. 따라서 총 비용을 매핑하는 모델의 편향은 2입니다. 가장 낮은 비용이 2유로이기 때문입니다.

편향을 윤리 및 공정성의 편향 또는 예측 편향과 혼동해서는 안 됩니다.

양방향

#language

대상 텍스트의 대상 섹션 앞과 뒤에 있는 텍스트를 평가하는 시스템을 설명하는 데 사용되는 용어입니다. 반대로 단방향 시스템은 텍스트의 타겟 섹션 앞에 있는 텍스트만 평가합니다.

예를 들어 다음 질문에서 밑줄을 나타내는 단어의 확률을 결정해야 하는 마스크 언어 모델이 있다고 가정해 보겠습니다.

당신에게 어떤 _____이(가) 있습니까?

단방향 언어 모델은 'What', 'is', 'the'라는 단어에서 제공하는 컨텍스트만을 기반으로 확률을 나타내야 합니다. 반면 양방향 언어 모델은 'with'와 'you'에서 컨텍스트를 얻을 수도 있으므로 모델이 더 나은 예측을 생성하는 데 도움이 될 수 있습니다.

양방향 언어 모델

#language

이전 및 다음 텍스트를 기반으로 텍스트 발췌 부분에서 특정 토큰이 지정된 위치에 나타날 가능성을 결정하는 언어 모델입니다.

Bigram

#seq

#language

N=2인 N-그램입니다.

이진 분류

#fundamentals

상호 배타적인 두 클래스 중 하나를 예측하는 분류 작업 유형입니다.

• 포지티브 클래스
• 네거티브 클래스

예를 들어 다음 두 머신러닝 모델은 각각 이진 분류를 수행합니다.

• 이메일 메시지가 스팸 (포지티브 클래스)인지 스팸이 아닌 클래스 (네거티브 클래스)인지 결정하는 모델입니다.
• 의학적 증상을 평가하여 사람의 특정 질병 (포지티브 클래스) 또는 병력이 없는지 (네거티브 클래스)를 판단하는 모델입니다.

다중 클래스 분류와 대비되는 개념입니다.

로지스틱 회귀 및 분류 임곗값도 참조하세요.

바이너리 조건

#df

결정 트리에서 가능한 결과가 두 개(일반적으로 예 또는 아니요)만 있는 조건입니다. 예를 들어 다음은 이진 조건입니다.

temperature >= 100

비바이너리 조건과 대비되는 개념입니다.

비닝

버케팅의 동의어입니다.

BLEU (이중 언어 평가 연구)

#language

두 인간 언어 간 번역 품질을 나타내는 0.0에서 1.0 사이의 점수입니다 (예: 영어와 러시아어 간 번역). BLEU 점수 1.0은 완벽한 번역을 나타내며 0.0점은 번역 품질이 좋지 않음을 나타냅니다.

부스팅

모델이 현재 잘못 분류하고 있는 예를 가중치 상향 조정하여 단순하고 정확하지 않은 분류기('약한' 분류기라고도 함)를 정확도가 높은 분류기('강한' 분류기)로 반복적으로 결합하는 머신러닝 기법입니다.

경계 상자

#image

이미지에서 아래 이미지의 강아지와 같이 관심 영역을 둘러싼 직사각형의 (x, y) 좌표입니다.

브로드캐스팅

행렬 수학 연산에서 피연산자의 모양을 해당 연산과 호환되는 차원으로 확장합니다. 예를 들어 선형 대수에서는 행렬 덧셈 연산의 두 피연산자의 차원이 동일해야 합니다. 따라서 (m, n) 형태의 행렬을 길이 n의 벡터에 추가할 수 없습니다. 브로드캐스팅은 각 열 아래에 동일한 값을 복제하여 길이 n의 벡터를 (m, n) 형태의 행렬로 가상 확장함으로써 이 연산을 가능하게 합니다.

예를 들어 다음과 같은 정의에서 선형 대수는 A+B를 금지합니다. A와 B의 차원이 다르기 때문입니다.

A = [[7, 10, 4],
     [13, 5, 9]]
B = [2]

그러나 브로드캐스팅을 사용하면 B를 다음과 같이 확장하여 A+B 연산이 가능합니다.

 [[2, 2, 2],
  [2, 2, 2]]

따라서 이제 A+B는 유효한 연산입니다.

[[7, 10, 4],  +  [[2, 2, 2],  =  [[ 9, 12, 6],
 [13, 5, 9]]      [2, 2, 2]]      [15, 7, 11]]

자세한 내용은 다음 NumPy의 브로드캐스팅 설명을 참조하세요.

버킷팅

#fundamentals

단일 특성을 일반적으로 값 범위를 기준으로 버킷 또는 빈이라고 하는 여러 이진 특성으로 변환합니다. 잘린 특성은 일반적으로 연속 특성입니다.

예를 들어 온도를 단일 연속 부동 소수점 특성으로 나타내는 대신 온도 범위를 다음과 같이 개별 버킷으로 나눌 수 있습니다.

• 섭씨 10도 이하는 '차가운' 양동이가 됩니다.
• 섭씨 11 - 24도는 '온대' 양동이가 됩니다.
• 섭씨 25도 이상이면 '따뜻한' 양동이가 됩니다.

모델은 동일한 버킷의 모든 값을 동일하게 취급합니다. 예를 들어 값 13 및 22가 모두 임시 버킷에 있으므로 모델은 두 값을 동일하게 취급합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

온도를 연속 특성으로 표현하는 경우 모델은 온도를 단일 특성으로 처리합니다. 온도를 3개의 버킷으로 표현하는 경우 모델은 각 버킷을 별도의 특성으로 취급합니다. 즉, 모델은 라벨에 대한 각 버킷의 개별 관계를 학습할 수 있습니다. 예를 들어 선형 회귀 모델은 버킷마다 별도의 가중치를 학습할 수 있습니다.

버킷 수를 늘리면 모델이 학습해야 하는 관계의 수가 증가하여 모델이 더 복잡해집니다. 예를 들어 콜드, 온대, 웜 버킷은 기본적으로 모델을 학습시킬 수 있는 3가지 개별 특성입니다. 버킷 2개(예: 고정 및 핫)를 더 추가하려면 모델이 이제 5개의 개별 특성에 대해 학습해야 합니다.

생성할 버킷 수 또는 각 버킷의 범위를 어떻게 알 수 있나요? 일반적으로 실험을 하려면 꽤 많은 실험이 필요합니다.

---

C

보정 레이어

일반적으로 예측 편향을 처리하기 위한 예측 후 조정입니다. 조정된 예측과 확률은 관찰된 라벨 집합의 분포와 일치해야 합니다.

후보 생성

#recsystems

추천 시스템에서 선택하는 초기 추천 모음입니다. 100,000권의 책을 판매하는 서점을 예로 들어 보겠습니다. 후보 생성 단계에서는 특정 사용자에게 적합한 도서 목록(예: 500권)을 더 적게 만듭니다. 하지만 500권도 사용자에게 추천하기에는 너무 많습니다. 이후에 비용이 더 많이 드는 추천 시스템 단계 (스코어링 및 순위 재지정)를 수행하면 이러한 500개 항목이 훨씬 작고 유용한 추천 세트로 줄어듭니다.

후보 샘플링

학습 시간 최적화로, 예를 들어 소프트맥스를 사용하지만 음성 라벨의 무작위 샘플에 대해서만 모든 양성 라벨의 확률을 계산합니다. 예를 들어 beagle과 dog 라벨이 지정된 예에서 후보 샘플링은 다음에 대한 예측 확률과 이에 상응하는 손실 항을 계산합니다.

• 비글
• 개
• 나머지 네거티브 클래스의 무작위 하위 집합 (예: 고양이, 롤리팝, 펜스)

포지티브 클래스가 항상 적절한 긍정 강화를 얻을 수 있다면 네거티브 클래스가 빈도가 낮은 부정 강화로부터 학습할 수 있으며, 이는 실제로 경험적으로 관찰됩니다.

후보 샘플링은 특히 네거티브 클래스의 개수가 매우 많을 때 모든 네거티브 클래스에 대한 예측을 계산하는 학습 알고리즘보다 계산 효율이 높습니다.

범주형 데이터

#fundamentals

가능한 특정 값 집합을 갖는 특성입니다. 예를 들어 다음 세 가지 값 중 하나만 가질 수 있는 traffic-light-state이라는 범주형 특성이 있다고 가정해 보겠습니다.

• red
• yellow
• green

모델은 traffic-light-state를 범주형 특성으로 표현함으로써 red, green, yellow가 드라이버 동작에 미치는 다양한 영향을 학습할 수 있습니다.

범주형 특성을 불연속 특성이라고도 합니다.

수치 데이터와 대비되는 개념입니다.

인과 언어 모델

#language

단방향 언어 모델의 동의어입니다.

언어 모델링의 여러 방향성 접근 방식을 비교하려면 양방향 언어 모델을 참고하세요.

centroid

#clustering

k-평균 또는 k-중앙값 알고리즘에 따라 결정된 클러스터의 중심입니다. 예를 들어 k가 3이면 k-평균 또는 k-중앙값 알고리즘은 3개의 중심을 찾습니다.

중심 기반 군집화

#clustering

데이터를 비계층적 클러스터로 구성하는 클러스터링 알고리즘의 카테고리입니다. k-평균은 가장 널리 사용되는 중심 기반 클러스터링 알고리즘입니다.

계층적 군집화 알고리즘과 대비되는 개념입니다.

생각의 연쇄 프롬프팅

#language

#생성형AI

대규모 언어 모델 (LLM)이 그 이유를 단계별로 설명하도록 장려하는 프롬프트 엔지니어링 기술입니다. 두 번째 문장에 특히 주의를 기울인 다음 프롬프트를 살펴보겠습니다

7초에 시속 0마일에서 60마일로 이동하는 자동차에서 운전자는 몇 g의 힘을 경험할까요? 답변에서 모든 관련 계산을 표시합니다.

LLM의 응답은 다음과 같을 것입니다.

• 일련의 물리학 공식을 보여주고 0, 60, 7을 적절한 위치에 꽂습니다.
• 그 공식을 선택한 이유와 다양한 변수의 의미를 설명하십시오.

사고 체인 프롬프팅은 LLM이 모든 계산을 수행하도록 강제하므로 더 정확한 답으로 이어질 수 있습니다. 또한 생각 프롬프팅을 통해 사용자는 LLM의 단계를 조사하여 답이 적절한지 판단할 수 있습니다.

채팅

#language

#생성형AI

ML 시스템(일반적으로 대규모 언어 모델)과의 대화를 주고받는 대화의 내용 채팅에서 이루어진 이전 상호작용(입력한 내용 및 대규모 언어 모델이 응답한 방식)이 채팅의 후속 부분에 관한 컨텍스트가 됩니다.

챗봇은 대규모 언어 모델을 적용한 애플리케이션입니다.

checkpoint

특정 학습 반복에서 모델의 매개변수 상태를 캡처하는 데이터입니다. 체크포인트를 통해 모델 가중치를 내보내거나 여러 세션에서 학습을 수행할 수 있습니다. 또한 체크포인트를 통해 과거의 오류 (예: 작업 선점)를 계속할 수 있습니다.

미세 조정 시 새 모델 학습의 시작점은 선행 학습된 모델의 특정 체크포인트가 됩니다.

클래스

#fundamentals

라벨이 속할 수 있는 카테고리입니다. 예를 들면 다음과 같습니다.

• 스팸을 감지하는 이진 분류 모델에서 두 클래스는 스팸과 스팸 아님일 수 있습니다.
• 개의 품종을 식별하는 다중 클래스 분류 모델에서 클래스는 푸들, 비글, 퍼그 등일 수 있습니다.

분류 모델은 클래스를 예측합니다. 반면에 회귀 모델은 클래스가 아닌 숫자를 예측합니다.

분류 모델

#fundamentals

예측이 model인 model입니다. 예를 들어 다음은 모두 분류 모델입니다.

• 입력 문장의 언어 (프랑스어? 스페인어인가요? 이탈리아어).
• 수종을 예측하는 모델 (단풍? Oak? 바오밥?).
• 특정 의학적 상태의 양성 또는 음성 클래스를 예측하는 모델입니다.

반대로 회귀 모델은 클래스가 아닌 숫자를 예측합니다.

분류 모델의 두 가지 일반적인 유형은 다음과 같습니다.

• 이진 분류
• 다중 클래스 분류

분류 임곗값

#fundamentals

이진 분류에서 로지스틱 회귀 모델의 원시 출력을 포지티브 클래스 또는 네거티브 클래스의 예측으로 변환하는 0과 1 사이의 숫자입니다. 분류 임곗값은 모델 학습에 의해 선택된 값이 아니라 사람이 선택하는 값입니다.

로지스틱 회귀 모델은 0과 1 사이의 원시 값을 출력합니다. 그런 다음 아래를 실행합니다.

• 이 원시 값이 분류 임곗값보다 크면 포지티브 클래스가 예측됩니다.
• 이 원시 값이 분류 임곗값 미만이면 네거티브 클래스가 예측됩니다.

예를 들어 분류 임계값이 0.8이라고 가정해 보겠습니다. 원시 값이 0.9이면 모델은 포지티브 클래스를 예측합니다. 원시 값이 0.7이면 모델은 네거티브 클래스를 예측합니다.

분류 임곗값의 선택은 거짓양성 및 거짓음성의 수에 큰 영향을 미칩니다.

추가 메모를 보려면 아이콘을 클릭하세요.

모델 또는 데이터 세트가 발전함에 따라 엔지니어가 분류 임곗값을 변경하기도 합니다. 분류 임곗값이 변경되면 포지티브 클래스 예측이 갑자기 네거티브 클래스가 될 수 있으며 그 반대의 경우도 마찬가지입니다.

예를 들어 이진 분류 질병 예측 모델을 생각해 보세요. 시스템을 첫해에 실행한다고 가정해 보겠습니다.

• 특정 환자의 원시 값은 0.95입니다.
• 분류 임곗값은 0.94입니다.

따라서 시스템은 포지티브 클래스를 진단합니다. ('이런! 나 아파!")

1년이 지난 지금, 값은 다음과 같이 표시됩니다.

• 동일한 환자의 원시 값은 0.95로 유지됩니다.
• 분류 임계값이 0.97로 변경됩니다.

따라서 이제 시스템은 이 환자를 네거티브 클래스로 재분류합니다. ('행복한 하루 보내세요. 아프지 않습니다.") 같은 환자입니다. 진단이 다릅니다.

---

클래스 불균형 데이터 세트

#fundamentals

각 클래스의 총 라벨 수가 크게 다른 분류 문제의 데이터 세트입니다. 예를 들어 두 라벨이 다음과 같이 나뉘어 있는 이진 분류 데이터 세트를 가정해 보겠습니다.

• 제외 라벨 1,000,000개
• 긍정 라벨 10개

음성 라벨과 양성 라벨의 비율은 100,000 대 1이므로 클래스 불균형 데이터 세트입니다.

반면에 다음 데이터 세트는 양성 라벨의 비율이 상대적으로 1에 가깝기 때문에 클래스 불균형이 아닙니다.

• 부정 라벨 517개
• 긍정 라벨 483개

다중 클래스 데이터 세트는 클래스 불균형일 수도 있습니다. 예를 들어 다음 다중 클래스 분류 데이터 세트도 클래스 불균형입니다. 한 라벨에 다른 두 라벨보다 예시가 훨씬 많기 때문입니다.

• 클래스가 '녹색'인 라벨 1,000,000개
• 클래스가 '보라색'인 라벨 200개
• 'orange' 클래스가 있는 라벨 350개

엔트로피, 주요 클래스, 다수 범주도 참고하세요.

클리핑

#fundamentals

다음 중 하나 또는 둘 다를 수행하여 이상점을 처리하는 기법입니다.

• 최대 임곗값을 초과하는 특성 값을 해당 최대 임곗값까지 줄입니다.
• 최소 임곗값보다 작은 특성 값을 해당 최소 임곗값까지 증가

예를 들어 특정 특성 값의 0.5% 미만이 40~60 범위를 벗어났다고 가정해 보겠습니다. 이 경우 다음을 수행할 수 있습니다.

• 60 (최대 임곗값)을 초과하는 모든 값을 정확히 60으로 자릅니다.
• 40 (최소 임계값) 미만의 모든 값을 정확히 40으로 자릅니다.

이상점은 모델을 손상시킬 수 있으며, 이로 인해 학습 중에 가중치가 오버플로될 수 있습니다. 일부 이상점은 정확성과 같은 측정항목을 크게 망칠 수도 있습니다. 클리핑은 손상을 제한하는 일반적인 기법입니다

경사 제한은 학습 중에 지정된 범위 내 경사 값을 강제로 적용합니다.

Cloud TPU

#TensorFlow

#GoogleCloud

Google Cloud에서 머신러닝 워크로드의 속도를 높이도록 설계된 특수 하드웨어 가속기입니다.

클러스터링

#clustering

관련 예시 그룹화(특히 비지도 학습 중) 모든 예가 그룹화되면 인간이 선택적으로 각 클러스터에 의미를 제공할 수 있습니다.

클러스터링 알고리즘은 많이 존재합니다. 예를 들어 k-평균 알고리즘은 다음 다이어그램과 같이 중심에 대한 근접성을 기준으로 예를 클러스터링합니다.

그런 다음 연구원이 클러스터를 검토하고 클러스터 1에는 '소수의 나무', 클러스터 2에는 '원본 크기의 나무' 라벨을 지정할 수 있습니다.

또 다른 예로 중심점으로부터의 거리 예시(아래 참고)를 기반으로 하는 클러스터링 알고리즘을 고려해 보세요.

공동 적응

뉴런이 신경망의 전체 행동이 아닌 다른 특정 뉴런의 출력에만 의존하여 학습 데이터의 패턴을 예측하는 경우입니다. 공동 적응을 유발하는 패턴이 유효성 검사 데이터에 없으면 공동 적응으로 인해 과적합이 발생합니다. 드롭아웃은 뉴런이 다른 특정 뉴런에만 의존할 수 없도록 하므로 드롭아웃 정규화는 공동 적응을 줄입니다.

협업 필터링

#recsystems

다른 많은 사용자의 관심분야를 바탕으로 한 사용자의 관심분야를 예측합니다. 협업 필터링은 추천 시스템에서 자주 사용됩니다.

개념 드리프트

특성과 라벨 간의 관계 변화 시간이 지남에 따라 개념 드리프트로 인해 모델의 품질이 저하됩니다.

학습 중에 모델은 학습 세트의 특성과 라벨 간의 관계를 학습합니다. 학습 세트의 라벨이 실제 환경에 적합한 프록시라면 모델은 적절한 실제 예측을 실행해야 합니다. 하지만 개념 드리프트로 인해 시간이 지남에 따라 모델의 예측 성능이 저하되는 경향이 있습니다.

예를 들어 특정 자동차 모델의 '연비 효율' 여부를 예측하는 이진 분류 모델을 가정해 보겠습니다. 즉, 특성은 다음과 같을 수 있습니다.

• 차량 무게
• 엔진 압축
• 전송 유형

라벨은 다음 중 하나입니다.

• 연비
• 연비가 효율적이지 않음

하지만 '연료 효율이 높은 자동차'라는 개념은 계속 바뀝니다. 1994년에 fuelefficiency 라벨이 지정된 자동차 모델은 2024년에 비연비 라벨이 지정될 가능성이 거의 높습니다. 개념 드리프트가 발생한 모델은 시간이 지나면서 예측의 유용성이 떨어지는 경향이 있습니다.

비정상성과 비교 및 대조합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

개념 드리프트를 보완하려면 개념 드리프트 비율보다 빠르게 모델을 재학습시킵니다. 예를 들어 개념 드리프트로 인해 2개월마다 유의미한 차이로 모델 정밀도가 낮아지는 경우 2개월마다 모델을 더 자주 재학습시킵니다.

---

condition

#df

결정 트리에서 표현식을 평가하는 모든 노드 예를 들어 결정 트리의 다음 부분에는 두 개의 조건이 포함됩니다.

조건은 분할 또는 테스트라고도 합니다.

조건을 leaf와 대조합니다.

관련 주제에 대한 추가 정보

• 바이너리 조건
• 논바이너리 조건.
• axis-aligned-condition
• 경사 조건

혼돈

#language

할루시네이션의 동의어입니다.

컨퍼런스는 아마도 할루시네이션보다 기술적으로 더 정확한 용어일 것입니다. 하지만 할루시네이션이 먼저 인기를 끌었습니다.

구성

다음을 포함하여 모델을 학습시키는 데 사용되는 초기 속성 값을 할당하는 프로세스입니다.

• 모델의 구성 레이어
• 데이터의 위치
• 초매개변수:
  • 학습률
  • 반복
  • 옵티마이저
  • 손실 함수

머신러닝 프로젝트에서는 특수 구성 파일을 통해 또는 다음과 같은 구성 라이브러리를 사용하여 구성을 수행할 수 있습니다.

• HParam
• 진
• Fiddle

확증 편향

#fairness

기존의 신념이나 가설을 확증하는 방식으로 정보를 검색, 해석, 선호, 재현하는 경향입니다. 머신러닝 개발자는 자신의 기존 신념을 뒷받침하는 결과에 영향을 미치는 방식으로 실수로 데이터를 수집하거나 라벨을 지정할 수 있습니다. 확증 편향은 일종의 내재적 편향입니다.

실험자 편향은 기존 가설이 확인될 때까지 실험자가 모델 학습을 계속하는 일종의 확증 편향입니다.

혼동 행렬

#fundamentals

분류 모델이 수행한 올바른 예측과 잘못된 예측의 수를 요약한 NxN 테이블입니다. 예를 들어 이진 분류 모델에서 다음과 같은 혼동 행렬을 사용해 보겠습니다.

	종양 (예측)	비종양 (예측)
종양 (정답)	18 (TP)	1 (FN)
비종양 (정답)	6 (FP)	452 (TN)

위의 혼동 행렬은 다음을 보여줍니다.

• 정답이 종양이었던 19개의 예측 중에서 모델은 18개를 올바르게 분류하고 1을 잘못 분류했습니다.
• 정답이 종양이 아닌 예측 458개 중에서 모델은 452개를 올바르게 분류하고 6개를 잘못 분류했습니다.

다중 클래스 분류 문제의 혼동 행렬은 실수 패턴을 식별하는 데 도움이 될 수 있습니다. 예를 들어 다음 혼동 행렬에서 세 가지 붓꽃 유형(Virginica, Versicolor, Setosa)을 분류하는 3클래스 다중 클래스 분류 모델을 살펴보겠습니다. 정답이 Virginica였을 때 혼동 행렬을 보면 모델이 Setosa보다 Versicolor를 잘못 예측할 가능성이 훨씬 높음을 알 수 있습니다.

	세토사 (예상)	Versicolor (예측됨)	버지니카 (예상)
세토사 (정답)	88	12	0
Versicolor (정답)	6	141	7
버지니카 (정답)	2	27	109

또 다른 예로, 혼동 행렬을 통해 필기 입력 숫자를 인식하도록 학습된 모델이 4가 아닌 9로 잘못 예측하거나 7 대신 1로 잘못 예측하는 경향이 있음을 드러낼 수 있습니다.

혼동 행렬에는 정밀도와 재현율을 비롯한 다양한 성능 측정항목을 계산하는 데 충분한 정보가 포함되어 있습니다.

선거구 파싱

#language

문장을 더 작은 문법적 구조 ('구성성')로 나누는 것을 말합니다. 자연어 이해 모델과 같은 ML 시스템의 후반 부분은 원래 문장보다 구성 요소를 더 쉽게 파싱할 수 있습니다. 예를 들어 다음 문장을 생각해 보세요.

제 친구가 고양이 두 마리를 입양했어요.

구성요소 파서는 이 문장을 다음 두 구성요소로 나눌 수 있습니다.

• Myfriend는 명사구입니다.
• adopted two cats는 동사구입니다.

이러한 성분은 더 작은 성분으로 더 세분화될 수 있습니다. 예를 들어 동사구는

고양이 두 마리를 입양했습니다.

다음으로 더 세분화할 수 있습니다

• adopted는 동사입니다.
• two cats는 또 다른 명사구입니다.

컨텍스트화된 언어 임베딩

#language

#생성형AI

원어민이 할 수 있는 방식으로 단어와 문구를 '이해'하는 데 가까운 임베딩입니다. 컨텍스트화된 언어 임베딩은 복잡한 구문, 시맨틱스, 컨텍스트를 이해할 수 있습니다.

예를 들어 영어 단어 cow의 임베딩을 고려해 보세요. word2vec와 같은 기존의 임베딩은 임베딩 공간에서 소에서 황소까지의 거리가 ewe (암양)에서 ram (수컷 양)까지의 거리 또는 female에서 male까지의 거리와 비슷하도록 영어 단어를 나타낼 수 있습니다. 문맥화된 언어 임베딩은 영어 사용자가 종종 소 또는 황소를 의미하는 cow라는 단어를 사용할 수 있다는 점을 인식함으로써 한 걸음 더 나아갈 수 있습니다.

컨텍스트 윈도우

#language

#생성형AI

지정된 프롬프트에서 모델이 처리할 수 있는 토큰 수 컨텍스트 윈도우가 클수록 모델이 프롬프트에 일관되고 일관된 응답을 제공하는 데 더 많은 정보를 사용할 수 있습니다.

연속 특성

#fundamentals

온도, 무게 등 가능한 값의 무한 범위를 갖는 부동 소수점 특성입니다.

불연속 특성과 대비되는 개념입니다.

간편 샘플링

빠른 실험을 실행하기 위해 과학적으로 수집되지 않은 데이터 세트 사용 나중에 과학적으로 수집된 데이터 세트로 전환하는 것이 중요합니다.

수렴

#fundamentals

각 반복에서 손실 값이 거의 또는 전혀 변경되지 않을 때 도달하는 상태입니다. 예를 들어 다음 손실 곡선은 약 700회의 반복에서 수렴을 나타냅니다.

추가 학습으로 모델을 개선하지 못할 때 모델은 수렴됩니다.

딥 러닝에서는 손실 값이 결국 내림차순으로 여러 번 반복될 때 일정하게 유지되거나 거의 일정하게 유지되는 경우가 있습니다. 일정한 손실 값이 지속되는 긴 기간 동안 일시적으로 잘못된 수렴 감각을 얻을 수 있습니다.

조기 중단을 참고하세요.

볼록 함수

함수 그래프의 위쪽 영역이 볼록 집합인 함수입니다. 볼록 함수의 전형적인 예는 U자 모양입니다. 예를 들어 다음은 모두 볼록 함수입니다.

반면에 다음 함수는 볼록 함수가 아닙니다. 그래프 위쪽의 영역이 볼록 집합이 아닌 것을 볼 수 있습니다.

순볼록 함수는 국소 최저점이 정확히 하나만 있으며, 이는 전역 최저점이기도 합니다. 전통적인 U자형 함수는 순볼록 함수입니다 그러나 직선과 같은 볼록 함수는 U자형이 아닙니다.

아이콘을 클릭하면 수식을 더 자세히 살펴볼 수 있습니다.

일반적인 손실 함수 중 다음을 비롯한 다수는 볼록 함수입니다.

• L₂ 손실
• 로그 손실
• L₁ 정규화
• L₂ 정규화

경사하강법의 여러 변형을 사용하면 순볼록 함수의 최저점에 가까운 점을 찾을 수 있습니다. 마찬가지로 확률적 경사하강법의 여러 변형을 사용하면 순볼록 함수의 최저점에 가까운 점을 찾을 가능성이 높지만 반드시 그런 것은 아닙니다.

두 볼록 함수의 합 (예: L₂ 손실 + L₁ 정규화)은 볼록 함수입니다.

심층 모델은 절대 볼록 함수가 아닙니다. 주목할 만한 점은 볼록 최적화를 위해 설계된 알고리즘이 심층 네트워크에서 비교적 양호한 해를 찾는 경향이 있다는 점입니다. 하지만 이러한 해가 전역 최저점이라는 보장은 없습니다.

---

볼록 최적화

경사하강법과 같은 수학적 기법을 사용하여 볼록 함수의 최솟값을 구하는 과정입니다. 머신러닝에 대한 많은 연구는 다양한 문제를 볼록 최적화 문제로 공식화하고 이러한 문제를 보다 효율적으로 해결하는 데 중점을 두었습니다.

자세한 내용은 Boyd와 Vandenberghe의 볼록 최적화를 참조하세요.

볼록 집합

유클리드 공간의 하위 집합으로, 부분 집합의 두 점 사이에 그려진 선이 하위 집합 내에 완전히 유지됩니다. 예를 들어 다음 두 도형은 볼록 집합입니다.

반면에 다음 두 도형은 볼록 집합이 아닙니다.

컨볼루션

#image

수학적으로 가볍게 말하자면 두 가지 함수가 혼합된 것입니다. 머신러닝에서 컨볼루션은 가중치를 학습시키기 위해 컨볼루셔널 필터와 입력 행렬을 혼합합니다.

머신러닝에서 '컨볼루션'이라는 용어는 종종 컨볼루셔널 연산 또는 컨볼루셔널 레이어를 약칭으로 지칭합니다.

컨볼루션이 없으면 머신러닝 알고리즘이 큰 텐서의 모든 셀에 대해 별도의 가중치를 학습해야 합니다. 예를 들어 2,000x2,000 크기의 이미지를 학습하는 머신러닝 알고리즘은 4백만 개의 개별 가중치를 찾게 됩니다. 컨볼루션 덕분에 머신러닝 알고리즘은 컨볼루셔널 필터에 있는 모든 셀의 가중치만 찾으면 되기 때문에 모델 학습에 필요한 메모리가 크게 줄어듭니다. 컨볼루셔널 필터가 적용되면 셀 간에 복제되어 각 셀에 필터가 곱해집니다.

컨볼루셔널 필터

#image

컨볼루셔널 연산의 두 가지 중 하나입니다. 다른 하나는 입력 행렬의 슬라이스입니다. 컨볼루셔널 필터는 입력 행렬과 순위는 같지만 모양은 작은 행렬입니다. 예를 들어 입력 행렬이 28x28인 경우 28x28보다 작은 2차원 행렬을 필터에 사용할 수 있습니다.

사진 조작에서 컨볼루셔널 필터의 모든 셀은 일반적으로 1과 0의 일정한 패턴으로 설정됩니다. 머신러닝에서 컨볼루셔널 필터는 일반적으로 랜덤 숫자로 채워지고 네트워크는 이상적인 값을 학습합니다.

컨볼루셔널 레이어

#image

입력 행렬을 따라 컨볼루셔널 필터를 전달하는 심층신경망 레이어입니다. 예를 들어 다음과 같은 3x3 컨볼루셔널 필터가 있다고 생각해 보세요.

다음 애니메이션은 5x5 입력 행렬과 관련된 9개의 컨볼루셔널 작업으로 구성된 컨볼루셔널 레이어를 보여줍니다. 각 컨볼루셔널 연산은 입력 행렬의 서로 다른 3x3 슬라이스에서 이루어집니다. 결과로 나온 3x3 행렬 (오른쪽)은 9개의 컨볼루셔널 연산 결과로 구성됩니다.

컨볼루셔널 신경망

#image

적어도 하나의 레이어가 컨볼루셔널 레이어인 신경망입니다. 일반적인 컨볼루셔널 신경망은 다음과 같은 레이어의 조합으로 구성됩니다.

• 컨볼루셔널 레이어
• 풀링 레이어
• 밀집 레이어

컨볼루셔널 신경망은 이미지 인식과 같은 특정 종류의 문제에서 큰 성공을 거두었습니다

컨볼루셔널 연산

#image

다음은 2단계로 구성된 수학 연산입니다.

1. 컨볼루셔널 필터 및 입력 행렬의 슬라이스의 요소별 곱셈입니다. (입력 행렬의 슬라이스는 컨볼루셔널 필터와 순위 및 크기가 동일합니다.)
2. 곱셈의 결과로 얻어지는 행렬 내 모든 값의 합계입니다.

예를 들어 다음과 같은 5x5 입력 행렬을 살펴보겠습니다.

이제 다음과 같은 2x2 컨볼루셔널 필터가 있다고 생각해 보세요.

각 컨볼루셔널 연산에는 입력 행렬의 단일 2x2 슬라이스가 포함됩니다. 예를 들어 입력 행렬의 왼쪽 상단에 있는 2x2 슬라이스를 사용한다고 가정해 보겠습니다. 이 슬라이스의 컨볼루션 연산은 다음과 같습니다.

컨볼루셔널 레이어는 일련의 컨볼루셔널 연산으로 구성되며, 각 연산은 입력 행렬의 서로 다른 슬라이스에 적용됩니다.

비용

손실의 동의어입니다.

공동 학습

반지도 학습 접근 방식은 다음 조건이 모두 충족될 때 특히 유용합니다.

• 데이터 세트에서 라벨이 있는 예와 라벨이 없는 예의 비율이 높습니다.
• 이를 분류 문제 (바이너리 또는 다중 클래스)라고 합니다.
• 데이터 세트는 서로 독립적이며 보완적인 두 가지 예측 특성 집합을 포함합니다.

공동 학습은 본질적으로 독립적인 신호를 더 강력한 신호로 증폭합니다. 예를 들어 개별 중고차를 양호 또는 나쁨으로 분류하는 분류 모델이 있다고 가정해 보겠습니다. 한 예측 특성 세트는 자동차 연식, 제조사, 모델과 같은 집계 특성에 중점을 둘 수 있고, 다른 예측 특성 세트는 이전 소유자의 운전 기록과 자동차의 유지보수 내역에 중점을 둘 수 있습니다.

공동 학습에 관한 핵심 자료는 Blum과 Mitchell의 Combining Labeled Data and Unlabeled Data with Co-Training입니다.

반사실적 공정성

#fairness

공정성 측정항목: 하나 이상의 민감한 속성을 제외하고, 분류자가 첫 번째 개인과 동일한 다른 개인과 동일한 결과를 생성하는지 확인합니다. 분류기에서 반사실적 공정성을 평가하는 것은 모델에서 잠재적인 편향의 원인을 드러내는 한 가지 방법입니다.

반사실적 공정성에 대한 자세한 논의는 'When Worlds Collide: Integrate Contain Different 반사실적인 공정성'을 참조하세요.

포함 편향

#fairness

표본 선택 편향을 참고하세요.

중의적 구문

#language

모호한 의미를 가진 문장이나 구입니다. 중의적 구문은 자연어 이해에 중요한 문제를 야기합니다. 예를 들어 Red Tape Holds Up Skyscraper라는 광고 제목은 NLU 모델에서 헤드라인을 문자 그대로 또는 비유적으로 해석할 수 있기 때문에 부수적인 사고와 관련이 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

미스터리한 제목을 명확히 하자면 다음과 같습니다.

• 레드 테이프는 다음 중 하나를 의미할 수 있습니다.
  • 접착제
  • 과도한 관료주의
• Holds Up은 다음 중 하나를 의미할 수 있습니다.
  • 구조적 지원
  • 지연

---

비평가

#rl

딥 Q-Network의 동의어입니다.

교차 엔트로피

로그 손실을 다중 클래스 분류 문제로 일반화합니다. 교차 엔트로피는 두 확률 분포 간의 차이를 수치화합니다. 퍼플렉시티도 참고하세요.

교차 검증

model에서 보류된 하나 이상의 중첩되지 않는 데이터 하위 집합을 대상으로 모델을 테스트하여 model이 새 데이터로 얼마나 잘 일반화될지 추정하는 메커니즘입니다.

누적 분포 함수 (CDF)

타겟 값 이하의 샘플 빈도를 정의하는 함수입니다. 예를 들어 연속된 값의 정규 분포를 생각해 보세요. CDF는 샘플의 약 50% 가 평균보다 작거나 같아야 하고 샘플의 약 84% 가 평균보다 1 표준 편차가 작거나 같아야 함을 알려줍니다.

D

데이터 분석

샘플, 측정치, 시각화를 고려하여 데이터를 이해하는 것입니다. 데이터 분석은 첫 번째 model을 빌드하기 전에 데이터 세트를 처음 수신할 때 특히 유용합니다. 또한 실험을 이해하고 시스템의 문제를 디버깅하는 데도 중요합니다.

데이터 증강

#image

기존 예시를 변환하여 학습 예시의 범위와 수를 인위적으로 늘려 추가 예시를 만듭니다. 예를 들어 이미지가 특성 중 하나이지만 데이터 세트에 모델이 유용한 연결을 학습하기에 충분한 이미지 예가 포함되어 있지 않다고 가정해 보겠습니다. 모델이 제대로 학습할 수 있도록 데이터 세트에 라벨이 지정된 이미지를 충분히 추가하는 것이 좋습니다. 그렇게 할 수 없는 경우 데이터 증강을 통해 각 이미지를 회전, 확대, 반사하여 원본 사진의 여러 변형을 생성할 수 있으며, 우수한 학습을 가능하게 하기에 충분한 라벨이 지정된 데이터가 생성될 수 있습니다.

DataFrame

#fundamentals

메모리에서 데이터 세트를 나타내는 데 널리 사용되는 Pandas 데이터 유형입니다.

DataFrame은 테이블 또는 스프레드시트와 비슷합니다. DataFrame의 각 열에는 이름 (헤더)이 있으며 각 행은 고유한 번호로 식별됩니다.

DataFrame의 각 열은 각 열에 자체 데이터 유형을 할당할 수 있다는 점을 제외하면 2D 배열처럼 구조화됩니다.

공식 pandas.DataFrame 참조 페이지도 확인하세요.

데이터 동시 로드

전체 모델을 여러 기기에 복제한 다음 입력 데이터의 하위 집합을 각 기기에 전달하는 학습 또는 추론을 확장하는 방법입니다. 데이터 동시 로드는 매우 큰 배치 크기에서 학습 및 추론을 지원할 수 있습니다. 그러나 데이터 동시 로드를 사용하려면 모델이 모든 기기에 맞을 만큼 작아야 합니다.

데이터 동시 로드는 일반적으로 학습 및 추론 속도를 높입니다.

모델 동시 로드를 참조하세요.

데이터 세트는

#fundamentals

일반적으로 다음 형식 중 하나로 구성되는 원시 데이터 모음입니다.

• 스프레드시트
• CSV (쉼표로 구분된 값) 형식의 파일

Dataset API (tf.data)

#TensorFlow

데이터를 읽고 머신러닝 알고리즘이 요구하는 형태로 변환하는 상위 수준의 TensorFlow API입니다. tf.data.Dataset 객체는 일련의 요소를 나타내며, 각 요소에는 하나 이상의 텐서가 포함됩니다. tf.data.Iterator 객체는 Dataset의 요소에 대한 액세스 권한을 제공합니다.

Dataset API에 대한 자세한 내용은 TensorFlow 프로그래머 가이드의 tf.data: TensorFlow 입력 파이프라인 빌드를 참조하세요.

결정 경계

이진 클래스 또는 다중 클래스 분류 문제에서 모델이 학습한 클래스 사이의 구분자입니다. 예를 들어 이진 분류 문제를 나타내는 다음 이미지에서 결정 경계는 주황색 클래스와 파란색 클래스 사이의 경계입니다.

결정 포레스트

#df

여러 결정 트리에서 생성된 모델 결정 포레스트는 결정 트리의 예측을 집계하여 예측합니다. 인기 있는 결정 포레스트 유형으로는 랜덤 포레스트와 경사 강화 트리가 있습니다.

결정 임곗값

분류 임곗값의 동의어입니다.

결정 트리

#df

계층적으로 구성된 conditions과 conditions 집합으로 구성된 지도 학습 모델입니다. 예를 들어 다음은 결정 트리입니다.

decoder

#language

일반적으로 처리되고 밀집된 내부 표현 또는 내부 표현을 보다 원시, 희소성 또는 외부 표현으로 변환하는 모든 ML 시스템입니다.

디코더는 종종 대형 모델의 구성요소인 인코더와 페어링되는 경우가 많습니다.

시퀀스-시퀀스 작업에서 디코더는 인코더가 생성한 내부 상태로 시작하여 다음 시퀀스를 예측합니다.

Transformer 아키텍처 내의 디코더 정의는 변환기를 참고하세요.

심층 모델

#fundamentals

둘 이상의 히든 레이어가 포함된 신경망입니다.

심층 모델은 심층신경망이라고도 합니다.

와이드 모델과 대비되는 개념입니다.

심층신경망

심층 모델의 동의어입니다.

Deep Q-Network (DQN)

#rl

Q-러닝에서는 Q-함수를 예측하는 심층 신경망입니다.

Critic은 Deep Q-Network의 동의어입니다.

인구통계 동등성

#fairness

모델의 분류 결과가 특정 민감한 속성에 의존하지 않는 경우 충족되는 공정성 측정항목입니다.

예를 들어 릴리퓨티언과 브로딩나기안이 모두 글러브더브드리브 대학에 지원한다면 한 그룹이 평균적으로 더 높은 자격을 갖췄는지 여부에 관계없이 릴리퓨티안의 합격자의 비율이 브로딩나기안 입학률과 동일하면 인구통계 패리티가 달성됩니다.

집계 결과가 민감한 속성에 따라 달라지도록 허용하지만 지정된 특정 정답 라벨의 분류 결과가 민감한 속성에 종속되는 것을 허용하지 않는 등가 확률 및 기회의 동등성과 대비되는 개념입니다. 인구통계 동등성에 맞게 최적화할 때의 절충점을 살펴보는 시각화는 '더 스마트한 머신러닝으로 차별 공격'을 참고하세요.

노이즈 제거

#language

일반적인 자기 지도 학습 접근 방식은 다음과 같습니다.

1. 노이즈는 데이터 세트에 인위적으로 추가됩니다.
2. model은 노이즈를 제거하려고 시도합니다.

노이즈 제거를 통해 라벨이 지정되지 않은 예시로부터 학습할 수 있습니다. 원래 데이터 세트는 타겟 또는 라벨 역할을 하고 노이즈가 많은 데이터를 입력으로 사용합니다.

일부 마스크된 언어 모델은 다음과 같이 노이즈 제거를 사용합니다.

1. 일부 토큰을 마스킹하여 라벨이 지정되지 않은 문장에 인위적으로 노이즈를 추가합니다.
2. 모델은 원래 토큰을 예측하려고 시도합니다.

밀집 특성(dense feature)

#fundamentals

대부분의 값 또는 모든 값이 0이 아닌 특성으로, 일반적으로 부동 소수점 값의 텐서입니다. 예를 들어 요소가 10개인 다음 텐서는 9개의 값이 0이 아니기 때문에 밀도가 높습니다.

8

3

7

5

2

4

0

4

9일

6

희소 특성과 대비되는 개념입니다.

밀집 레이어

완전 연결 레이어의 동의어입니다.

깊이

#fundamentals

신경망에서의 다음 총합은 다음과 같습니다.

• 히든 레이어의 수
• 출력 레이어 수(일반적으로 1개)
• 모든 임베딩 레이어의 수

예를 들어 5개의 히든 레이어와 1개의 출력 레이어가 있는 신경망의 깊이는 6입니다.

입력 레이어는 깊이에 영향을 주지 않습니다.

깊이별 분리 가능한 컨볼루셔널 신경망 (sepCNN)

#image

Inception을 기반으로 하지만 Inception 모듈이 깊이별 분리 가능한 컨볼루션으로 대체되는 컨볼루셔널 신경망 아키텍처입니다. Xception이라고도 합니다.

깊이별 분리 가능한 컨볼루션 (분리 가능한 컨볼루션이라고도 함)은 표준 3D 컨볼루션을 두 개의 개별 컨볼루션 연산으로 분해합니다. 첫 번째는 깊이 1 (n ✕ n ✕ 1)의 깊이 1 (n ✕ n ✕ 1), 두 번째는 점 방향 컨볼루션의 너비와 너비 x 1 의 배수입니다.

자세한 내용은 Xception: 심층 분리 가능한 컨볼루션을 사용한 딥 러닝을 참조하세요.

파생 라벨

프록시 라벨의 동의어입니다.

기기

#TensorFlow

#GoogleCloud

다음 두 가지 정의가 가능한 중복 용어입니다.

1. CPU, GPU, TPU를 포함하여 TensorFlow 세션을 실행할 수 있는 하드웨어 카테고리입니다.
2. 가속기 칩(GPU 또는 TPU)에서 ML 모델을 학습시킬 때 실제로 텐서와 임베딩을 조작하는 시스템의 부분입니다. 기기가 가속기 칩에서 실행됩니다. 반면에 호스트는 일반적으로 CPU에서 실행됩니다.

개인 정보 차등 보호

머신러닝에서 익명처리는 모델의 학습 세트에 포함된 민감한 정보(예: 개인의 개인 정보)가 노출되지 않도록 보호합니다. 이 접근 방식을 사용하면 model이 특정 개인에 대해 많이 학습하거나 기억하지 않습니다. 이는 모델 학습 중에 샘플링하고 노이즈를 추가하여 개별 데이터 포인트를 은폐하여 민감한 학습 데이터가 노출될 위험을 완화합니다.

개인 정보 차등 보호는 머신러닝 외부에서도 사용됩니다. 예를 들어 데이터 과학자는 다양한 인구통계의 제품 사용 통계를 계산할 때 개인 정보를 보호하기 위해 개인 정보 차등 보호를 사용하는 경우가 있습니다.

차원 축소

일반적으로 임베딩 벡터로 변환하여 특성 벡터에서 특정 특성을 표현하는 데 사용되는 차원 수를 줄입니다.

측정기준

다음과 같은 정의로 중복 정의된 용어입니다.

• 텐서의 좌표 수준 수입니다. 예를 들면 다음과 같습니다.

  • 스칼라에는 0개의 차원(예: ["Hello"])이 있습니다.
  • 벡터에는 1개의 차원(예: [3, 5, 7, 11])이 있습니다.
  • 행렬에는 2개의 차원(예: [[2, 4, 18], [5, 7, 14]])이 있습니다.

  좌표가 하나인 1차원 벡터의 특정 셀을 고유하게 지정할 수 있습니다. 2차원 행렬에서 특정 셀을 고유하게 지정하려면 두 개의 좌표가 필요합니다.

• 특성 벡터의 항목 수입니다.

• 임베딩 레이어의 요소 수입니다.

직접 프롬프팅

#language

#생성형AI

제로샷 프롬프팅의 동의어입니다.

불연속 특성

#fundamentals

가능한 값의 유한 집합을 갖는 특성입니다. 예를 들어 값이 동물, 채소, 광물 중 하나일 수 있는 특성은 불연속 (또는 범주형) 특성입니다.

연속 특성과 대비되는 개념입니다.

분류 모델

하나 이상의 model 집합에서 model을 예측하는 model. 공식적으로 분류 모델은 특성과 가중치를 고려하여 출력의 조건부 확률을 정의합니다. 즉,

p(output | features, weights)

예를 들어 특성과 가중치를 바탕으로 이메일이 스팸인지 예측하는 모델은 구분 모델입니다.

분류 및 회귀 모델을 비롯한 지도 학습 모델의 대다수는 분류 모델입니다.

생성 모델과 대비되는 개념입니다.

분류자

예가 진짜인지 가짜인지 판단하는 시스템입니다.

또는 생성기에서 생성한 예가 진짜인지 가짜인지를 결정하는 생성적 적대 신경망 내의 하위 시스템입니다.

서로 다른 영향

#fairness

다양한 인구 하위 그룹에 불균형적으로 영향을 미치는 사람에 대한 의사 결정 이는 일반적으로 알고리즘 의사 결정 프로세스가 일부 하위 그룹에 다른 하위 그룹보다 더 해를 끼치거나 이득을 얻는 상황을 나타냅니다.

예를 들어 Lilliputian의 미니어처 주택 대출 자격을 판단하는 알고리즘이 우편 주소에 특정 우편번호가 포함된 경우 이를 '부적격'으로 분류할 가능성이 높다고 가정해 보겠습니다. 빅 엔디안 릴리퓨티언이 Little-Endian Lilliputians보다 이 우편번호를 사용하는 우편 주소가 더 많을 경우 이 알고리즘은 서로 다른 영향을 미칠 수 있습니다.

하위 그룹 특성이 알고리즘 의사 결정 프로세스에 대한 명시적 입력일 때 발생하는 불일치에 초점을 맞추는 이질 처리와 대비되는 개념입니다.

이질적 처리

#fairness

주체의 민감한 속성을 알고리즘 방식의 의사 결정 프로세스로 인수 분해하여 서로 다른 하위 그룹을 다르게 취급합니다.

예를 들어 대출 신청에 제공된 데이터를 기반으로 Lilliputians의 미니어처 주택 대출 자격을 판단하는 알고리즘을 가정해 보겠습니다. 알고리즘에서 Lilliputian의 제휴 관계를 Big-Endian 또는 Little-Endian을 입력으로 사용하는 경우 해당 차원에 따라 서로 다른 처리가 적용됩니다.

상이한 영향은 하위 그룹이 모델의 입력인지 여부와 관계없이 하위 그룹에 대한 알고리즘 결정의 사회적 영향의 불균형에 초점을 맞춥니다.

경고: 민감한 속성은 거의 항상 데이터의 다른 기능과 상관관계가 있으므로 민감한 속성 정보를 명시적으로 삭제해도 하위 그룹이 동일하게 취급되지 않을 수 있습니다. 예를 들어 여전히 우편번호를 특성으로 포함하는 학습 데이터 세트에서 민감한 인구통계 속성을 삭제하면 하위 그룹의 상이한 취급을 해결할 수 있지만, 우편번호가 다른 인구통계 정보의 프록시 역할을 할 수 있기 때문에 이러한 그룹에는 다른 영향이 있을 수 있습니다.

정제

#생성형AI

한 model (model이라고 함)의 크기를 더 작은 모델 (model이라고 함)으로 줄여 원본 모델의 예측을 최대한 정확하게 에뮬레이션하는 프로세스입니다. 정제는 큰 모델 (교사)에 비해 작은 모델에 두 가지 주요 이점이 있기 때문에 유용합니다.

• 추론 시간 단축
• 메모리 및 에너지 사용량 감소

그러나 학생의 예측은 일반적으로 교사의 예측만큼 좋지는 않습니다.

정제는 스튜던트 모델을 학습시켜 스튜던트 모델의 예측 출력값과 스튜던트 모델의 예측값 간 차이를 기반으로 손실 함수를 최소화합니다.

정제를 다음 용어와 비교 및 대조합니다.

• 미세 조정
• 프롬프트 기반 학습

배포

특정 특성 또는 라벨에 대한 여러 값의 빈도 및 범위입니다. 분포는 특정 값의 가능성을 포착합니다.

다음 이미지는 두 가지 분포의 히스토그램을 보여줍니다.

• 왼쪽에는 재산의 법칙 분포와 해당 재산을 소유한 사람의 수가 비교되어 있습니다.
• 오른쪽 그래프는 신장과 해당 신장을 가진 사람 수의 정규 분포 비교

각 특성과 라벨의 분포를 이해하면 값을 정규화하고 이상점을 감지하는 방법을 결정하는 데 도움이 됩니다.

분산 외라는 문구는 데이터 세트에 나타나지 않거나 매우 드물게 발생하는 값을 나타냅니다. 예를 들어 토성의 이미지는 고양이 이미지로 구성된 데이터 세트에서 배포되지 않은 것으로 간주됩니다.

분열적 군집화

#clustering

계층적 군집화를 참고하세요.

다운샘플링

#image

중복으로 정의된 용어로, 다음 중 하나를 의미할 수 있습니다.

• 모델을 더 효율적으로 학습하기 위해 특성의 정보 양을 줄입니다. 예를 들어 이미지 인식 모델을 학습시키기 전에 고해상도 이미지를 저해상도 형식으로 다운샘플링합니다.
• 소수 집단에 대한 모델 학습을 개선하기 위해 불균형적으로 낮은 비율의 과대 대표 클래스 예를 학습합니다. 예를 들어 클래스 불균형 데이터 세트에서 모델은 주요 클래스에 관해서는 많이 학습하지만 소수 범주에 관해서는 충분히 학습하지 못하는 경향이 있습니다. 다운샘플링은 다수 범주 및 소수 범주에 대한 학습량을 균형 있게 조정하는 데 도움이 됩니다.

DQN

#rl

Deep Q-Network의 약어입니다.

드롭아웃 정규화

신경망 학습에 유용한 정규화의 한 형태입니다. 드롭아웃 정규화는 단일 경사 단계에서 네트워크 레이어의 고정된 수의 단위를 무작위로 선택합니다. 드롭아웃하는 단위가 많을수록 정규화가 강력해집니다. 이는 기하급수적으로 큰 소규모 네트워크의 앙상블을 에뮬레이션하도록 네트워크를 학습시키는 것과 유사합니다. 자세한 내용은 드롭아웃: 신경망의 과적합을 방지하는 간단한 방법을 참조하세요.

동적

#fundamentals

자주 또는 지속적으로 수행되는 작업 머신러닝에서 동적과 온라인이라는 용어는 동의어입니다. 다음은 머신러닝에서 동적과 온라인의 일반적인 용도입니다.

• 동적 모델 (또는 온라인 모델)은 자주 또는 지속적으로 재학습되는 모델입니다.
• 동적 학습 (또는 온라인 학습)은 자주 또는 지속적으로 학습하는 프로세스입니다.
• 동적 추론 (또는 온라인 추론)은 요청 시 예측을 생성하는 프로세스입니다.

동적 모델

#fundamentals

자주 (심지어 지속적으로) 재학습되는 model 동적 모델은 진화하는 데이터에 지속적으로 적응하는 '평생 학습자'입니다. 동적 모델은 온라인 모델이라고도 합니다.

정적 모델과 대비되는 개념입니다.

E

즉시 실행

#TensorFlow

operations이 즉시 실행되는 TensorFlow 프로그래밍 환경입니다. 반대로 그래프 실행에서 호출되는 작업은 명시적으로 평가될 때까지 실행되지 않습니다. 즉시 실행은 대부분의 프로그래밍 언어로 된 코드와 마찬가지로 명령형 인터페이스입니다. 즉시 실행 프로그램은 일반적으로 그래프 실행 프로그램보다 디버그하기가 훨씬 쉽습니다.

조기 중단

#fundamentals

학습 손실이 감소하기 전에 학습을 종료하는 정규화 메서드입니다. 조기 중단에서는 검증 데이터 세트의 손실이 증가하기 시작할 때, 즉 일반화 성능이 악화될 때 모델 학습을 의도적으로 중지합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

조기 중단은 직관적이지 않아 보일 수 있습니다. 결국 손실이 아직 감소하고 있을 때 모델에 학습을 중단하라고 말하는 것은 요리사에게 디저트가 완전히 굽기 전에 요리를 중지하라고 말하는 것처럼 보일 수 있습니다. 하지만 모델을 너무 오래 학습시키면 과적합이 발생할 수 있습니다. 즉, 모델을 너무 오래 학습시키면 모델이 학습 데이터에 너무 가깝게 맞추어져서 새로운 예시를 제대로 예측하지 못할 수 있습니다.

---

지구 이동자 거리 (EMD)

두 분포의 상대적 유사성에 대한 척도입니다. 지면 이동자의 거리가 짧을수록 분포가 더 유사합니다.

거리 수정

#language

두 텍스트 문자열이 서로 얼마나 비슷한지를 측정한 값입니다. 머신러닝에서 편집 거리는 계산이 간단하며, 유사한 것으로 알려진 두 문자열을 비교하거나 지정된 문자열과 유사한 문자열을 찾는 데 효과적인 방법이므로 유용합니다.

수정 거리에는 여러 가지 정의가 있으며 각각 서로 다른 문자열 작업을 사용합니다. 예를 들어 Levenshtein 거리는 삭제, 삽입, 대체 작업이 가장 적은 것으로 간주합니다.

예를 들어 단어 'heart'와 'darts' 사이의 Levenshtein 거리는 3입니다. 다음 세 번의 편집이 한 단어를 다른 단어로 바꾸는 데 가장 적은 변화가 있기 때문입니다.

1. 하트 → 디아트('h'를 'd'로 대체)
2. deart → dart('e' 삭제)
3. 다트 → 다트('s' 삽입)

에인섬 표기법

두 텐서를 결합하는 방법을 설명하는 효율적인 표기법입니다. 한 텐서의 요소와 다른 텐서의 요소를 곱한 후 곱을 합산하여 텐서를 결합합니다. 에인섬 표기법은 기호를 사용하여 각 텐서의 축을 식별하며, 동일한 기호가 재정렬되어 새로운 결과 텐서의 형태를 지정합니다.

NumPy는 일반적인 Einsum 구현을 제공합니다.

임베딩 레이어

#language

#fundamentals

고차원 범주형 특성을 학습하여 저차원 임베딩 벡터를 점진적으로 학습하는 특수한 히든 레이어입니다. 임베딩 레이어를 사용하면 신경망이 고차원의 범주형 특성만 학습시키는 것보다 훨씬 더 효율적으로 학습시킬 수 있습니다.

예를 들어 지구는 현재 약 73,000종의 수종을 지원합니다. 트리 종은 모델의 특성이므로 모델의 입력 레이어에 73,000개의 요소가 포함된 원-핫 벡터가 포함되어 있다고 가정해 보겠습니다. 예를 들어 baobab는 다음과 같이 표현할 수 있습니다.

요소 73,000개의 배열은 매우 깁니다. 모델에 임베딩 레이어를 추가하지 않으면 0 72,999개가 곱하기 때문에 학습에 많은 시간이 소요됩니다. 12차원으로 구성된 임베딩 레이어를 선택할 수 있습니다 결과적으로 임베딩 레이어는 각 수종에 대한 새로운 임베딩 벡터를 점진적으로 학습하게 됩니다.

특정 상황에서는 해싱이 임베딩 레이어의 합리적인 대안입니다.

임베딩 공간

#language

고차원 벡터 공간의 특성이 매핑되는 d차원 벡터 공간입니다. 의미 있는 수학적 결과를 산출하는 구조가 임베딩 공간에 포함되는 것이 이상적입니다. 예를 들어 이상적인 임베딩 공간에서 임베딩을 더하고 빼면 단어 유추 작업을 해결할 수 있습니다.

두 임베딩의 내적은 유사성의 척도입니다.

임베딩 벡터

#language

일반적으로 히든 레이어에 대한 입력을 설명하는 모든 히든 레이어에서 가져온 부동 소수점 수의 배열입니다. 임베딩 벡터는 임베딩 레이어에서 학습된 부동 소수점 수의 배열인 경우가 많습니다. 예를 들어 임베딩 레이어가 지구상에 있는 73,000종의 나무 종 각각에 대한 임베딩 벡터를 학습해야 한다고 가정해 보겠습니다. 다음 배열은 바오밥 나무의 임베딩 벡터일 수 있습니다.

임베딩 벡터는 난수의 집합이 아닙니다. 임베딩 레이어는 신경망이 학습 중에 다른 가중치를 학습하는 방식과 유사하게 학습을 통해 이러한 값을 결정합니다. 배열의 각 요소는 나무 종의 일부 특성에 따른 평점입니다. 다음 중 어떤 나무 종의 특징을 나타내는 요소는 무엇인가요? 그건 인간이 판단하기 매우 어렵습니다.

임베딩 벡터에서 수학적으로 주목할 만한 부분은 유사한 항목이 부동 소수점 숫자의 집합도 비슷하다는 점입니다. 예를 들어 비슷한 나무 종은 서로 다른 나무 종보다 부동 소수점 숫자 집합이 더 유사합니다. 삼나무와 세쿼이아는 연관된 나무 종이므로, 삼나무와 코코넛 야자수보다 부동 소수점 수 집합이 더 유사합니다. 임베딩 벡터의 숫자는 동일한 입력으로 모델을 재학습하더라도 모델을 재학습시킬 때마다 변경됩니다.

경험적 누적 분포 함수 (eCDF 또는 EDF)

실제 데이터 세트의 경험적 측정값을 기반으로 한 누적 분포 함수입니다. x축의 특정 지점에 있는 함수 값은 데이터 세트에서 지정된 값보다 작거나 같은 관측치 비율입니다.

경험적 위험 최소화 (ERM)

학습 세트에서 손실을 최소화하는 함수 선택 구조적 위험 최소화와 대비되는 개념입니다.

인코더

#language

일반적으로 원시, 희소 또는 외부 표현을 보다 처리되고 밀도가 높거나 내부적인 표현으로 변환하는 모든 ML 시스템입니다.

인코더는 종종 더 큰 모델의 구성요소인 경우가 많으며, 여기서 인코더는 디코더와 자주 페어링됩니다. 일부 Transformer는 인코더를 디코더와 페어링하지만, 다른 Transformer는 인코더만 사용하거나 디코더만 사용합니다.

일부 시스템은 인코더의 출력을 분류 또는 회귀 네트워크의 입력으로 사용합니다.

시퀀스-시퀀스 작업에서 인코더는 입력 시퀀스를 가져와서 내부 상태 (벡터)를 반환합니다. 그런 다음 디코더는 이 내부 상태를 사용하여 다음 시퀀스를 예측합니다.

Transformer 아키텍처에서의 인코더 정의는 변환기를 참고하세요.

앙상블

독립적으로 학습한 모델 모음으로, 예측을 평균화하거나 집계합니다. 대부분의 경우 앙상블은 단일 모델보다 더 나은 예측을 생성합니다 예를 들어 랜덤 포레스트는 여러 결정 트리에서 빌드된 앙상블입니다. 모든 결정 포레스트가 앙상블인 것은 아닙니다.

엔트로피

#df

정보 이론에서 확률 분포가 얼마나 예측 불가능한지를 설명합니다. 또는 엔트로피는 각 예에 포함된 정보의 양으로 정의되기도 합니다. 확률 변수의 모든 값이 동일할 때 분포는 가장 높은 엔트로피를 갖게 됩니다.

두 개의 가능한 값 '0'과 '1'을 갖는 집합의 엔트로피(예: 이진 분류 문제의 라벨)는 다음과 같은 공식을 갖습니다.

  H = -p log p - q log q = -p log p - (1-p) * log (1-p)

각 매개변수는 다음과 같습니다.

• H는 엔트로피입니다.
• p는 '1' 예의 비율입니다.
• q는 '0' 예의 비율입니다. q = (1 - p)인 것을 볼 수 있습니다.
• log는 일반적으로 log₂입니다. 이 경우 엔트로피 단위가 약간 있습니다

예를 들어 다음을 가정합니다.

• 100개의 예가 '1' 값을 포함함
• 300개의 예가 '0' 값을 포함함

따라서 엔트로피 값은 다음과 같습니다.

• p = 0.25
• q = 0.75
• H = (-0.25)log₂(0.25) - (0.75)log₂(0.75) = 예당 0.81비트

완벽하게 균형 잡힌 세트 (예: 200 '0' 및 200 '1')의 예당 엔트로피는 1.0비트입니다. 세트의 불균형이 높아지면 엔트로피가 0.0으로 이동합니다.

결정 트리에서 엔트로피는 정보 획득을 공식화하여 분류 결정 트리가 성장하는 동안 스플리터가 조건을 선택할 수 있도록 도와줍니다.

엔트로피를 다음과 비교:

• 지니 불순물
• 교차 엔트로피 손실 함수

엔트로피를 종종 섀넌의 엔트로피라고 합니다.

환경

#rl

강화 학습에서 에이전트를 포함하고 에이전트가 해당 세계의 상태를 관찰할 수 있는 환경입니다. 예를 들어, 표현된 세계는 체스와 같은 게임 또는 미로와 같은 실제 세계일 수 있습니다. 에이전트가 환경에 작업을 적용하면 환경이 상태 간에 전환됩니다.

에피소드

#rl

강화 학습에서 에이전트가 환경을 학습하기 위해 반복적으로 시도하는 각 시도입니다.

에포크

#fundamentals

전체 학습 세트에 대한 전체 학습 패스로, 각 예가 한 번 처리됩니다.

에포크는 N/배치 크기 학습 반복을 나타냅니다. 여기서 N는 총 예시 수입니다.

예를 들어 다음과 같이 가정해 보겠습니다.

• 데이터 세트는 1,000개의 예로 구성됩니다.
• 배치 크기는 예시 50개입니다.

따라서 단일 에포크에는 20회의 반복이 필요합니다.

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

엡실론 탐욕 정책

#rl

강화 학습에서 엡실론 확률이 있는 임의 정책을 따르거나 그리디 정책을 따르는 정책입니다. 예를 들어 엡실론이 0.9이면 정책은 90% 확률로 임의 정책을 따르고 10% 확률로 탐욕 정책을 따릅니다.

이 알고리즘은 연속적인 에피소드에서 무작위 정책을 따르는 것에서 탐욕스러운 정책을 따르는 것으로 전환하기 위해 엡실론의 값을 줄입니다. 에이전트는 정책을 이동함으로써 먼저 환경을 무작위로 탐색한 다음 무작위 탐색의 결과를 탐욕적으로 악용합니다.

기회의 균등

#fairness

민감한 속성의 모든 값에 대해 모델이 바람직한 결과를 동일하게 예측하는지 여부를 평가하는 공정성 측정항목. 즉, 모델에 대한 바람직한 결과가 포지티브 클래스라면 목표는 모든 그룹에서 참양성률이 같도록 하는 것입니다.

기회의 균등은 등호화된 확률과 관련이 있으며, 따라서 모든 그룹에서 참양성률과 거짓양성률이 모두 동일해야 합니다.

글러브덥드리브 대학교에서 난쟁이족과 브로딩나지안 대학교가 엄격한 수학 프로그램에 합격했다고 가정해 봅시다. Lilliputians의 중학교는 탄탄한 수학 수업 커리큘럼을 제공하며 대다수의 학생이 대학 프로그램에 참여할 자격이 있습니다. 브로딩나지안의 중학교는 수학 수업을 전혀 제공하지 않으며, 그 결과 자격을 갖춘 학생들이 훨씬 적습니다. 자격을 갖춘 학생이 난쟁이자인지 브로브딩나기안인지에 관계없이 입학 가능성이 동등하다면 국적에 대해 선호하는 '입학됨' 라벨 (릴리푸시안 또는 브로딩나기안)에 대해 기회의 균등이 충족됩니다.

예를 들어 100명의 릴리푸티안과 100명의 브로딩나기안이 글러브더브드리브 대학에 지원한다고 가정할 때 입학 결정은 다음과 같이 내려집니다.

표 1. 릴리퓨티(lilliputian) 지원자(90% 가 적격)

	적격성 확인됨	자격 없음
허용됨	45	3
거부됨	45	7
총계	90	10
합격한 학생 비율: 45/90 = 50% 합격하지 못한 학생 비율: 7/10 = 70% 합격 학생 비율: (45+3)/100 = 48%

 

표 2. 브로브딩나기안 신청자 (10% 가 적격):

	적격성 확인됨	자격 없음
허용됨	5	9일
거부됨	5	81
총계	10	90
합격한 학생 비율: 5/10 = 50% 합격하지 못한 학생 비율: 81/90 = 90% 브로딩나기안 입학률: (5+9)/100 = 14%

앞의 예는 자격을 갖춘 교양인과 브로딩나지안 모두 입학 확률이 50% 이기 때문에 유자격 학생을 수용할 기회의 균등을 충족합니다.

기회의 균등은 충족되지만 다음 두 공정성 측정항목은 충족되지 않습니다.

• 인구통계 동등성: 난쟁이족과 브로딩나지안 대학교의 입학률은 다릅니다. 난쟁이족 학생의 48% 가 입학을 허가하지만 브로딩나기안 학생들은 14% 만 입학합니다.
• 동등한 승률: 자격을 갖춘 난쟁이와 브로딩나기안 학생 모두 입학 기회가 동일하긴 하지만 자격이 없는 난쟁이와 브로딩나기안 모두가 거부될 확률이 동일하다는 추가적인 제약조건은 충족되지 않습니다. 자격이 없는 난쟁이의 거부율은 70% 인 반면 자격이 없는 브로딩내기의 거부율은 90% 입니다.

기회의 균등에 대한 자세한 내용은 '지도 학습의 기회 평등'을 참고하세요. 기회의 균등을 위해 최적화할 때의 절충점을 살펴보는 시각화 자료는 '더 스마트한 머신러닝으로 차별 공격'도 참고하세요.

균등화된 승률

#fairness

한 클래스 또는 다른 클래스만이 아닌 포지티브 클래스와 네거티브 클래스를 모두 고려하여 민감한 속성의 모든 값에 대해 모델이 동일한 결과를 예측하는지 평가하는 공정성 측정항목입니다. 즉, 모든 그룹에서 참양성률과 거짓음성률이 동일해야 합니다.

등호 확률은 단일 클래스 (양수 또는 음수)의 오류율에만 초점을 맞춘 기회의 균등과 관련이 있습니다.

예를 들어 글러브덥드리브 대학이 난쟁이와 브로브딩나기안을 모두 엄격한 수학 프로그램에 합격했다고 가정해 보겠습니다. Lilliputians의 중고등학교는 탄탄한 수학 수업 커리큘럼을 제공하며 대다수의 학생이 대학 프로그램에 참여할 자격이 있습니다. 브로브딩나지안스의 중학교에서는 수학 수업을 전혀 제공하지 않으며, 그 결과 학업에 합격하는 학생들이 훨씬 적습니다. 동등한 확률은 신청자가 릴리퓨티(Llilliputian)이든 브로딩나기안(Brobdingnagian)이든 상관없이, 자격을 갖춘 경우 프로그램에 합격할 확률이 동등하며, 자격을 갖추지 못한 경우 거절될 가능성도 동등합니다.

100명의 난쟁이족과 100명의 브로딩나지안이 글러브더브드리브 대학에 지원한다고 가정해 보겠습니다. 입학 결정은 다음과 같이 내려집니다.

표 3. 릴리퓨티(lilliputian) 지원자(90% 가 적격)

	적격성 확인됨	자격 없음
허용됨	45	2
거부됨	45	8
총계	90	10
합격한 학생 비율: 45/90 = 50% 합격하지 못한 학생 비율: 8/10 = 80% 합격 학생 비율: (45+2)/100 = 47%

 

표 4. 브로브딩나기안 신청자 (10% 가 적격):

	적격성 확인됨	자격 없음
허용됨	5	18
거부됨	5	72시간
총계	10	90
합격한 학생 비율: 5/10 = 50% 합격하지 못한 학생 비율: 72/90 = 80% 브로딩나기안 입학률(5+18)/100 = 23%

균등화된 확률은 자격을 갖춘 릴리푸티안과 브로딩나기안 학생이 모두 입학할 확률이 50% 이고 자격이 없는 릴리푸티안과 브로딩나기안 학생은 거부될 확률이 80% 이기 때문에 충족됩니다.

참고: 여기서는 균등화된 확률을 충족시키지만 인구통계 패리티는 충족하지 않습니다. 릴리푸티안 학생과 브로브딩나기안 학생의 입학율이 다른 학생입니다. 릴리푸티안 학생의 47% 가 입학하고 브로브딩나기안 학생들의 23% 가 입학합니다.

등호 확률은 '지도 학습의 기회의 균등'에서 공식적으로 다음과 같이 정의됩니다. '예측자 cid는 보호된 속성 A와 결과 Y에 대해 등가 확률을 충족시킵니다. 오디오와 A가 독립되어 있고 Y에 대한 조건부입니다.'

참고: 등호 확률을 완화된 기회의 균등 측정항목과 대조하세요.

에스티메이터

#TensorFlow

지원 중단된 TensorFlow API 에스티메이터 대신 tf.keras를 사용하세요.

평가

머신러닝 모델의 예측 품질을 측정하는 프로세스입니다. 모델을 개발할 때 일반적으로 학습 세트뿐만 아니라 검증 세트 및 테스트 세트에도 평가 측정항목을 적용합니다. 평가 측정항목을 사용하여 서로 다른 모델을 서로 비교할 수도 있습니다

예를 들어 설명하겠습니다

#fundamentals

한 행의 특성 및 라벨(가능한 경우)의 값 지도 학습의 예는 다음과 같은 두 가지 일반적인 카테고리로 분류됩니다.

• 라벨이 있는 예는 하나 이상의 특성과 라벨로 구성됩니다. 라벨이 있는 예는 학습 중에 사용됩니다.
• 라벨이 없는 예는 하나 이상의 특성으로 구성되지만 라벨은 없습니다. 라벨이 없는 예는 추론 중에 사용됩니다.

예를 들어 기상 조건이 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습시킨다고 가정해 보겠습니다. 다음은 라벨이 있는 3가지 예입니다.

기능			라벨
온도	습도	압력	테스트 점수
15	47	998	양호
19	34	1020	매우 좋음
18	92	1012	나쁨

다음은 라벨이 없는 세 가지 예입니다.

온도	습도	압력
12	62	1014
21	47	1017
19	41	1021

데이터 세트의 행은 일반적으로 예의 원시 소스입니다. 즉, 예는 일반적으로 데이터 세트에 있는 열의 하위 집합으로 구성됩니다. 또한 예의 특성에는 특성 교차와 같은 합성 특성이 포함될 수도 있습니다.

실험 환경 다시보기

#rl

강화 학습에서는 학습 데이터의 시간적 상관관계를 줄이는 데 사용되는 DQN 기법입니다. 에이전트는 재생 버퍼에 상태 전환을 저장한 다음 재생 버퍼에서 전환을 샘플링하여 학습 데이터를 만듭니다.

실험자 편향

#fairness

확증 편향을 참조하세요.

경사 발산 문제

#seq

심층신경망 (특히 순환 신경망)에서 경사가 놀라울 정도로 가파르게 (높음) 경향되는 경향입니다. 급격한 경사는 심층신경망에 있는 각 노드의 가중치가 매우 크게 업데이트되는 경우가 많습니다.

폭발적인 경사 문제가 발생하는 모델은 학습이 어렵거나 불가능해집니다. 경사 클리핑으로 이 문제를 완화할 수 있습니다.

경사 소실 문제와 비교해 보세요.

금

F₁

정밀도와 재현율을 모두 사용하는 '롤업' 이진 분류 측정항목 공식은 다음과 같습니다.

$$F{_1} = \frac{\text{2 * precision * recall}} {\text{precision + recall}}$$

예를 들어 다음과 같은 경우

• 정밀도 = 0.6
• 재현율 = 0.4

$$F{_1} = \frac{\text{2 * 0.6 * 0.4}} {\text{0.6 + 0.4}} = 0.48$$

앞의 예와 같이 정밀도와 재현율이 상당히 비슷하면 F₁이 평균에 가깝습니다. 정밀도와 재현율이 크게 다른 경우 F₁은 낮은 값에 더 가깝습니다. 예를 들면 다음과 같습니다.

• 정밀도 = 0.9
• 재현율 = 0.1

$$F{_1} = \frac{\text{2 * 0.9 * 0.1}} {\text{0.9 + 0.1}} = 0.18$$

공정성 제약 조건

#fairness

하나 이상의 공정성 정의가 충족되도록 알고리즘에 제약조건 적용 공정성 제약 조건의 예는 다음과 같습니다.

• 모델의 출력을 후처리합니다.
• 손실 함수를 변경하여 공정성 측정항목 위반에 대한 페널티를 포함합니다.
• 최적화 문제에 수학적 제약 조건을 직접 추가합니다.

공정성 측정항목

#fairness

측정 가능한 '공정성'의 수학적 정의입니다. 일반적으로 사용되는 공정성 측정항목은 다음과 같습니다.

• 등가화된 확률
• 예측 동등성
• 반사실적 공정성
• 인구통계 동등성

많은 공정성 측정항목은 상호 배타적입니다. 공정성 측정항목의 비호환성을 참조하세요.

거짓음성 (FN)

#fundamentals

모델에서 네거티브 클래스를 잘못 예측하는 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아니라(네거티브 클래스) 예측하지만 해당 이메일 메시지가 실제로는 스팸이라고 예측할 수 있습니다.

거짓음성률

모델에서 네거티브 클래스를 잘못 예측한 실제 양성 예의 비율입니다. 다음 수식은 거짓음성률을 계산합니다.

$$\text{false negative rate} = \frac{\text{false negatives}}{\text{false negatives} + \text{true positives}}$$

거짓양성 (FP)

#fundamentals

모델에서 포지티브 클래스를 잘못 예측하는 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸 (포지티브 클래스)이라고 예측하지만 해당 이메일 메시지는 실제로는 스팸이 아닙니다.

거짓양성률 (FPR)

#fundamentals

모델에서 포지티브 클래스를 잘못 예측한 실제 음성 예시의 비율입니다. 다음 수식은 거짓양성률을 계산합니다.

$$\text{false positive rate} = \frac{\text{false positives}}{\text{false positives} + \text{true negatives}}$$

거짓양성률은 ROC 곡선의 x축입니다.

특징

#fundamentals

머신러닝 모델의 입력 변수입니다. 예는 하나 이상의 특성으로 구성됩니다. 예를 들어 기상 조건이 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습시킨다고 가정해 보겠습니다. 다음 표에는 3가지 예가 나와 있으며 각 예에는 3개의 특성과 1개의 라벨이 포함되어 있습니다.

기능			라벨
온도	습도	압력	테스트 점수
15	47	998	92
19	34	1020	84
18	92	1012	87

라벨과 대비되는 개념입니다.

특성 교차

#fundamentals

범주형 또는 버케팅 특성을 '교차'하여 구성되는 합성 특성입니다.

예를 들어 다음 네 개의 버킷 중 하나에서 기온을 나타내는 '기분 예측' 모델을 가정해 보겠습니다.

• freezing
• chilly
• temperate
• warm

다음 세 버킷 중 하나의 풍속을 나타냅니다.

• still
• light
• windy

특성 교차가 없으면 선형 모델은 이전의 다양한 버킷 7개 각각에 대해 독립적으로 학습합니다. 따라서 모델은 학습과 별개로 freezing을 기준으로 학습됩니다(예: windy).

또는 온도와 풍속의 특성 교차를 만들 수도 있습니다. 이 합성 특성에는 다음과 같은 12개의 가능한 값이 포함됩니다.

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

특성 교차 덕분에 모델이 freezing-windy일과 freezing-still일 사이의 기분 변화를 학습할 수 있습니다.

각각 버킷이 많이 있는 두 특성에서 합성 특성을 만들면 특성 교차에 가능한 조합 수가 엄청나게 많아집니다. 예를 들어 한 특성에 버킷이 1,000개 있고 다른 특성에 버킷이 2,000개 있으면 결과적으로 특성 교차에는 버킷이 2,000,000개가 됩니다.

공식적으로 교차는 데카르트 곱입니다.

특성 교차는 주로 선형 모델에서 사용되며 신경망에서는 거의 사용되지 않습니다.

특성 추출 단계를 포함합니다

#fundamentals

#TensorFlow

프로세스에는 다음 단계가 포함됩니다.

1. 모델 학습에 유용한 특성 결정
2. 데이터 세트의 원시 데이터를 이러한 특성의 효율적인 버전으로 변환

예를 들어 temperature가 유용한 기능이라고 판단할 수 있습니다. 그런 다음 버케팅을 실험하여 모델이 다양한 temperature 범위에서 학습할 수 있는 내용을 최적화할 수 있습니다.

특성 추출을 특성 추출 또는 기능화라고도 합니다.

TensorFlow에 관한 추가 메모를 보려면 아이콘을 클릭하세요.

TensorFlow에서 특성 추출은 주로 원시 로그 파일 항목을 tf.Example 프로토콜 버퍼로 변환하는 것을 의미합니다. tf.Transform을 참조하세요.

---

특성 추출

다음 정의 중 하나로 중복 정의된 용어입니다.

• 다른 모델에서 입력으로 사용할 비지도 모델 또는 사전 학습된 모델에서 계산된 중간 특성 표현(예: 신경망의 히든 레이어 값)을 검색합니다.
• 특성 추출의 동의어입니다.

특성 중요도

#df

변수 중요도의 동의어입니다.

특성 세트

#fundamentals

머신러닝 모델이 학습하는 특성 그룹입니다. 예를 들어 우편번호, 부동산 규모, 부동산 상태는 주택 가격을 예측하는 모델의 간단한 특성 세트를 구성할 수 있습니다.

특성 사양

#TensorFlow

tf.Example 프로토콜 버퍼에서 특성 데이터를 추출하는 데 필요한 정보를 설명합니다. tf.Example 프로토콜 버퍼는 데이터의 컨테이너일 뿐이므로 다음을 지정해야 합니다.

• 추출할 데이터 (특성의 키)
• 데이터 유형 (예: float 또는 int)
• 길이 (고정 또는 가변)

특성 벡터

#fundamentals

예를 구성하는 feature 값의 배열입니다. 특성 벡터는 학습 및 추론 중에 입력됩니다. 예를 들어 두 개의 개별 특성이 있는 모델의 특성 벡터는 다음과 같을 수 있습니다.

[0.92, 0.56]

각 예는 특성 벡터에 서로 다른 값을 제공하므로 다음 예의 특성 벡터는 다음과 같을 수 있습니다.

[0.73, 0.49]

특성 추출은 특성 벡터에서 특성을 표현하는 방법을 결정합니다. 예를 들어 5개의 가능한 값을 포함하는 바이너리 범주형 특성은 원-핫 인코딩으로 표현할 수 있습니다. 이 경우 특정 예에서 특징 벡터의 부분은 다음과 같이 4개의 0과 세 번째 위치에 있는 단일 1.0으로 구성됩니다.

[0.0, 0.0, 1.0, 0.0, 0.0]

또 다른 예로, 모델이 다음 세 가지 특성으로 구성되어 있다고 가정해 보겠습니다.

• 원-핫 인코딩으로 표현되는 5개의 가능한 값을 포함하는 바이너리 범주형 특성(예: [0.0, 1.0, 0.0, 0.0, 0.0])
• 원-핫 인코딩으로 표현되는 세 개의 가능한 값을 포함하는 또 다른 이진 범주형 특성(예: [0.0, 0.0, 1.0])
• 부동 소수점 특성(예: 8.3)

이 경우 각 예의 특성 벡터는 9개의 값으로 표현됩니다. 앞의 목록에 있는 예시 값을 고려했을 때 특성 벡터는 다음과 같습니다.

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

기능화

문서나 동영상과 같은 입력 소스에서 특성을 추출하고 이러한 특성을 특성 벡터에 매핑하는 프로세스입니다.

일부 ML 전문가는 기능화를 특성 추출 또는 특성 추출의 동의어로 사용합니다.

제휴 학습

스마트폰과 같은 기기에 있는 분산된 예시를 사용하여 머신러닝 모델을 학습하는 분산형 머신러닝 접근 방식입니다. 제휴 학습에서는 기기의 하위 집합이 중앙 조정 서버에서 현재 모델을 다운로드합니다. 기기는 기기에 저장된 예를 사용하여 모델을 개선합니다. 그런 다음 기기는 모델 개선사항 (학습 예가 아님)을 조정 서버에 업로드하고 조정 서버에 다른 업데이트와 함께 집계되어 개선된 글로벌 모델을 생성합니다. 집계 후에는 기기에서 계산된 모델 업데이트는 더 이상 필요하지 않으며 삭제할 수 있습니다.

학습 예시는 절대 업로드되지 않으므로 제휴 학습은 집중적 데이터 수집 및 데이터 수집 최소화라는 개인 정보 보호 원칙을 따릅니다.

제휴 학습에 대한 자세한 내용은 이 가이드를 참조하세요.

피드백 루프

#fundamentals

머신러닝에서 모델의 예측이 동일 모델 또는 다른 모델의 학습 데이터에 영향을 미치는 상황입니다. 예를 들어 영화를 추천하는 모델은 사람들이 보는 영화에 영향을 미치며, 이는 후속 영화 추천 모델에 영향을 미칩니다.

순방향 신경망 (FFN)

순환 또는 재귀 연결이 없는 신경망입니다. 예를 들어 기존 심층신경망은 순방향 신경망입니다. 순환되는 순환 신경망과 대비되는 개념입니다.

퓨샷 학습

객체 분류에 자주 사용되는 머신러닝 접근 방식으로, 소수의 학습 예시로만 효과적인 분류기를 학습시키기 위해 설계되었습니다.

원샷 학습과 제로샷 학습을 참조하세요.

퓨샷 프롬프팅

#language

#생성형AI

대규모 언어 모델의 응답 방식을 보여주는 예가 두 개 이상 포함된 프롬프트. 예를 들어 다음과 같은 긴 프롬프트에는 대규모 언어 모델에서 쿼리에 답하는 방법을 보여주는 두 가지 예가 포함되어 있습니다.

프롬프트 구성 요소	Notes
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문입니다.
프랑스: EUR	한 가지 예시입니다.
영국: GBP	또 다른 예로
인도:	실제 쿼리입니다.

퓨샷 프롬프팅은 일반적으로 제로샷 프롬프팅 및 원샷 프롬프팅보다 더 바람직한 결과를 생성합니다. 하지만 퓨샷 프롬프팅에는 더 긴 프롬프트가 필요합니다

퓨샷 프롬프팅은 프롬프트 기반 학습에 적용되는 퓨샷 학습의 한 형태입니다.

바이올린

#language

침입 코드 또는 인프라를 사용하지 않고 함수 및 클래스의 값을 설정하는 Python 중심 구성 라이브러리입니다. Pax 및 기타 ML 코드베이스의 경우 이러한 함수와 클래스는 모델과 학습 초매개변수를 나타냅니다.

Fiddle은 머신러닝 코드베이스가 일반적으로 다음과 같이 나뉘어져 있다고 가정합니다.

• 레이어와 옵티마이저를 정의하는 라이브러리 코드
• 라이브러리를 호출하고 모든 것을 함께 연결하는 데이터 세트 '글루' 코드.

Fiddle은 글루 코드의 호출 구조를 평가되지 않고 변경 가능한 형태로 캡처합니다.

미세 조정

#language

#image

#생성형AI

특정 사용 사례의 매개변수를 미세 조정하기 위해 선행 학습된 모델에 수행되는 두 번째 태스크별 학습 패스입니다. 예를 들어 일부 대규모 언어 모델의 전체 학습 시퀀스는 다음과 같습니다.

1. 사전 학습: 모든 영어 Wikipedia 페이지와 같은 방대한 일반 데이터 세트로 대규모 언어 모델을 학습시킵니다.
2. 미세 조정: 의료 쿼리에 대한 응답과 같은 특정 작업을 수행하도록 선행 학습된 모델을 학습시킵니다. 미세 조정에는 일반적으로 특정 태스크에 중점을 둔 수백 또는 수천 개의 예시가 포함됩니다.

또 다른 예로 대형 이미지 모델의 전체 학습 시퀀스는 다음과 같습니다.

1. 사전 학습: Wikimedia Commons의 모든 이미지와 같은 방대한 일반 이미지 데이터 세트로 대형 이미지 모델을 학습시킵니다.
2. 미세 조정: 범고래 이미지 생성과 같은 특정 작업을 수행하도록 선행 학습된 모델을 학습시킵니다.

미세 조정에는 다음과 같은 전략의 조합이 수반될 수 있습니다.

• 선행 학습된 모델의 기존 매개변수를 모두 수정 이를 전체 미세 조정이라고도 합니다.
• 선행 학습된 모델의 기존 매개변수 중 일부만 수정하면서(일반적으로 출력 레이어에 가장 가까운 레이어) 다른 기존 매개변수는 변경하지 않고 그대로 유지합니다 (일반적으로 입력 레이어에 가장 가까운 레이어). 매개변수 효율적인 조정을 참조하세요.
• 일반적으로 출력 레이어에 가장 가까운 기존 레이어 위에 레이어를 추가합니다.

미세 조정은 전이 학습의 한 형태입니다. 따라서 미세 조정은 사전 학습된 모델을 학습시키는 데 사용된 것과 다른 손실 함수 또는 다른 모델 유형을 사용할 수 있습니다. 예를 들어 사전 학습된 대형 이미지 모델을 미세 조정하여 입력 이미지의 새 수를 반환하는 회귀 모델을 생성할 수 있습니다.

미세 조정을 다음 용어와 비교 및 대조합니다.

• 정류
• 프롬프트 기반 학습

Flax

#language

JAX를 기반으로 빌드된 딥 러닝용 고성능 오픈소스 라이브러리입니다. Flax는 신경망 학습용 함수와 성능 평가 방법을 제공합니다.

플랙스포머

#language

Flax를 기반으로 하는 오픈소스 Transformer 라이브러리로, 주로 자연어 처리 및 멀티모달 연구를 위해 설계되었습니다.

포겟 게이트

#seq

셀을 통한 정보 흐름을 조절하는 장기 단기 메모리 셀의 일부입니다. 겟 게이트는 셀 상태에서 삭제할 정보를 결정하여 컨텍스트를 유지합니다.

전체 소프트맥스

소프트맥스의 동의어입니다.

후보 샘플링과 대비되는 개념입니다.

완전 연결 레이어

각 노드가 후속 히든 레이어의 모든 노드에 연결되는 히든 레이어입니다.

완전 연결 레이어를 밀집 레이어라고도 합니다.

함수 변환

함수를 입력으로 사용하고 변환된 함수를 출력으로 반환하는 함수입니다. JAX는 함수 변환을 사용합니다.

G

GAN

생성적 적대 신경망(GAN)의 약어입니다.

일반화

#fundamentals

이전에 본 적 없는 새로운 데이터를 올바르게 예측하는 모델의 기능 일반화할 수 있는 모델은 과적합인 모델과 반대입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

학습 세트의 예를 사용하여 모델을 학습시킵니다. 결과적으로 모델은 학습 세트에 있는 데이터의 특성을 학습합니다. 일반화는 본질적으로 모델이 학습 세트에 없는 예를 제대로 예측할 수 있는지를 묻습니다.

일반화를 촉진하기 위해 정규화는 모델이 학습 세트의 데이터 특성에 맞춰 정확히 학습하지 못하게 합니다.

---

일반화 곡선

#fundamentals

학습 손실과 검증 손실을 반복 횟수에 대한 함수로 나타낸 도표입니다.

일반화 곡선을 사용하면 가능한 과적합을 감지할 수 있습니다. 예를 들어 다음 일반화 곡선은 검증 손실이 결국 학습 손실보다 훨씬 높아지기 때문에 과적합을 암시합니다.

일반화 선형 모델

가우시안 노이즈를 기반으로 하는 최소 제곱 회귀 모델을 푸아송 노이즈 또는 범주형 노이즈와 같은 다른 유형의 노이즈를 기반으로 하는 다른 유형의 모델로 일반화합니다. 일반화 선형 모델의 예는 다음과 같습니다.

• 로지스틱 회귀
• 다중 클래스 회귀
• 최소 제곱 회귀

볼록 최적화를 통해 일반화 선형 모델의 매개변수를 구할 수 있습니다.

일반화 선형 모델은 다음과 같은 속성을 나타냅니다.

• 최적의 최소 제곱 회귀 모델의 평균 예측은 학습 데이터의 평균 라벨과 동일합니다.
• 최적의 로지스틱 회귀 모델이 예측하는 평균적인 확률은 학습 데이터의 평균 라벨과 동일합니다.

일반화 선형 모델의 성능은 특성에 따라 제한됩니다. 일반화 선형 모델은 심층 모델과 달리 '새로운 특성을 학습'할 수 없습니다.

생성적 적대 신경망 (GAN)

새 데이터를 생성하는 시스템. 생성기가 데이터를 만들면 분류자가 생성된 데이터가 유효한지 여부를 판단합니다.

생성형 AI의

#language

#image

#생성형AI

공식적인 정의가 없는 새로운 혁신 분야 그렇지만 대부분의 전문가들은 생성형 AI 모델이 다음과 같은 콘텐츠를 생성 ('생성')할 수 있다는 데 동의합니다

• 복잡함
• 일관성
• 원본

예를 들어 생성형 AI 모델로 정교한 에세이 또는 이미지를 만들 수 있습니다

LSTM 및 RNN을 비롯한 일부 초기 기술도 독창적이고 일관된 콘텐츠를 생성할 수 있습니다. 이러한 초기 기술을 생성형 AI로 보는 전문가도 있고, 진정한 생성형 AI에는 이전 기술보다 더 복잡한 출력이 필요하다고 생각하는 전문가도 있습니다.

예측 ML과 대비되는 개념입니다.

생성 모델

실제로 다음 중 하나를 수행하는 모델입니다.

• 학습 데이터 세트에서 새 예를 만듭니다. 예를 들어 생성 모델은 시의 데이터 세트를 학습한 후 시를 만들 수 있습니다. 생성적 적대 신경망의 생성기 부분이 이 카테고리에 속합니다.
• 새로운 예가 학습 세트에서 비롯될 확률 또는 학습 세트를 생성한 동일한 메커니즘에서 생성될 확률을 결정합니다. 예를 들어 영어 문장으로 구성된 데이터 세트를 학습한 후 생성 모델은 새로운 입력이 유효한 영어 문장일 확률을 결정할 수 있습니다.

생성 모델은 이론적으로 데이터 세트에서 예 또는 특정 특성의 분포를 식별할 수 있습니다. 이는 다음과 같은 의미입니다.

p(examples)

비지도 학습 모델은 생성 모델입니다.

분류 모델과 대비되는 개념입니다.

생성기

새로운 예시를 만드는 생성적 적대 신경망 내의 하위 시스템

분류 모델과 대비되는 개념입니다.

지니 불순물

#df

엔트로피와 유사한 측정항목입니다. 분할기는 기니 불순물 또는 엔트로피에서 파생된 값을 사용하여 분류 결정 트리의 조건을 작성합니다. 정보 획득은 엔트로피에서 파생됩니다. 기니 불순물에서 파생된 측정항목을 일반적으로 통용되는 용어는 없지만 이름이 지정되지 않은 측정항목은 정보 획득만큼이나 중요합니다.

지니 불순물은 지니 지수 또는 간단히 지니라고도 합니다.

지니 불순물에 대한 수학 세부정보를 보려면 아이콘을 클릭합니다.

지니 불순물은 동일한 분포에서 가져온 새로운 데이터를 잘못 분류할 확률입니다. '0'과 '1'의 두 값을 가질 수 있는 집합의 기니 불순성(예: 이진 분류 문제에서 라벨)은 다음 공식으로 계산됩니다.

   I = 1 - (p² + q²) = 1 - (p² + (1-p)²)

각 매개변수는 다음과 같습니다.

• I는 기니 불순물입니다.
• p는 '1' 예의 비율입니다.
• q는 '0' 예의 비율입니다. q = 1-p입니다.

예를 들어 다음 데이터 세트를 생각해 보세요.

• 값 '1'을 포함하는 라벨 100개 (데이터 세트의 0.25)
• 300개의 라벨 (데이터 세트의 0.75)에 값 '0'이 포함되어 있습니다.

따라서 기니 불순물은 다음과 같습니다.

• p = 0.25
• q = 0.75
• I = 1 - (0.25² + 0.75²) = 0.375

결과적으로 동일한 데이터 세트의 무작위 라벨이 잘못 분류될 확률은 37.5%, 올바르게 분류될 확률은 62.5% 입니다.

완벽하게 균형 잡힌 라벨 (예: 200 '0' 및 200 '1')의 기니 불순수는 0.5입니다. 불균형이 높은 라벨은 기니 불순물이 0.0에 가깝습니다.

---

골든 데이터 세트

정답을 캡처하는 수동으로 선별된 데이터 세트입니다. 팀은 하나 이상의 골든 데이터 세트를 사용하여 모델의 품질을 평가할 수 있습니다.

일부 골든 데이터 세트는 정답의 서로 다른 하위 도메인을 캡처합니다. 예를 들어 이미지 분류를 위한 골든 데이터 세트는 조명 조건과 이미지 해상도를 캡처할 수 있습니다.

GPT (생성형 선행 학습된 Transformer)

#language

OpenAI가 개발한 Transformer 기반 대규모 언어 모델 제품군입니다.

GPT 변형은 다음과 같은 여러 모달리티에 적용할 수 있습니다.

• 이미지 생성 (예: ImageGPT)
• 텍스트 이미지 변환 생성 (예: DALL-E)입니다.

gradient

모든 독립 변수를 기준으로 한 편미분의 벡터입니다. 머신러닝에서 경사는 모델 함수의 편미분 벡터입니다. 경사는 가장 급격한 상승 방향을 가리킵니다.

경사 누적

반복당 한 번이 아닌 에포크당 한 번으로 매개변수를 업데이트하는 역전파 기법입니다. 각 미니 배치를 처리한 후 경사 누적은 경사의 누계를 업데이트합니다. 그런 다음 에포크에서 마지막 미니 배치를 처리한 후 시스템은 모든 경사 변화의 합계에 기반하여 매개변수를 최종적으로 업데이트합니다.

경사 누적은 배치 크기가 학습에 사용 가능한 메모리 양에 비해 매우 큰 경우에 유용합니다. 메모리가 문제인 경우 자연스러운 경향은 배치 크기를 줄이는 것입니다. 그러나 정상적인 역전파에서 배치 크기를 줄이면 매개변수 업데이트 횟수가 증가합니다. 경사 축적을 통해 모델은 메모리 문제를 방지하면서 효율적으로 학습시킬 수 있습니다.

경사 부스티드 (결정) 트리 (GBT)

#df

다음과 같은 결정 포레스트의 한 유형입니다.

• 학습은 경사 부스팅을 사용합니다.
• 약한 모델은 의사 결정 트리입니다.

경사 부스팅

#df

약한 모델을 반복적으로 학습시켜 강력한 모델의 품질을 개선 (손실 감소)하는 학습 알고리즘. 예를 들어 약한 모델은 선형 또는 작은 결정 트리 모델일 수 있습니다. 강력한 모델은 이전에 학습된 모든 약한 모델의 합계가 됩니다.

가장 간단한 형태의 경사 부스팅에서는 반복마다 약한 모델이 강력한 모델의 손실 경사를 예측하도록 학습됩니다. 그런 다음 경사하강법과 비슷하게 예측된 경사를 빼서 강력한 모델의 출력이 업데이트됩니다.

$$F_{0} = 0$$ $$F_{i+1} = F_i - \xi f_i $$

각 매개변수는 다음과 같습니다.

• $F_{0}$ 은(는) 강력한 출발 모델입니다.
• $F_{i+1}$ 은(는) 그다음으로 좋은 모델입니다.
• $F_{i}$ 은(는) 현재 강력한 모델입니다.
• $\xi$ 는 축소라고 하는 0.0에서 1.0 사이의 값으로, 경사하강법의 학습률과 유사합니다.
• $f_{i}$ 는 $F_{i}$의 손실 경사를 예측하도록 학습된 약한 모델입니다.

경사 부스팅의 최신 변형에는 계산 손실의 2계도함수(헤시안)도 포함됩니다.

결정 트리는 일반적으로 경사 부스팅에서 약한 모델로 사용됩니다. 경사 강화 (결정) 트리를 참고하세요.

경사 제한(경사 제한)

#seq

경사하강법을 사용하여 모델을 학습할 때 경사의 최댓값을 인위적으로 제한 (클리핑)하여 경사 발산 문제를 완화하기 위해 일반적으로 사용되는 메커니즘입니다.

경사하강법

#fundamentals

손실을 최소화하는 수학적 기법입니다. 경사하강법은 가중치와 편향을 반복적으로 조정하면서 손실을 최소화하기 위한 최적의 조합을 서서히 찾습니다.

경사하강법은 머신러닝보다 훨씬 오래되었으며 훨씬 더 오래되었습니다.

그래프

#TensorFlow

TensorFlow에서는 계산 사양을 의미합니다. 그래프의 노드는 작업을 나타냅니다. 엣지는 방향성을 가지며, 연산의 결과 (텐서)를 다른 연산의 피연산자로 전달함을 의미합니다. TensorBoard를 사용하여 그래프를 시각화합니다.

그래프 실행

#TensorFlow

프로그램에서 그래프를 구성한 다음 그래프의 전체 또는 일부를 실행하는 TensorFlow 프로그래밍 환경입니다. 그래프 실행은 TensorFlow 1.x의 기본 실행 모드입니다.

즉시 실행과 대비되는 개념입니다.

탐욕 정책

#rl

강화 학습에서 항상 가장 높은 수익이 예상되는 작업을 선택하는 정책입니다.

정답

#fundamentals

현실

실제로 발생한 일입니다.

예를 들어 대학 1학년 학생이 6년 이내에 졸업할지 여부를 예측하는 이진 분류 모델을 가정해 보겠습니다. 이 모델의 사실은 해당 학생이 실제로 6년 이내에 졸업했는지 여부입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

Google에서는 정답을 기준으로 모델 품질을 평가합니다. 하지만 정답이 항상 완전하고 진실하지는 않습니다. 예를 들어 정답의 잠재적 결함에 관한 다음 예를 생각해 보세요.

• 졸업 예시에서 각 학생의 졸업 기록이 항상 정확하다고 확신하나요? 대학의 기록 보관에는 결함이 없나요?
• 라벨이 계측기(예: 기압계)로 측정된 부동 소수점 값이라고 가정해 보겠습니다. 각 계측기가 동일하게 보정되었는지 또는 각 측정값이 동일한 상황에서 측정되었는지 어떻게 확신할 수 있나요?
• 라벨이 인간의 의견이라면 각 인간 평가자가 동일한 방식으로 이벤트를 평가하고 있음을 어떻게 확신할 수 있을까요? 일관성을 개선하기 위해 전문적인 평가자가 개입하기도 합니다.

---

그룹 귀인 편향

#fairness

개인의 진실이 해당 그룹의 모든 사람에게도 참이라고 가정합니다. 데이터 수집에 편의 샘플링을 사용하면 그룹 귀인 편향의 영향이 악화될 수 있습니다. 대표성이 없는 샘플에서는 현실을 반영하지 않는 기여 분석이 이루어질 수 있습니다

외부 집단 동질화 편향과 내집단 편향을 참조하세요.

H

할루시네이션

#language

현실에 대한 어설션을 한다고 주장하는 생성형 AI 모델을 통해 그럴듯해 보이지만 사실상 잘못된 출력을 생성하는 것을 말합니다. 예를 들어 버락 오바마가 1865년에 사망했다고 주장하는 생성형 AI 모델은 할루시네이션입니다.

해싱

머신러닝에서 범주형 데이터를 버케팅하는 메커니즘은 특히 카테고리 수는 많지만 데이터 세트에 실제로 표시되는 카테고리 수는 비교적 적은 경우에 사용됩니다.

예를 들어 지구에는 약 73,000종의 나무가 살고 있습니다. 73,000개의 개별 범주형 버킷에서 73,000개의 수종을 각각 나타낼 수 있습니다. 또는 실제로 200개의 수종만 데이터 세트에 나타나는 경우 해싱을 사용하여 수종을 500개의 버킷으로 나눌 수 있습니다.

단일 버킷에 여러 수종이 포함될 수 있습니다. 예를 들어 해싱하면 유전적으로 다른 두 종인 baobab과 red Maple을 동일한 버킷에 넣을 수 있습니다. 그럼에도 불구하고 해싱은 대규모 범주형 집합을 선택한 수의 버킷에 매핑하는 좋은 방법입니다. 해싱은 값을 확정적인 방식으로 그룹화하여 가능한 값이 많은 범주형 특성을 훨씬 적은 수의 값으로 변환합니다.

휴리스틱

문제에 대한 간단하고 신속하게 구현된 솔루션입니다. 예를 들어 "휴리스틱을 통해 86% 의 정확성을 달성했습니다. 심층신경망으로 전환했을 때 정확도가 98%까지 향상되었습니다."

히든 레이어

#fundamentals

입력 레이어 (특성)와 출력 레이어 (예측) 사이에 있는 신경망의 레이어입니다. 각 히든 레이어는 하나 이상의 뉴런으로 구성됩니다. 예를 들어 다음 신경망에는 두 개의 히든 레이어가 있습니다. 첫 번째 레이어에는 뉴런이 3개, 두 번째에는 뉴런이 2개 있습니다.

심층신경망에는 둘 이상의 히든 레이어가 포함됩니다. 예를 들어 위 그림은 심층신경망입니다. 모델에 히든 레이어가 2개 포함되어 있기 때문입니다.

계층적 군집화

#clustering

클러스터 트리를 생성하는 클러스터링 알고리즘의 카테고리입니다. 계층적 군집화는 식물 분류와 같은 계층적 데이터에 적합합니다 계층적 클러스터링 알고리즘에는 두 가지 유형이 있습니다.

• 병합형 군집화는 먼저 모든 예를 자체 클러스터에 할당하고 가장 가까운 클러스터를 반복적으로 병합하여 계층적 트리를 생성합니다.
• 분할 군집화는 먼저 모든 예를 하나의 클러스터로 그룹화한 다음 클러스터를 계층적 트리로 반복적으로 분할합니다.

중심 기반 군집화와 대비되는 개념입니다.

힌지 손실

분류용 손실 함수군은 결정 경계가 각 학습 예에서 가능한 한 멀리 떨어져 있어 예시와 경계 사이의 간격을 최대화하도록 설계된 분류 함수 모음입니다. KSVM은 힌지 손실 또는 제곱 힌지 손실과 같은 관련 함수를 사용합니다. 이진 분류의 경우 힌지 손실 함수는 다음과 같이 정의됩니다.

$$\text{loss} = \text{max}(0, 1 - (y * y'))$$

여기서 y는 -1 또는 +1의 실제 라벨이고 y'는 분류기 모델의 원시 출력입니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

따라서 힌지 손실과 (y * y')를 비교하여 그래프로 표시하면 다음과 같습니다.

역사적 편향

#fairness

이미 세상에 존재하며 데이터 세트에 반영된 편향의 한 유형입니다. 이러한 편향은 기존의 문화적 고정관념, 인구통계학적 불평등, 특정 사회 집단에 대한 편견을 반영하는 경향이 있습니다.

예를 들어 대출 신청자가 대출금을 상환할 것인지 여부를 예측하는 분류 모델이 있다고 가정해 보겠습니다. 이 모델은 2개의 다른 커뮤니티에서 1980년대 현지 은행의 과거 대출 채무 불이행 데이터로 학습되었습니다. 커뮤니티 A의 과거 신청자가 커뮤니티 B의 신청자보다 대출을 상환할 가능성이 6배 높았다면 모델이 과거 편향을 학습하여 커뮤니티 A에서 대출을 승인할 가능성이 낮아질 수 있습니다. 이는 커뮤니티의 채무 불이행률이 더 높았던 과거 조건이 더 이상 관련이 없는 경우에도 마찬가지입니다.

홀드아웃 데이터

학습 중에 의도적으로 사용하지 않은 ('홀드아웃') 예입니다. 검증 데이터 세트와 테스트 데이터 세트는 홀드아웃 데이터의 예입니다. 홀드아웃 데이터는 학습에 사용하지 않은 데이터에 대한 모델의 일반화 능력을 평가하는 데 도움이 됩니다. 홀드아웃 세트의 손실은 학습 세트의 손실보다 이전에 접하지 못한 데이터 세트의 손실을 더 잘 예측합니다.

호스트

#TensorFlow

#GoogleCloud

가속기 칩(GPU 또는 TPU)에서 ML 모델을 학습시킬 때 다음 두 가지를 모두 제어하는 시스템의 부분입니다.

• 코드의 전반적인 흐름
• 입력 파이프라인의 추출 및 변환

호스트는 일반적으로 가속기 칩이 아닌 CPU에서 실행됩니다. 기기는 가속기 칩에서 텐서를 조작합니다.

초매개변수

#fundamentals

사용자 또는 초매개변수 조정 서비스가 모델 학습을 연속으로 실행하는 동안 조정하는 변수입니다. 예를 들어 학습률은 초매개변수입니다. 학습 세션 1회 전에 학습률을 0.01로 설정할 수 있습니다. 0.01이 너무 높다고 판단되면 다음 학습 세션의 학습률을 0.003으로 설정할 수 있습니다.

반면에 매개변수는 모델이 학습 중에 학습하는 다양한 가중치와 편향입니다.

초평면

한 공간을 두 개의 하위 공간으로 나누는 경계입니다. 예를 들어 선은 2차원의 초평면이고 평면은 3차원의 초평면입니다. 머신러닝에서 일반적으로 초평면은 고차원 공간을 구분하는 경계입니다. 커널 서포트 벡터 머신은 종종 초고차원 공간에서 초평면을 사용하여 포지티브 클래스와 네거티브 클래스를 구분합니다.

I

i.i.d

독립적이고 동일한 분포의 약어입니다.

영상 인식

#image

이미지에서 객체, 패턴 또는 개념을 분류하는 프로세스입니다. 영상 인식을 이미지 분류라고도 합니다.

자세한 내용은 ML 실습: 이미지 분류를 참조하세요.

불균형 데이터 세트

클래스 불균형 데이터 세트의 동의어입니다.

내재적 편향

#fairness

사람의 마음 모델과 기억에 따라 자동으로 연관 또는 가정을 합니다. 내재적 편향은 다음에 영향을 줄 수 있습니다.

• 데이터 수집 및 분류 방법
• 머신러닝 시스템의 설계 및 개발 방법

예를 들어 결혼 사진을 식별하기 위한 분류기를 만들 때 엔지니어는 사진에 포함된 흰색 드레스를 특성으로 사용할 수 있습니다. 그러나 흰색 드레스는 특정 시대와 특정 문화에서만 관례적으로 사용되어 왔습니다.

확증 편향을 참조하세요.

대치

짧은 형식의 값 대치입니다.

공정성 측정항목의 비호환성

#fairness

일부 공정성 개념은 상호 호환되지 않으며 동시에 충족될 수 없다는 개념입니다. 따라서 모든 ML 문제에 적용할 수 있는 공정성을 수량화하기 위한 단일 범용 측정항목은 없습니다.

실망스러울 수도 있지만 공정성 측정항목의 비호환성이 공정성 노력이 결실이 없다는 의미는 아닙니다. 대신 사용 사례와 관련된 피해를 예방하기 위해 특정 ML 문제에 대해 맥락에서 공정성을 정의해야 한다고 제안합니다.

이 주제에 관한 자세한 내용은 '공정성의 (불)가능성'을 참고하세요.

컨텍스트 내 학습

#language

#생성형AI

퓨샷 프롬프팅의 동의어입니다.

독립적이고 동일한 분포 (i.id)

#fundamentals

변경되지 않는 분포에서 도출된 각 값이 이전에 그린 값에 종속되지 않는 데이터입니다. i.i.d.는 유용한 수학적 구조이지만 실제에서는 거의 찾을 수 없는 머신러닝의 이상 기체입니다. 예를 들어 웹페이지 방문자 분포는 짧은 기간 동안 i.i.d.일 수 있습니다. 즉, 짧은 기간 동안 분포가 변경되지 않으며 한 사람의 방문은 일반적으로 다른 사용자의 방문과 독립적일 수 있습니다. 그러나 이 기간을 확장하면 웹페이지 방문자의 계절에 따른 차이가 나타날 수 있습니다.

비고정성도 참고하세요.

개인의 공정성

#fairness

비슷한 개인이 유사하게 분류되었는지 여부를 확인하는 공정성 측정항목. 예를 들어 Brobdingnagian 아카데미는 성적과 표준화된 시험 점수가 같은 두 학생이 동등하게 입학할 수 있도록 하여 개인의 공정성을 충족하려고 할 수 있습니다.

개별 공정성은 전적으로 '유사성'(여기서는 성적 및 시험 점수)을 정의하는 방식에 의존하며, 유사성 측정항목에 중요한 정보 (예: 학생의 커리큘럼 엄격성)가 누락된 경우 새로운 공정성 문제가 발생할 위험이 있습니다.

개별 공정성에 관한 자세한 내용은 '인지도를 통한 공정성'을 참고하세요.

추론

#fundamentals

머신러닝에서 학습된 모델을 라벨이 없는 예에 적용하여 예측을 수행하는 프로세스입니다.

추론은 통계에서 약간 다른 의미가 있습니다. 자세한 내용은 통계적 추론에 대한 위키백과 문서를 참조하세요.

추론 경로

#df

결정 트리에서는 추론 중에 특정 예가 루트에서 다른 조건으로 이동하여 리프로 끝나는 경로를 사용합니다. 예를 들어 다음 결정 트리에서 두꺼운 화살표는 다음과 같은 특성 값을 가진 예의 추론 경로를 보여줍니다.

• x = 7
• y = 12
• z = -3

다음 그림의 추론 경로는 리프 (Zeta)에 도달하기 전에 세 가지 조건을 통과합니다.

세 개의 굵은 화살표는 추론 경로를 나타냅니다.

정보 획득

#df

결정 포레스트에서 노드의 엔트로피와 하위 노드의 엔트로피의 가중 합계 (예시 수 기준) 간의 차이입니다. 노드의 엔트로피는 해당 노드에 있는 예의 엔트로피입니다

다음 엔트로피 값을 예로 들어보겠습니다.

• 상위 노드의 엔트로피 = 0.6
• 관련 예 16개가 있는 하위 노드 1개의 엔트로피 = 0.2
• 관련 예 24개가 있는 다른 하위 노드의 엔트로피 = 0.1

따라서 예의 40% 가 한 하위 노드에 있고 60% 가 다른 하위 노드에 있습니다. 따라서 날짜는 다음과 같이 계산합니다.

• 하위 노드의 가중 엔트로피 합계 = (0.4 * 0.2) + (0.6 * 0.1) = 0.14

따라서 정보 획득은 다음과 같습니다.

• 정보 획득 = 상위 노드의 엔트로피 - 하위 노드의 가중치가 적용된 엔트로피 합계
• 정보 획득 = 0.6 - 0.14 = 0.46

대부분의 스플리터는 정보 획득을 극대화하는 조건을 만들려고 합니다.

내집단 편향

#fairness

자신이 속한 그룹이나 자신의 특성을 편애하는 경향을 보입니다. 테스터 또는 평가자가 머신러닝 개발자의 친구, 가족 또는 동료로 구성된 경우 내집단 편향이 제품 테스트 또는 데이터 세트를 무효화할 수 있습니다.

내집단 편향은 그룹 귀인 편향의 한 형태입니다. 외부 집단 동질화 편향을 참조하세요.

입력 생성기

데이터를 신경망에 로드하는 메커니즘입니다.

입력 생성기는 원시 데이터를 텐서로 처리하여 학습, 평가, 추론을 위한 배치를 생성하기 위해 반복되는 텐서로 처리하는 구성요소로 생각할 수 있습니다.

입력 레이어

#fundamentals

특성 벡터를 보유하는 신경망의 레이어입니다. 즉, 입력 레이어는 학습 또는 추론의 예를 제공합니다. 예를 들어 다음 신경망의 입력 레이어는 두 개의 특성으로 구성되어 있습니다.

인셋 조건

#df

결정 트리에서 항목 집합에 한 항목이 있는지 테스트하는 조건. 예를 들어 다음은 인셋 조건입니다.

  house-style in [tudor, colonial, cape]

추론 중에 주택 스타일 지형지물의 값이 tudor, colonial 또는 cape이면 이 조건이 '예'로 평가됩니다. 주택 스타일 지형지물의 값이 다른 값 (예: ranch)이면 이 조건은 '아니요'로 평가됩니다.

인셋 조건은 일반적으로 원-핫 인코딩 특성을 테스트하는 조건보다 더 효율적인 결정 트리로 이어집니다.

인스턴스

예의 동의어입니다.

명령 조정

#생성형AI

미세 조정의 한 형태로서 생성형 AI 모델의 안내 따르기 기능을 개선합니다. 지침 조정에는 일반적으로 매우 다양한 태스크를 다루는 일련의 명령 프롬프트에 따라 모델을 학습시키는 작업이 포함됩니다. 그러면 결과 명령 조정 모델은 다양한 태스크에서 제로샷 프롬프트에 대한 유용한 응답을 생성하는 경향이 있습니다.

비교 및 대조:

• 매개변수 효율적인 조정을
• 프롬프트 조정

해석 가능성

#fundamentals

ML 모델의 추론을 이해하기 쉬운 용어로 인간에게 설명하거나 제시하는 능력입니다.

예를 들어 대부분의 선형 회귀 모델은 해석 가능성이 높습니다. 각 특성에 대해 학습된 가중치만 확인하면 됩니다. 결정 포레스트는 해석 가능성이 높습니다. 그러나 일부 모델의 경우 해석 가능하려면 정교한 시각화가 필요합니다.

학습 해석 가능성 도구 (LIT)를 사용하여 ML 모델을 해석할 수 있습니다.

평가자 간 동의

작업을 수행할 때 인간 평가자들이 동의하는 빈도를 나타냅니다. 평가자들이 동의하지 않는 경우 작업 지침을 개선해야 할 수 있습니다. 평정자 간 동의 또는 평가자 간 신뢰성이라고도 합니다. 가장 널리 사용되는 평가자 간 동의 측정 방법 중 하나인 Cohen's kappa를 참조하세요.

IoU (Intersection over Union)

#image

두 집합의 교집합을 합집합으로 나눈 값입니다. 머신러닝 이미지 감지 작업에서 IoU는 정답 경계 상자와 관련하여 모델의 예측된 경계 상자의 정확성을 측정하는 데 사용됩니다. 이 경우 두 상자의 IoU는 겹치는 영역과 총 면적 사이의 비율이며 값의 범위는 0 (예측된 경계 상자와 정답 경계 상자가 겹치지 않음)에서 1 (예측된 경계 상자와 정답 경계 상자의 좌표가 정확하게 같음) 사이입니다.

아래 이미지의 예를 참조하세요.

• 예측된 경계 상자 (모델이 그림에서 야간 테이블이 위치할 것으로 예측하는 위치를 구분하는 좌표)는 보라색 윤곽선으로 표시되어 있습니다.
• 실측 정보 경계 상자 (그림에서 야간 테이블이 실제로 위치한 위치를 구분하는 좌표)는 녹색 윤곽선으로 표시됩니다.

여기에서 예측과 정답을 위한 경계 상자(왼쪽 아래)의 교집합은 1이고, 예측과 정답 (오른쪽 아래)의 경계 상자 합집합은 7이므로 IoU는 \(\frac{1}{7}\)입니다.

IoU

intersection over Union의 약어입니다.

항목 행렬

#recsystems

추천 시스템에서 각 항목에 대한 잠재 신호를 보유하는 행렬 분해로 생성된 임베딩 벡터 행렬입니다. 항목 행렬의 각 행에는 모든 항목에 대한 단일 잠재 특성 값이 포함됩니다. 영화 추천 시스템을 예로 들어보겠습니다. 항목 행렬의 각 열은 단일 영화를 나타냅니다. 잠재 신호는 장르를 나타낼 수도 있고, 장르, 스타, 영화 시대 또는 기타 요인 간의 복잡한 상호작용과 관련된 해석하기 어려운 신호일 수도 있습니다.

항목 행렬에는 인수 분해되는 대상 행렬과 동일한 수의 열이 있습니다. 예를 들어 영화 10,000개를 평가하는 영화 추천 시스템의 경우 항목 행렬에는 10,000개의 열이 포함됩니다.

items

#recsystems

추천 시스템에서 시스템이 추천하는 항목입니다 예를 들어 동영상은 비디오 매장에서 추천하는 항목이고, 책은 서점에서 추천하는 항목입니다.

반복

#fundamentals

학습 중에 모델 매개변수(모델의 가중치 및 편향)를 한 번 업데이트하는 작업 배치 크기는 모델이 한 번 반복으로 처리하는 예시 수를 결정합니다. 예를 들어 배치 크기가 20이면 모델은 예시 20개를 처리한 후 매개변수를 조정합니다.

신경망을 학습시킬 때 한 번의 반복에 다음 두 패스가 포함됩니다.

1. 단일 배치의 손실을 평가하기 위한 정방향 전달입니다.
2. 손실 및 학습률을 기준으로 모델의 매개변수를 조정하는 역방향 전달 (역전파)

J

JAX

고성능 수치 연산을 위한 XLA (Accelerated Linear Algebra) 및 자동 미분을 결합한 배열 컴퓨팅 라이브러리입니다. JAX는 구성 가능한 변환을 통해 가속 숫자 코드를 작성하기 위한 간단하고 강력한 API를 제공합니다. JAX는 다음과 같은 기능을 제공합니다.

• grad (자동 구분)
• jit (just-in-time 컴파일)
• vmap (자동 벡터화 또는 일괄 처리)
• pmap (동시 로드)

JAX는 Python의 NumPy 라이브러리와 유사하지만 범위가 훨씬 더 큰 숫자 코드의 변환을 표현하고 작성하기 위한 언어입니다. (실제로 JAX의 .numpy 라이브러리는 기능적으로 동일하지만 Python NumPy 라이브러리의 완전히 다시 작성된 버전입니다.)

JAX는 특히 GPU와 TPU 가속기 칩 전반에서 모델과 데이터를 동시 로드에 적합한 형식으로 변환하여 많은 머신러닝 작업의 속도를 높이는 데 적합합니다.

Flax, Optax, Pax 및 기타 많은 라이브러리가 JAX 인프라에 빌드됩니다.

K

Keras

널리 사용되는 Python 머신러닝 API입니다. Keras는 TensorFlow를 비롯한 여러 딥 러닝 프레임워크에서 실행되며 tf.keras로 제공됩니다.

커널 서포트 벡터 머신 (KSVM)

입력 데이터 벡터를 고차원 공간에 매핑하여 양성과 네거티브 클래스 사이의 간격을 최대화하려는 분류 알고리즘입니다. 예를 들어 입력 데이터 세트에 특성 100개가 포함되는 분류 문제를 생각해 보겠습니다. KSVM은 포지티브 클래스와 네거티브 클래스 사이의 간격을 최대화하기 위해 내부적으로 이러한 특성을 백만 차원 공간에 매핑할 수 있습니다. KSVM은 힌지 손실이라는 손실 함수를 사용합니다.

핵심 사항

#image

이미지에 있는 특정 지형지물의 좌표입니다. 예를 들어 꽃 종류를 구분하는 이미지 인식 모델의 경우 키포인트는 각 꽃잎, 줄기, 수술의 중심이 될 수 있습니다.

k-폴드 교차 검증

새 데이터로 일반화하는 모델의 능력을 예측하는 알고리즘입니다. k-폴드에서 k는 데이터 세트의 예를 분할하는 동일한 그룹의 수를 나타냅니다. 즉, 모델을 k번 학습하고 테스트합니다. 학습 및 테스트 라운드마다 다른 그룹이 테스트 세트가 되고 나머지 모든 그룹은 학습 세트가 됩니다. 학습 및 테스트를 k회 진행한 후 선택한 테스트 측정항목의 평균과 표준 편차를 계산합니다.

예를 들어 데이터 세트가 120개의 예시로 구성되어 있다고 가정해 보겠습니다. 또한 k를 4로 설정하기로 했다고 가정해 보겠습니다. 따라서 예를 셔플한 후에는 데이터 세트를 30개의 예로 이루어진 동일한 그룹 4개로 나누고 학습/테스트를 4회 실시합니다.

예를 들어 평균 제곱 오차 (MSE)는 선형 회귀 모델에서 가장 의미 있는 측정항목일 수 있습니다. 따라서 4번의 MSE 평균과 표준 편차를 확인할 수 있습니다.

k-평균

#clustering

비지도 학습의 예를 그룹화하는 데 널리 사용되는 클러스터링 알고리즘입니다. k-평균 알고리즘은 기본적으로 다음을 수행합니다.

• 최고의 중심점 (중심이라고 함)을 반복적으로 결정합니다.
• 각 예를 가장 가까운 중심에 할당합니다. 같은 중심에 가장 가까운 예는 동일한 그룹에 속합니다.

k-평균 알고리즘은 각 예부터 가장 가까운 중심까지 거리의 누적 제곱을 최소화하기 위해 중심 위치를 선택합니다.

개의 키와 몸길이에 대한 다음 플롯을 예로 들어보겠습니다.

k=3이면 k-평균 알고리즘은 3개의 중심을 결정합니다. 각 예는 가장 가까운 중심에 할당되어 3개의 그룹이 생성됩니다.

제조업체가 강아지를 위한 S, M, L 사이즈의 이상적인 사이즈를 결정하려고 한다고 가정해 보겠습니다. 세 개의 중심은 클러스터에 있는 각 개의 평균 키와 평균 폭을 식별합니다. 따라서 제조업체는 이 세 가지 중심을 기준으로 스웨터 사이즈를 정해야 합니다. 일반적으로 한 클러스터의 중심은 해당 클러스터의 예가 아닙니다.

앞의 그림은 2개의 특성 (높이와 너비)만 있는 예의 k-평균을 보여줍니다. k-평균을 사용하면 여러 특성 간에 예를 그룹화할 수 있습니다.

k-중앙값

#clustering

k-평균과 밀접한 관련이 있는 클러스터링 알고리즘입니다. 이 둘의 실질적인 차이점은 다음과 같습니다.

• k-평균 알고리즘에서는 중심이 될 수 있는 위치와 각 예의 위치 사이 거리를 제곱한 값의 합계를 최소화하는 방식으로 중심을 결정합니다.
• k-중앙값 알고리즘에서는 중심이 될 수 있는 위치와 각 예의 위치 사이의 거리의 합을 최소화하는 방식으로 중심을 결정합니다.

거리의 정의도 다릅니다.

• k-평균 알고리즘에서는 중심에서 예까지의 유클리드 거리를 사용합니다. 2차원에서 유클리드 거리는 피타고라스 정리를 사용하여 빗변을 계산하는 것을 의미합니다. 예를 들어 (2,2)와 (5, -2) 사이의 k-평균 거리는 다음과 같습니다.

$$ {\text{Euclidean distance}} = {\sqrt {(2-5)^2 + (2--2)^2}} = 5 $$

• k-중앙값 알고리즘에서는 중심에서 예까지의 맨해튼 거리를 사용합니다. 이 거리는 각 차원의 절대 델타값의 합입니다. 예를 들어 (2,2)와 (5, -2) 사이의 k-중앙값 거리는 다음과 같습니다.

$$ {\text{Manhattan distance}} = \lvert 2-5 \rvert + \lvert 2--2 \rvert = 7 $$

L

L₀ 정규화

#fundamentals

모델에서 0이 아닌 가중치의 총 개수에 페널티를 주는 정규화 유형입니다. 예를 들어 0이 아닌 11개의 가중치를 갖는 모델은 0이 아닌 10개의 가중치를 갖는 유사 모델에 비해 더 큰 페널티를 받게 됩니다.

L₀ 정규화를 L0-norm 정규화라고도 합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

L₀ 정규화는 학습을 볼록 최적화 문제로 바꾸기 때문에 일반적으로 L₀ 정규화는 대규모 모델에서 비실용적입니다.

---

L₁ 손실(L1 손실)

#fundamentals

실제 라벨 값과 모델이 예측하는 값 간 차이의 절댓값을 계산하는 손실 함수입니다. 예를 들어 다음은 5개의 예가 있는 배치에 대한 L₁ 손실을 계산합니다.

예시의 실제 값	모델의 예측값	델타의 절댓값
7	6	1
5	4	1
8	11	3
4	6	2
9일	8	1
		8 = L1 손실

L₁ 손실은 L₂ 손실보다 이상점에 덜 민감합니다.

평균 절대 오차는 예당 평균 L₁ 손실입니다.

공식적인 계산을 보려면 아이콘을 클릭하세요.

$$ L_1 loss = \sum_{i=0}^n | y_i - \hat{y}_i |$$

각 항목의 의미는 다음과 같습니다.

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 모델이 $y$에 대해 예측하는 값입니다.

---

L₁ 정규화

#fundamentals

가중치의 절댓값 합계에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L₁ 정규화는 관련이 없거나 거의 없는 특성의 가중치를 정확히 0으로 유도하는 데 도움이 됩니다. 가중치가 0인 특성은 모델에서 사실상 삭제됩니다.

L₂ 정규화와 대비되는 개념입니다.

L₂ 손실

#fundamentals

실제 라벨 값과 모델이 예측하는 값 간 차이의 제곱을 계산하는 손실 함수입니다. 예를 들어 다음은 5개의 예가 있는 배치에 대한 L₂ 손실을 계산합니다.

예시의 실제 값	모델의 예측값	델타 제곱
7	6	1
5	4	1
8	11	9일
4	6	4
9일	8	1
		16 = L2 손실

제곱으로 인해 L₂ 손실은 이상점의 영향을 증폭합니다. 즉, L₂ 손실은 L₁ 손실보다 잘못된 예측에 더 강하게 반응합니다. 예를 들어 이전 배치의 L₁ 손실은 16이 아니라 8입니다. 하나의 이상점이 16개 중 9개를 차지합니다

회귀 모델은 일반적으로 L₂ 손실을 손실 함수로 사용합니다.

평균 제곱 오차는 예당 평균 L₂ 손실입니다. 제곱 손실은 L₂ 손실의 다른 이름입니다.

공식적인 계산을 보려면 아이콘을 클릭하세요.

$$ L_2 loss = \sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$

각 항목의 의미는 다음과 같습니다.

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 모델이 $y$에 대해 예측하는 값입니다.

---

L₂ 정규화

#fundamentals

가중치의 제곱 합계에 비례하여 가중치에 페널티를 적용하는 정규화 유형입니다. L₂ 정규화는 이상점 가중치 (높은 양수 또는 낮은 음수 값을 갖는 값)를 0에 가깝게 하지만 0에 가깝지는하도록 유도하는 데 도움이 됩니다. 값이 0에 매우 가까운 특성은 모델에 남아 있지만 모델의 예측에 큰 영향을 미치지 않습니다.

L₂ 정규화는 항상 선형 모델의 일반화를 개선합니다.

L₁ 정규화와 대비되는 개념입니다.

라벨

#fundamentals

지도 머신러닝에서 예의 '정답' 또는 '결과' 부분입니다.

라벨이 있는 예는 하나 이상의 특성과 라벨로 구성됩니다. 예를 들어 스팸 감지 데이터 세트에서 라벨은 '스팸' 또는 '스팸 아님'일 가능성이 높습니다. 강수 데이터 세트에서 라벨은 특정 기간 동안 강수량이 많을 수 있습니다.

라벨이 있는 예

#fundamentals

하나 이상의 특성과 라벨을 포함하는 예입니다. 예를 들어 다음 표에는 주택 평가 모델에서 라벨이 지정된 예 3개가 나와 있으며, 각 예시에는 특성 3개와 라벨이 1개 있습니다.

침실 수	욕실 수	연식	주택 가격 (라벨)
3	2	15	345,000달러
2	1	72시간	179,000달러
4	2	34	392,000달러

지도 머신러닝에서 모델은 라벨이 있는 예를 학습하고 라벨이 없는 예를 기반으로 예측합니다.

라벨이 있는 예와 라벨이 없는 예를 비교합니다.

라벨 유출

특성이 라벨의 프록시인 모델 설계 결함입니다. 예를 들어 잠재고객이 특정 제품을 구매할지 여부를 예측하는 이진 분류 모델을 가정해 보겠습니다. 모델의 특성 중 하나가 SpokeToCustomerAgent라는 불리언이라고 가정해 보겠습니다. 또한 잠재고객이 실제로 제품을 구매한 후에만 고객 에이전트가 할당된다고 가정해 보겠습니다. 학습 중에 모델은 SpokeToCustomerAgent과 라벨 간의 연관성을 빠르게 학습합니다.

람다

#fundamentals

정규화율의 동의어입니다.

람다는 중복으로 정의된 용어입니다. 여기서는 정규화 내의 용어 정의에 중점을 둡니다.

LaMDA (대화형 애플리케이션을 위한 언어 모델)

#language

실제 대화 응답을 생성할 수 있는 대규모 대화 데이터 세트로 학습시킨 Google이 개발한 Transformer 기반 대규모 언어 모델입니다.

LaMDA: Google의 획기적인 대화 기술에서 개요를 확인할 수 있습니다.

landmarks

#image

키포인트의 동의어입니다.

언어 모델

#language

더 긴 토큰 시퀀스에서 model 또는 토큰 시퀀스가 발생할 확률을 예측하는 model입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

직관적이지 않지만 텍스트를 평가하는 많은 모델은 언어 모델이 아닙니다. 예를 들어 텍스트 분류 모델과 감정 분석 모델은 언어 모델이 아닙니다.

---

대규모 언어 모델

#language

엄격한 정의가 없는 비공식 용어로, 일반적으로 많은 수의 매개변수가 있는 언어 모델을 의미합니다. 일부 대규모 언어 모델에는 1,000억 개가 넘는 매개변수가 포함되어 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

언어 모델이 언제 대규모 언어 모델로 불리게 되는지 궁금할 수 있습니다. 현재로서는 매개변수 수에 대해 합의된 기준이 없습니다.

대부분의 최신 대규모 언어 모델 (예: GPT)은 Transformer 아키텍처를 기반으로 합니다.

---

잠재 공간

#language

임베딩 공간의 동의어입니다.

레이어

#fundamentals

신경망의 뉴런 집합입니다. 일반적인 계층의 세 가지 유형은 다음과 같습니다.

• 입력 레이어: 모든 특성의 값을 제공합니다.
• 하나 이상의 히든 레이어: 특성과 라벨 간의 비선형 관계를 찾습니다.
• 예측을 제공하는 출력 레이어입니다.

예를 들어 다음 그림은 입력 레이어 1개, 히든 레이어 2개, 출력 레이어 1개가 있는 신경망을 보여줍니다.

TensorFlow에서 레이어는 텐서 및 구성 옵션을 입력으로 사용하고 다른 텐서를 출력으로 생성하는 Python 함수이기도 합니다.

Layers API (tf.layers)

#TensorFlow

심층 신경망을 레이어의 구성으로 구성하기 위한 TensorFlow API입니다. 레이어 API를 사용하면 다음과 같은 다양한 유형의 레이어를 만들 수 있습니다.

• tf.layers.Dense: 완전 연결 레이어
• tf.layers.Conv2D: 컨볼루셔널 레이어

Layers API는 Keras 레이어 API 규칙을 따릅니다. 즉, Layers API의 모든 함수는 Keras Layers API의 함수와 다른 접두사를 제외하고 이름과 서명이 동일합니다.

잎

#df

결정 트리의 모든 엔드포인트 리프는 조건과 달리 테스트를 실행하지 않습니다. 오히려 리프는 가능한 예측입니다. 리프는 추론 경로의 마지막 노드이기도 합니다.

예를 들어 다음 결정 트리에는 세 개의 리프가 포함됩니다.

LIT(Learning Interpretability Tool)

시각적인 대화형 모델 이해 및 데이터 시각화 도구입니다.

오픈소스 LIT를 사용하여 모델을 해석하거나 텍스트, 이미지, 테이블 형식 데이터를 시각화할 수 있습니다.

학습률

#fundamentals

각 반복에서 가중치와 편향을 얼마나 강하게 조정할지 경사하강법 알고리즘에 알려 주는 부동 소수점 수입니다. 예를 들어 학습률이 0.3이면 학습률이 0.1인 경우보다 3배 더 강력하게 가중치와 편향을 조정합니다.

학습률은 핵심적인 초매개변수입니다. 학습률을 너무 낮게 설정하면 학습에 시간이 너무 오래 걸립니다. 학습률을 너무 높게 설정하면 경사하강법에서 수렴에 도달하는 데 문제가 발생하는 경우가 많습니다.

자세한 수학적 설명을 보려면 아이콘을 클릭하세요.

각 반복 중에 경사하강법 알고리즘은 학습률에 기울기를 곱합니다. 이 곱셈의 결과를 경사 스텝이라고 합니다.

---

최소 제곱 회귀

L₂ 손실을 최소화하여 학습된 선형 회귀 모델입니다.

선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 있는 둘 이상의 변수 간의 관계입니다.

선형 관계 도표는 선입니다.

비선형과 대비되는 개념입니다.

선형 모델

#fundamentals

model당 하나의 model를 할당하여 model을 수행하는 model입니다. 선형 모델에는 편향도 포함됩니다. 반면에 심층 모델에서 특성과 예측의 관계는 일반적으로 비선형입니다.

선형 모델은 일반적으로 심층 모델보다 학습이 쉽고 해석 가능성이 더 높습니다. 그러나 심층 모델은 특성 간의 복잡한 관계를 학습할 수 있습니다.

선형 회귀와 로지스틱 회귀는 선형 모델의 두 가지 유형입니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

선형 모델은 다음 공식을 따릅니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

각 항목의 의미는 다음과 같습니다.

• y'는 원시 예측입니다. (일부 선형 모델에서는 이러한 원시 예측이 추가로 수정됩니다. 예는 로지스틱 회귀를 참조하세요.)
• b는 편향입니다.
• w는 가중치이므로 w₁은 첫 번째 특성의 가중치이고 w₂는 두 번째 특성의 가중치입니다.
• x는 특성이므로 x₁은 첫 번째 특성의 값, x₂는 두 번째 특성의 값 등등입니다.

예를 들어 특성 3개에 대한 선형 모델이 다음과 같은 편향과 가중치를 학습한다고 가정해 보겠습니다.

• b = 7
• w₁ = -2.5
• w₂ = -1.2
• w₃ = 1.4

따라서 선형 모델은 3가지 특성 (x₁, x₂, x₃)이 주어지면 다음 방정식을 사용하여 각 예측을 생성합니다.

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

특정 예에 다음 값이 포함되어 있다고 가정해 보겠습니다.

• x₁ = 4
• x₂ = -10
• x₃ = 5

이 값을 수식에 연결하면 이 예시에 대한 예측이 생성됩니다.

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

선형 모델에는 선형 방정식만 사용하여 예측을 수행하는 모델뿐만 아니라 선형 방정식을 예측을 수행하는 수식의 한 구성요소로만 사용하는 광범위한 모델 집합이 포함됩니다. 예를 들어 로지스틱 회귀는 원시 예측 (y')을 후처리하여 0과 1 사이의 최종 예측값만 생성합니다.

---

선형 회귀

#fundamentals

다음 두 가지 조건에 모두 해당하는 머신러닝 모델의 한 유형입니다.

• 모델은 선형 모델입니다.
• 예측은 부동 소수점 값입니다. 이를 선형 회귀의 회귀 부분입니다.

선형 회귀를 로지스틱 회귀와 비교합니다. 또한 회귀를 분류와 대조합니다.

리트

이전에 언어 해석 가능성 도구로 알려진 학습 통역 도구 (LIT)의 약어입니다.

LLM

#language

large language model의 약어입니다.

로지스틱 회귀

#fundamentals

확률을 예측하는 회귀 모델의 한 유형입니다. 로지스틱 회귀 모델에는 다음과 같은 특성이 있습니다.

• 라벨은 범주형입니다. 로지스틱 회귀라는 용어는 일반적으로 이진 로지스틱 회귀, 즉 가능한 두 값이 있는 라벨의 확률을 계산하는 모델을 의미합니다. 덜 일반적인 변형인 다항 로지스틱 회귀는 가능한 값이 3개 이상인 라벨의 확률을 계산합니다.
• 학습 중 손실 함수는 로그 손실입니다. 가능한 값이 세 개 이상인 라벨의 경우 여러 로그 손실 단위를 병렬로 배치할 수 있습니다.
• 모델에 심층신경망이 아닌 선형 아키텍처가 있습니다. 그러나 이 정의의 나머지 부분은 범주형 라벨의 확률을 예측하는 심층 모델에도 적용됩니다.

예를 들어 입력 이메일이 스팸인지 스팸이 아닐 확률을 계산하는 로지스틱 회귀 모델이 있다고 가정해 보겠습니다. 추론 중에 모델이 0.72를 예측한다고 가정해 보겠습니다. 따라서 모델은 다음을 추정합니다.

• 이메일이 스팸일 가능성은 72% 입니다.
• 이메일이 스팸이 아닐 확률은 28% 입니다.

로지스틱 회귀 모델은 다음과 같은 2단계 아키텍처를 사용합니다.

1. 모델은 입력 특성의 선형 함수를 적용하여 원시 예측 (y')을 생성합니다.
2. 모델은 이 원시 예측을 시그모이드 함수에 대한 입력으로 사용하며, 이 함수는 원시 예측을 0과 1 사이의 값(0과 1 제외)으로 변환합니다.

여타 회귀 모델과 마찬가지로 로지스틱 회귀 모델은 숫자를 예측합니다. 그러나 이 숫자는 일반적으로 다음과 같은 이진 분류 모델의 일부가 됩니다.

• 예측된 숫자가 분류 임곗값보다 큰 경우 이진 분류 모델은 포지티브 클래스를 예측합니다.
• 예측된 숫자가 분류 임곗값보다 작은 경우 이진 분류 모델은 네거티브 클래스를 예측합니다.

로지트

분류 모델이 생성하는 원시 (정규화되지 않은) 예측 벡터로, 일반적으로는 정규화 함수로 전달됩니다. 모델이 다중 클래스 분류 문제를 해결하는 경우 로지트는 일반적으로 소프트맥스 함수의 입력이 됩니다. 그러면 소프트맥스 함수는 가능한 각 클래스에 값이 하나씩 포함된 (정규화된) 확률 벡터를 생성합니다.

로그 손실

#fundamentals

바이너리 로지스틱 회귀에 사용되는 손실 함수입니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

다음 수식은 로그 손실을 계산합니다.

$$\text{Log Loss} = \sum_{(x,y)\in D} -y\log(y') - (1 - y)\log(1 - y')$$

각 항목의 의미는 다음과 같습니다.

• \((x,y)\in D\) 는 쌍인 라벨이 있는 예가 많이 포함된 데이터 세트입니다. \((x,y)\)
• \(y\) 는 라벨이 있는 예의 라벨입니다. 로지스틱 회귀이므로 \(y\) 의 모든 값은 0 또는 1이어야 합니다.
• \(y'\) 는 \(x\)의 특성 집합에서 예측 값 (0~1 사이의 값, 0과 1 제외)입니다.

---

로그 오즈

#fundamentals

특정 이벤트의 확률에 대한 로그입니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

이벤트가 이진 확률인 경우 가능성은 성공 확률 (p) 대 실패 확률 (1-p)의 비율을 나타냅니다. 예를 들어 특정 이벤트의 성공 확률이 90%, 실패 확률이 10% 라고 가정해 보겠습니다. 이 경우 승산은 다음과 같이 계산됩니다.

$$ {\text{odds}} = \frac{\text{p}} {\text{(1-p)}} = \frac{.9} {.1} = {\text{9}} $$

로그 오즈는 확률의 로그입니다. 관례상 '로그'는 자연 로그를 나타내지만 로그는 실제로 1보다 큰 모든 밑이 될 수 있습니다. 규칙에 따라 이 예의 로그 오즈는 다음과 같습니다.

$$ {\text{log-odds}} = ln(9) ~= 2.2 $$

로그 오즈 함수는 시그모이드 함수의 역입니다.

---

장단기 메모리 (LSTM)

#seq

필기 인식, 기계 번역, 이미지 캡션과 같은 애플리케이션에서 데이터 시퀀스를 처리하는 데 사용되는 순환 신경망의 셀 유형입니다. LSTM은 RNN의 이전 셀에서 가져온 새로운 입력과 컨텍스트를 기반으로 내부 메모리 상태의 기록을 유지하여 긴 데이터 시퀀스로 인해 RNN을 학습시킬 때 발생하는 경사 소실 문제를 해결합니다.

LoRA

#language

#생성형AI

Low-Rank Adaptability(저순위 적응성)의 약어입니다.

손실

#fundamentals

지도 모델의 학습 중에 모델의 예측이 라벨과 얼마나 떨어져 있는지에 대한 측정값입니다.

손실 함수는 손실을 계산합니다.

손실 애그리게이터

여러 모델의 예측을 결합하고 이러한 예측을 사용하여 단일 예측을 수행하는 방식으로 모델의 성능을 개선하는 머신러닝 알고리즘의 한 유형입니다. 결과적으로 손실 애그리게이터는 예측의 분산을 줄이고 예측의 정확성을 개선할 수 있습니다.

손실 곡선

#fundamentals

학습 반복 횟수에 대한 함수로서의 손실 도표 다음 도표는 일반적인 손실 곡선을 보여줍니다.

손실 곡선은 모델의 수렴 또는 과적합 시점을 확인하는 데 도움이 됩니다.

손실 곡선은 다음 유형의 손실을 모두 표시할 수 있습니다.

• 학습 손실을
• 검증 손실
• 테스트 손실

일반화 곡선도 참고하세요.

손실 함수

#fundamentals

학습 또는 테스트 중 예시 배치에서 손실을 계산하는 수학 함수입니다. 손실 함수는 잘못된 예측을 하는 모델보다 좋은 예측을 하는 모델에 더 낮은 손실을 반환합니다.

학습의 목표는 일반적으로 손실 함수가 반환하는 손실을 최소화하는 것입니다.

다양한 종류의 손실 함수가 존재합니다. 빌드하려는 모델 종류에 적합한 손실 함수를 선택하세요. 예를 들면 다음과 같습니다.

• L₂ 손실 (또는 평균 제곱 오차)은 선형 회귀의 손실 함수입니다.
• 로그 손실은 로지스틱 회귀의 손실 함수입니다.

손실 곡면

가중치 대 손실 그래프 경사하강법의 목표는 손실 곡면이 국소 최솟값에 속하는 가중치를 찾는 것입니다.

낮은 순위 적응성 (LoRA)

#language

#생성형AI

대규모 언어 모델 매개변수의 하위 집합만 미세 조정하는 매개변수 효율적인 조정을 수행하기 위한 알고리즘입니다. LoRA는 다음과 같은 이점을 제공합니다.

• 모델의 모든 매개변수를 미세 조정해야 하는 기술보다 빠르게 미세 조정합니다.
• 미세 조정된 모델에서 추론의 계산 비용을 줄입니다.

LoRA로 조정된 모델은 예측의 품질을 유지하거나 개선합니다.

LoRA는 모델의 여러 특수 버전을 지원합니다.

LSTM

#seq

Long Short-Term Memory의 약어입니다.

월

머신러닝

#fundamentals

입력 데이터에서 모델을 학습하는 프로그램 또는 시스템입니다. 학습된 모델은 모델 학습에 사용된 것과 동일한 분포에서 추출된 새로운 (이전에 본 적이 없는) 데이터로 유용한 예측을 할 수 있습니다.

머신러닝은 이러한 프로그램 또는 시스템과 관련된 연구 분야도 지칭합니다

다수 범주

#fundamentals

클래스 불균형 데이터 세트에서 더 일반적으로 사용되는 라벨입니다. 예를 들어 음성 라벨 99% 와 양성 라벨 1% 가 포함된 데이터 세트의 경우 음성 라벨은 대부분 클래스입니다.

다수 범주와 대비되는 개념입니다.

마르코프 결정 프로세스 (MDP)

#rl

마르코프 속성이라는 가정하에 상태 시퀀스를 이동하기 위해 결정(또는 작업)이 이루어지는 의사 결정 모델을 나타내는 그래프입니다. 강화 학습에서 이러한 상태 간 전환은 숫자 보상을 반환합니다.

마르코프 속성

#rl

현재 상태에 암시적인 정보와 에이전트의 작업에 의해 상태 전환이 전적으로 결정되는 특정 환경의 속성입니다.

마스킹된 언어 모델

#language

후보 토큰이 시퀀스에서 공백을 채울 확률을 예측하는 언어 모델입니다. 예를 들어, 마스킹된 언어 모델은 후보 단어의 확률을 계산하여 다음 문장의 밑줄을 대체할 수 있습니다.

모자 속 ____가 돌아왔습니다.

문헌에서는 일반적으로 밑줄 대신 'MASK' 문자열을 사용합니다. 예를 들면 다음과 같습니다.

모자 속 '마스크'가 돌아왔어.

대부분의 최신 마스킹된 언어 모델은 양방향입니다.

matplotlib

오픈소스 Python 2D 플로팅 라이브러리인 matplotlib은 머신러닝의 다양한 측면을 시각화하는 데 도움이 됩니다.

행렬 분해

#recsystems

수학에서 내적이 목표 행렬에 근사하는 행렬을 찾는 메커니즘입니다.

추천 시스템에서 타겟 행렬은 종종 상품에 대한 사용자 평점을 보관합니다. 예를 들어 영화 추천 시스템의 타겟 행렬은 다음과 같을 수 있습니다. 여기서 양의 정수는 사용자 평점이고 0은 사용자가 영화를 평가하지 않았음을 의미합니다.

	카사블랑카	필라델피아 이야기	블랙 팬서	원더 우먼	펄프 픽션
사용자 1	5.0	3.0	0.0	2.0	0.0
사용자 2	4.0	0.0	0.0	1.0	5.0
사용자 3	3.0	1.0	4.0	5.0	0.0

영화 추천 시스템은 등급이 없는 영화에 대한 사용자 평점을 예측하는 것을 목표로 합니다. 예를 들어 사용자 1은 블랙 팬서를 좋아할까요?

추천 시스템에 대한 한 가지 접근 방식은 행렬 분해를 사용하여 다음 두 행렬을 생성하는 것입니다.

• 사용자 행렬은 사용자 수 X 임베딩 차원 수로 구성됩니다.
• 항목 행렬은 임베딩 차원 수 X 항목 수로 구성됩니다.

예를 들어 사용자 3명과 항목 5개에 행렬 분해를 사용하면 다음과 같은 사용자 행렬과 항목 행렬이 생성될 수 있습니다.

User Matrix                 Item Matrix

1.1   2.3           0.9   0.2   1.4    2.0   1.2
0.6   2.0           1.7   1.2   1.2   -0.1   2.1
2.5   0.5

사용자 행렬과 항목 행렬의 내적은 원래 사용자 평가뿐만 아니라 각 사용자가 보지 않은 영화에 대한 예측까지 포함된 추천 행렬을 생성합니다. 예를 들어 카사블랑카에 대한 사용자 1의 평점(5.0)을 가정해 보겠습니다. 추천 행렬에서 해당 셀에 해당하는 내적은 약 5.0이어야 하며 다음과 같습니다.

(1.1 * 0.9) + (2.3 * 1.7) = 4.9

그렇다면 사용자 1은 블랙 팬서를 좋아할까요? 첫 번째 행과 세 번째 열에 해당하는 내적을 취하면 예측 평점이 4.3이 됩니다.

(1.1 * 1.4) + (2.3 * 1.2) = 4.3

행렬 분해는 일반적으로 대상 행렬보다 훨씬 더 간결한 사용자 행렬과 항목 행렬을 생성합니다.

평균 절대 오차 (MAE)

L₁ 손실을 사용할 때의 예시별 평균 손실입니다. 평균 절대 오차는 다음과 같이 계산합니다.

1. 배치의 L₁ 손실을 계산합니다.
2. L₁ 손실을 배치의 예 수로 나눕니다.

공식적인 계산을 보려면 아이콘을 클릭하세요.

$$\text{Mean Absolute Error} = \frac{1}{n}\sum_{i=0}^n | y_i - \hat{y}_i |$$

각 매개변수는 다음과 같습니다.

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 모델이 $y$에 대해 예측하는 값입니다.

---

예를 들어 5개의 예로 구성된 다음 배치에서 L₁ 손실의 계산을 고려하세요.

예시의 실제 값	모델의 예측값	손실 (실제 값과 예측 간의 차이)
7	6	1
5	4	1
8	11	3
4	6	2
9일	8	1
		8 = L1 손실

따라서 L₁ 손실은 8이고 예의 수는 5입니다. 따라서 평균 절대 오차는 다음과 같습니다.

Mean Absolute Error = L1 loss / Number of Examples
Mean Absolute Error = 8/5 = 1.6

평균 절대 오차와 평균 제곱 오차 및 평균 제곱근 오차를 비교합니다.

평균 제곱 오차 (MSE)

L₂ 손실을 사용할 때의 예시별 평균 손실입니다. 평균 제곱 오차는 다음과 같이 계산합니다.

1. 배치의 L₂ 손실을 계산합니다.
2. L₂ 손실을 배치의 예시 수로 나눕니다.

공식적인 계산을 보려면 아이콘을 클릭하세요.

$$\text{Mean Squared Error} = \frac{1}{n}\sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$ 각 항목의 의미는 다음과 같습니다.

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 $y$에 대한 모델의 예측입니다.

---

예를 들어 다음 5개 예시 배치에서 손실을 생각해 보세요.

실제 금액	모델의 예측	손실	손실 제곱
7	6	1	1
5	4	1	1
8	11	3	9일
4	6	2	4
9일	8	1	1
			16 = L2 손실

따라서 평균 제곱 오차는 다음과 같습니다.

Mean Squared Error = L2 loss / Number of Examples
Mean Squared Error = 16/5 = 3.2

평균 제곱 오차는 학습 옵티마이저, 특히 선형 회귀에 널리 사용되는 옵티마이저입니다.

평균 제곱 오차를 평균 절대 오차 및 평균 제곱근 오차와 비교합니다.

TensorFlow 플레이그라운드는 평균 제곱 오차를 사용하여 손실 값을 계산합니다.

이상점에 대한 자세한 내용을 보려면 아이콘을 클릭합니다.

이상점은 평균 제곱 오차에 큰 영향을 미칩니다. 예를 들어 손실 1은 1의 제곱 손실이고 3의 손실은 9의 제곱 손실입니다. 위 표에서 손실이 3인 예는 평균 제곱 오차의 약 56% 를 차지하고, 손실이 1인 각 예는 평균 제곱 오차의 6% 를 차지합니다.

이상점은 평균 절대 오차에 평균 제곱 오차만큼 큰 영향을 미치지 않습니다. 예를 들어 3이 손실되면 평균 절대 오차의 최대 38% 만 차지합니다.

클리핑은 극단적인 이상점이 모델의 예측 능력을 손상시키지 않도록 하는 한 가지 방법입니다.

---

메시

#TensorFlow

#GoogleCloud

ML 병렬 프로그래밍에서 TPU 칩에 데이터와 모델을 할당하고 이러한 값을 샤딩하거나 복제하는 방식을 정의하는 것과 관련된 용어입니다.

메시는 다음 중 하나를 의미할 수 있는 오버로드된 용어입니다.

• TPU 칩의 실제 레이아웃
• 데이터와 모델을 TPU 칩에 매핑하기 위한 추상적인 논리적 구조입니다.

두 경우 모두 메시는 셰이프로 지정됩니다.

메타 러닝

#language

학습 알고리즘을 발견하거나 개선하는 머신러닝의 하위 집합입니다. 메타 학습 시스템은 소량의 데이터 또는 이전 작업에서 얻은 경험에서 새로운 작업을 빠르게 학습하도록 모델을 학습시키는 것을 목표로 할 수도 있습니다. 메타 러닝 알고리즘은 일반적으로 다음을 달성하려고 합니다.

• 이니셜라이저 또는 옵티마이저와 같이 직접 엔지니어링한 기능을 개선하거나 학습합니다.
• 데이터 효율과 컴퓨팅 효율성을 높입니다.
• 일반화 개선

메타 러닝은 퓨샷 학습과 관련이 있습니다.

측정항목

#TensorFlow

관심 있는 통계입니다.

목표는 머신러닝 시스템에서 최적화하려고 하는 측정항목입니다.

Metrics API (tf.metrics)

모델을 평가하는 TensorFlow API입니다. 예를 들어 tf.metrics.accuracy은 모델의 예측이 라벨과 일치하는 빈도를 결정합니다.

미니 배치

#fundamentals

한 번의 반복으로 처리되는 배치의 무작위로 선택된 소규모 하위 집합입니다. 미니 배치의 배치 크기는 일반적으로 예 10~1,000개입니다.

예를 들어 전체 학습 세트 (전체 배치)가 예시 1,000개로 구성되어 있다고 가정해 보겠습니다. 또한 각 미니 배치의 배치 크기를 20으로 설정한다고 가정해 보겠습니다. 따라서 각 반복은 1,000개의 예 중 무작위 20개의 예에 대한 손실을 판단한 다음 그에 따라 가중치와 편향을 조정합니다.

전체 배치의 모든 예에 대한 손실보다 미니 배치의 손실을 계산하는 것이 훨씬 더 효율적입니다.

미니 배치 확률적 경사하강법

미니 배치를 사용하는 경사하강법 알고리즘입니다. 즉, 미니 배치 확률적 경사하강법은 학습 데이터의 작은 하위 집합을 기준으로 경사를 추정합니다. 일반적인 확률적 경사하강법은 크기가 1인 미니 배치를 사용합니다.

미니맥스 손실

생성된 데이터와 실제 데이터의 분포 사이의 교차 엔트로피를 기반으로 하는 생성적 적대 신경망의 손실 함수입니다.

Minimax 손실은 첫 번째 논문에서 생성적 적대 신경망을 설명하는 데 사용되었습니다.

소수 범주

#fundamentals

클래스 불균형 데이터 세트에서 덜 일반적인 라벨입니다. 예를 들어 음성 라벨 99% 와 양성 라벨 1% 가 포함된 데이터 세트의 경우 양성 라벨은 소수 범주입니다.

주요 클래스와 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

백만 개의 예가 있는 학습 세트는 대단합니다. 그러나 소수 클래스가 잘 표현되지 않으면 학습 세트가 매우 크더라도 불충분할 수 있습니다. 데이터 세트에 있는 총 예의 개수보다 소수 범주에 있는 예의 개수에 더 중점을 둡니다.

데이터 세트에 포함된 소수 클래스 예가 충분하지 않은 경우 다운샘플링 (두 번째 글머리기호의 정의)을 사용하여 소수 클래스를 보완하는 것이 좋습니다.

---

ML

머신러닝의 약어입니다.

MNIST

#image

LeCun, Cortes, Burges가 수집한 공개 도메인 데이터 세트로,60, 000개의 이미지가 포함되어 있습니다. 각 이미지는 사람이 0~9 사이의 특정 숫자를 수동으로 작성한 방식을 보여줍니다. 각 이미지는 28x28 정수 배열로 저장되며, 각 정수는 0과 255 사이의 그레이 스케일 값입니다.

MNIST는 머신러닝을 위한 표준 데이터 세트로, 종종 새로운 머신러닝 접근 방식을 테스트하는 데 사용됩니다. 자세한 내용은 필기 입력된 숫자의 MNIST 데이터베이스를 참조하세요.

modality

#language

상위 수준의 데이터 카테고리입니다. 예를 들어 숫자, 텍스트, 이미지, 동영상, 오디오는 5가지 모달리티입니다

model

#fundamentals

일반적으로 입력 데이터를 처리하고 출력을 반환하는 모든 수학적 구조입니다. 다르게 표현하자면, 모델은 시스템이 예측을 수행하는 데 필요한 매개변수와 구조의 집합입니다. 지도 머신러닝에서 모델은 예를 입력으로 취하고 예측을 출력으로 추론합니다. 지도 머신러닝에서는 모델에 약간의 차이가 있습니다 예를 들면 다음과 같습니다.

• 선형 회귀 모델은 가중치와 편향의 집합으로 구성됩니다.
• 신경망 모델은 다음으로 구성됩니다.
  • 각각 하나 이상의 뉴런을 포함하는 히든 레이어 집합.
  • 각 뉴런과 관련된 가중치 및 편향입니다.
• 결정 트리 모델은 다음으로 구성됩니다.
  • 나무의 모양, 즉 조건과 나뭇잎이 연결되는 패턴입니다.
  • 조건 및 종료

모델을 저장, 복원하거나 사본을 만들 수 있습니다.

비지도 머신러닝은 또한 일반적으로 입력 예를 가장 적절한 클러스터에 매핑할 수 있는 함수인 모델을 생성합니다.

아이콘을 클릭하여 대수 및 프로그래밍 함수를 ML 모델과 비교하세요.

다음과 같은 대수 함수는 모델입니다.

  f(x, y) = 3x -5xy + y2 + 17

위 함수는 입력 값 (x 및 y)을 출력에 매핑합니다.

마찬가지로 다음과 같은 프로그래밍 함수도 모델입니다.

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

호출자가 위의 Python 함수에 인수를 전달하고, Python 함수가 return 문을 통해 출력을 생성합니다.

심층신경망의 수학적 구조는 대수학 또는 프로그래밍 함수와 매우 다르지만 심층신경망은 여전히 입력 (예)을 받아 출력 (예측)을 반환합니다.

인간 프로그래머는 프로그래밍 함수를 수동으로 코딩합니다. 반면에 머신러닝 모델은 자동화된 학습 중에 최적의 매개변수를 점진적으로 학습합니다.

---

모델 용량

모델이 학습할 수 있는 문제의 복잡성입니다. 모델이 학습할 수 있는 문제가 복잡할수록 모델의 용량은 높아집니다. 모델의 용량은 일반적으로 모델 매개변수가 많아지면 증가합니다. 분류기 용량의 공식 정의는 VC 차원을 참고하세요.

모델 계단식

#생성형AI

특정 추론 쿼리에 가장 적합한 model을 선택하는 시스템입니다.

매우 큰 모델 (수많은 매개변수)부터 훨씬 작은 (매개변수가 적은)까지 다양한 모델 그룹을 상상해 보세요. 초대형 모델은 작은 모델보다 추론 시 더 많은 컴퓨팅 리소스를 사용합니다. 그러나 매우 큰 모델은 일반적으로 작은 모델보다 더 복잡한 요청을 추론할 수 있습니다. 모델 단계식은 추론 쿼리의 복잡성을 결정한 다음 추론을 수행할 적절한 모델을 선택합니다. 모델을 연쇄적으로 사용하는 주된 동기는 일반적으로 더 작은 모델을 선택하고 더 복잡한 쿼리를 위해서는 더 큰 모델을 선택하여 추론 비용을 줄이는 것입니다.

작은 모델은 휴대전화에서 실행되고 해당 모델의 더 큰 버전은 원격 서버에서 실행된다고 가정해 보겠습니다. 좋은 모델을 연쇄적으로 조정하면 작은 모델이 간단한 요청을 처리할 수 있도록 하고 원격 모델만 호출하여 복잡한 요청을 처리할 수 있으므로 비용과 지연 시간이 줄어듭니다.

모델 라우터도 참고하세요.

모델 동시 로드

#language

한 model의 여러 부분을 서로 다른 model에 배치하는 학습 또는 추론을 조정하는 방법입니다. 모델 동시 로드를 사용하면 너무 커서 단일 기기에 맞지 않는 모델을 만들 수 있습니다.

모델 동시 로드를 구현하기 위해 시스템은 일반적으로 다음을 실행합니다.

1. 모델을 더 작은 부분으로 분할 (분할)합니다.
2. 이러한 작은 부분의 학습을 여러 프로세서에 분산합니다. 각 프로세서는 모델의 자체 부분을 학습시킵니다.
3. 결과를 결합하여 단일 모델을 만듭니다.

모델 동시 로드로 인해 학습 속도가 느려집니다.

데이터 동시 로드를 참조하세요.

모델 라우터

#생성형AI

model에서 model에 이상적인 model을 결정하는 알고리즘입니다. 모델 라우터 자체는 일반적으로 주어진 입력에 가장 적합한 모델을 선택하는 방법을 점진적으로 학습하는 머신러닝 모델입니다. 하지만 모델 라우터가 머신러닝이 아닌 더 단순한 알고리즘일 수도 있습니다

모델 학습

최적의 model을 결정하는 과정입니다.

모멘텀

학습 단계가 현재 단계의 미분뿐 아니라 바로 이전 단계의 미분에도 의존하는 정교한 경사하강법 알고리즘입니다. 모멘텀에서는 물리학의 모멘텀과 유사하게 시간 경과에 따른 지수 가중치가 적용된 경사의 이동 평균을 계산합니다. 모멘텀은 학습이 국소 최솟값에서 정체되는 것을 방지할 수 있습니다

다중 클래스 분류

#fundamentals

지도 학습에서 데이터 세트에 3개 이상 클래스의 라벨이 포함된 분류 문제입니다. 예를 들어 Iris 데이터세트의 라벨은 다음 세 가지 클래스 중 하나여야 합니다.

• 이리스 세토사
• 버지니카 붓꽃
• 버시컬러 홍채

Iris 데이터세트로 학습된 모델이 새로운 예에서 Iris 유형을 예측하는 경우 다중 클래스 분류를 수행합니다.

반면 정확히 두 개의 클래스를 구분하는 분류 문제는 이진 분류 모델입니다. 예를 들어 스팸 또는 스팸 아님을 예측하는 이메일 모델은 이진 분류 모델입니다.

클러스터링 문제에서 다중 클래스 분류는 3개 이상의 클러스터를 의미합니다.

다중 클래스 로지스틱 회귀

다중 클래스 분류 문제에 로지스틱 회귀 사용

다중 헤드 셀프 어텐션

#language

입력 시퀀스의 각 위치에 셀프 어텐션 메커니즘을 여러 번 적용하는 셀프 어텐션의 확장입니다.

트랜스포머는 멀티 헤드 셀프 어텐션을 도입했습니다.

멀티모달 모델

#language

입력 또는 출력에 2개 이상의 모달리티가 포함된 모델입니다. 예를 들어 이미지와 텍스트 캡션 (두 가지 모달)을 모두 특성으로 취해 텍스트 캡션이 이미지에 얼마나 적절한지 나타내는 점수를 출력하는 모델을 가정해 보겠습니다. 따라서 이 모델의 입력은 멀티모달이고 출력은 유니모달입니다.

다항 분류

다중 클래스 분류의 동의어입니다.

다항 회귀

다중 클래스 로지스틱 회귀의 동의어입니다.

멀티태스킹

단일 model이 여러 model를 수행하도록 학습되는 머신러닝 기술입니다.

멀티태스킹 모델은 각 태스크에 적합한 데이터를 학습하여 생성됩니다. 이를 통해 모델은 작업 간에 정보를 공유하는 방법을 학습할 수 있으므로 모델이 더 효과적으로 학습할 수 있습니다.

여러 작업에 대해 학습된 모델은 일반화 능력이 향상되는 경우가 많고 다양한 유형의 데이터를 더 잘 처리할 수 있습니다.

구매 불가

NaN 트랩

모델의 숫자 중 하나가 학습 중에 NaN이 되어 모델의 다른 많은 숫자 또는 모든 숫자가 결국 NaN이 되는 경우

NaN은 Not a Number의 약어입니다.

자연어 이해

#language

사용자가 입력하거나 말한 내용에 따라 사용자의 의도를 파악합니다. 예를 들어 검색엔진은 자연어 이해를 사용하여 사용자가 입력하거나 말한 내용에 따라 사용자가 검색하는 내용을 판단합니다.

네거티브 클래스

#fundamentals

이진 분류에서 한 클래스를 포지티브로 하고 다른 클래스를 네거티브라고 합니다. 포지티브 클래스는 모델이 테스트하는 항목 또는 이벤트이고 네거티브 클래스는 그 밖의 가능성입니다. 예를 들면 다음과 같습니다.

• 의료 검사의 네거티브 클래스는 '종양 아님'일 수 있습니다.
• 이메일 분류기의 네거티브 클래스는 '스팸 아님'일 수 있습니다.

포지티브 클래스와 대비되는 개념입니다.

네거티브 샘플링

후보 샘플링의 동의어입니다.

Neural Architecture Search (NAS)

신경망의 아키텍처를 자동으로 설계하는 기술입니다. NAS 알고리즘으로 신경망을 학습시키는 데 필요한 시간과 리소스를 줄일 수 있습니다

NAS는 일반적으로 다음을 사용합니다.

• 가능한 아키텍처 집합인 검색 공간
• 피트니스 함수: 주어진 작업에서 특정 아키텍처가 얼마나 잘 작동하는지 측정한 값입니다.

NAS 알고리즘은 종종 가능한 소규모 아키텍처 집합으로 시작하고 알고리즘이 어떤 아키텍처가 효과적인지 학습함에 따라 검색 공간을 점진적으로 확장합니다. 피트니스 함수는 일반적으로 학습 세트에 대한 아키텍처의 성능을 기반으로 하며, 알고리즘은 일반적으로 강화 학습 기법을 사용하여 학습됩니다.

NAS 알고리즘은 이미지 분류, 텍스트 분류, 기계 번역 등 다양한 작업에 적합한 고성능 아키텍처를 찾는 데 효과적인 것으로 입증되었습니다.

출력은

#fundamentals

하나 이상의 model가 포함된 model. 심층신경망은 둘 이상의 히든 레이어를 포함하는 신경망의 한 유형입니다. 예를 들어 다음 다이어그램은 2개의 히든 레이어를 포함하는 심층신경망을 보여줍니다.

신경망의 각 뉴런은 다음 레이어의 모든 노드에 연결됩니다. 예를 들어 앞의 다이어그램에서 첫 번째 히든 레이어의 뉴런 3개 각각은 두 번째 히든 레이어의 두 뉴런 모두에 개별적으로 연결됩니다.

컴퓨터에 구현된 신경망은 뇌나 다른 신경계의 신경망과 구분하기 위해 인공 신경망이라고도 합니다.

일부 신경망은 여러 특성과 라벨 간의 매우 복잡한 비선형 관계를 모방할 수 있습니다.

컨볼루셔널 신경망 및 순환 신경망도 참조하세요.

뉴런

#fundamentals

머신러닝에서 신경망의 히든 레이어 내에 있는 고유한 단위입니다. 각 뉴런은 다음과 같은 2단계 작업을 실행합니다

1. 입력 값의 가중치가 적용된 합계를 해당 가중치로 곱한 값을 계산합니다.
2. 가중치가 적용된 합계를 활성화 함수에 대한 입력으로 전달합니다.

첫 번째 히든 레이어의 뉴런은 입력 레이어의 특성값에서 입력을 받습니다. 첫 번째 레이어 이후의 모든 히든 레이어에 있는 뉴런은 이전 히든 레이어에 있는 뉴런의 입력을 받습니다. 예를 들어 두 번째 히든 레이어의 뉴런은 첫 번째 히든 레이어에 있는 뉴런의 입력을 받습니다.

다음 그림에서는 두 뉴런과 뉴런의 입력을 강조 표시합니다.

신경망의 뉴런은 뇌와 신경계의 다른 부분에서 뉴런의 행동을 모방합니다.

N-그램

#seq

#language

N 단어의 순서 시퀀스입니다. 예를 들어 truly madly는 2-그램입니다. 순서는 관련이 있으므로 madly true는 truly madly와 다른 2-그램입니다.

구매 불가	이 종류의 N-그램에 대한 이름	예
2	바이그램 또는 2-그램	이동, 가기, 점심 식사, 저녁 식사
3	트라이그램 또는 3-그램	맹인 쥐 세 마리를 너무 많이 먹어서
4	4-그램	공원을 걷고, 바람에 먼지가 덮여 있어, 소년이 렌틸콩을 먹었습니다

많은 자연어 이해 모델이 N-그램을 사용하여 사용자가 다음에 입력하거나 말할 단어를 예측합니다. 예를 들어 사용자가 three bla를 입력했다고 가정해 보겠습니다. 트라이그램을 기반으로 하는 NLU 모델은 사용자가 다음에 mice를 입력할 것으로 예측할 수 있습니다.

N-그램을 순서가 지정되지 않은 단어 집합인 단어 집합과 비교해 보시기 바랍니다.

NLU

#language

Natural Language Understanding(자연어 이해)의 약어입니다.

노드 (의사 결정 트리)

#df

결정 트리에서 모든 조건 또는 리프.

노드 (신경망)

#fundamentals

히든 레이어의 뉴런

노드 (TensorFlow 그래프)

#TensorFlow

TensorFlow 그래프의 연산

노이즈

일반적으로 데이터 세트에서 신호를 방해하는 모든 것을 말합니다. 노이즈는 다양한 방식으로 데이터에 도입될 수 있습니다. 예를 들면 다음과 같습니다.

• 평가자가 라벨을 잘못 지정합니다.
• 인간과 계측기가 특성 값을 잘못 기록하거나 생략합니다.

논바이너리 조건

#df

세 개 이상의 가능한 결과가 포함된 조건입니다. 예를 들어 다음과 같은 논바이너리 조건에는 세 가지 결과가 포함됩니다.

비선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 없는 둘 이상의 변수 간의 관계입니다. 선형 관계는 선으로 표현할 수 있지만 비선형 관계는 선으로 표현할 수 없습니다. 예를 들어 각각 단일 특성을 단일 라벨에 연결하는 두 모델을 가정해 보겠습니다 왼쪽 모델은 선형이고 오른쪽 모델은 비선형입니다.

무응답 편향

#fairness

표본 선택 편향을 참고하세요.

비정상성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되는 특성입니다. 예를 들어 다음과 같은 비고정성의 예를 생각해 보세요.

• 특정 매장에서 판매되는 수영복의 수는 계절에 따라 다릅니다.
• 특정 지역에서 수확되는 특정 과일의 수량은 일 년 내내 0이지만 잠깐 동안은 많습니다.
• 기후 변화로 인해 연간 평균 기온이 변화하고 있습니다.

정상성과 대비되는 개념입니다.

정규화

#fundamentals

개략적으로 변수의 실제 값 범위를 다음과 같이 표준 값 범위로 변환하는 과정입니다.

• -1 ~ +1
• 0~1
• 정규 분포

예를 들어 특정 특성의 실제 값 범위가 800~2,400이라고 가정해 보겠습니다. 특성 추출의 일환으로 실제 값을 -1에서 +1과 같은 표준 범위로 정규화할 수 있습니다.

정규화는 특성 추출의 일반적인 작업입니다. 특성 벡터의 모든 숫자 특성의 범위가 대략적으로 동일하면 일반적으로 모델이 더 빠르게 학습하고 더 나은 예측을 제공합니다.

새로운 감지

새로운 (새로운) 예가 학습 세트와 동일한 분포에서 비롯되었는지 확인하는 프로세스입니다. 즉, 학습 세트로 학습한 후 노벨티 감지는 새로운 예시 (추론 중 또는 추가 학습 도중)가 이상점인지 판단합니다.

이상점 감지와 대비되는 개념입니다.

수치 데이터

#fundamentals

정수 또는 실수로 표현되는 특성입니다. 예를 들어 주택 평가 모델은 주택의 크기 (제곱피트 또는 제곱미터)를 수치 데이터로 표현할 수 있습니다. 특성을 수치 데이터로 표현한다는 것은 특성 값이 라벨과 수학적 관계가 있음을 나타냅니다. 즉, 주택의 제곱미터는 주택의 가격과 어느 정도 수학적 관계를 가질 수 있습니다.

모든 정수 데이터를 수치 데이터로 표현해서는 안 됩니다. 예를 들어 일부 지역의 우편번호는 정수이지만, 정수 우편번호를 모델에서 수치 데이터로 표현해서는 안 됩니다. 그 이유는 우편번호가 20000이라고 해서 우편번호가 10000인 경우보다 두 배 (또는 절반)의 권한을 갖지는 않기 때문입니다. 또한 우편번호는 부동산 가치와 상관이 있긴 하지만 우편번호 20000의 부동산 가치가 우편번호가 10000인 부동산 가치의 두 배라고 가정할 수는 없습니다. 우편번호는 범주형 데이터로 표현되어야 합니다.

숫자 특성을 연속 특성이라고도 합니다.

NumPy

Python에서 효율적인 배열 작업을 제공하는 오픈소스 수학 라이브러리입니다. Pandas는 NumPy를 기반으로 합니다.

O

목표

알고리즘에서 최적화하려는 측정항목입니다.

목적 함수

모델이 최적화하려는 수학 공식 또는 측정항목입니다. 예를 들어 선형 회귀의 목적 함수는 일반적으로 평균 제곱 손실입니다. 따라서 선형 회귀 모델을 학습시킬 때 학습의 목표는 평균 제곱 손실을 최소화하는 것입니다.

목적 함수를 최대화하는 것이 목표인 경우도 있습니다. 예를 들어 목적 함수가 정확성이면 목표는 정확성을 극대화하는 것입니다.

손실도 참고하세요.

사위

#df

결정 트리에서 둘 이상의 특성과 관련된 조건입니다. 예를 들어 높이와 너비가 모두 지형지물인 경우 경사 조건은 다음과 같습니다.

  height > width

축 정렬 조건과 대비되는 개념입니다.

오프라인

#fundamentals

정적의 동의어입니다.

오프라인 추론

#fundamentals

모델에서 배치의 예측을 생성한 다음 해당 예측을 캐싱 (저장)하는 프로세스입니다. 그러면 앱이 모델을 재실행하는 대신 캐시에서 추론된 예측에 액세스할 수 있습니다.

예를 들어 4시간마다 한 번씩 지역 일기예보(예측)를 생성하는 모델이 있다고 가정해 보겠습니다. 모델이 실행될 때마다 시스템은 모든 지역 일기예보를 캐시합니다 날씨 앱은 캐시에서 예보를 가져옵니다.

오프라인 추론을 정적 추론이라고도 합니다.

온라인 추론과 대비되는 개념입니다.

원-핫 인코딩

#fundamentals

범주형 데이터를 벡터로 표현하는 방법은 다음과 같습니다.

• 요소 한 개가 1로 설정됩니다.
• 다른 요소는 모두 0으로 설정됩니다.

원-핫 인코딩은 가능한 값의 유한 집합을 갖는 문자열 또는 식별자를 나타내는 데 흔히 사용됩니다. 예를 들어 Scandinavia이라는 특정 범주형 특성에 다음과 같은 5개의 값이 가능하다고 가정해 보겠습니다.

• '덴마크'
• '스웨덴'
• '노르웨이'
• '핀란드'
• "아이슬란드"

원-핫 인코딩은 5개의 값 각각을 다음과 같이 나타낼 수 있습니다.

country	벡터
'덴마크'	1	0	0	0	0
'스웨덴'	0	1	0	0	0
'노르웨이'	0	0	1	0	0
'핀란드'	0	0	0	1	0
"아이슬란드"	0	0	0	0	1

원-핫 인코딩 덕분에 모델은 5개 국가 각각에 기반하여 서로 다른 연결을 학습할 수 있습니다

특성을 숫자 데이터로 표현하는 것은 원-핫 인코딩의 대안입니다. 안타깝게도 스칸디나비아 국가를 숫자로 표현하는 것은 좋은 선택이 아닙니다. 예를 들어 다음과 같은 숫자 표현을 생각해 보세요.

• '덴마크'는 0입니다.
• '스웨덴'은 1입니다.
• '노르웨이'는 2입니다.
• '핀란드'는 3입니다.
• '아이슬란드'는 4입니다.

숫자 인코딩을 사용하면 모델이 원시 숫자를 수학적으로 해석하고 해당 숫자로 학습을 시도합니다. 하지만 아이슬란드는 노르웨이보다 2배나 많지 않기 때문에 모델이 이상한 결론에 이르게 됩니다.

원샷 학습

객체 분류에 자주 사용되는 머신러닝 접근 방식은 하나의 학습 예에서 효과적인 분류기를 학습하도록 설계되었습니다.

퓨샷 학습 및 제로샷 학습을 참조하세요.

원샷 프롬프팅

#language

#생성형AI

대규모 언어 모델의 응답 방식을 보여주는 예 하나가 포함된 프롬프트 예를 들어 다음 프롬프트에는 대규모 언어 모델에서 쿼리에 어떻게 답변해야 하는지를 보여주는 예가 하나 포함되어 있습니다.

프롬프트 구성 요소	Notes
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문입니다.
프랑스: EUR	한 가지 예시입니다.
인도:	실제 쿼리입니다.

원샷 프롬프팅을 다음 용어와 비교 및 대조하세요.

• 제로샷 프롬프팅
• 퓨샷 프롬프팅

일대다

#fundamentals

N개의 클래스가 있는 분류 문제의 경우, 가능한 각 결과에 하나씩 N개의 개별 이진 분류기(하나의 이진 분류기)로 구성된 솔루션입니다. 예를 들어 예를 동물, 식물 또는 광물로 분류하는 모델의 경우 일대다 솔루션은 다음과 같은 세 가지 이진 분류자를 제공합니다.

• 동물 또는 동물 아님
• 식물성 대 식물 아님
• 광물 대 광물 아님

online

#fundamentals

동적의 동의어입니다.

온라인 추론

#fundamentals

요청에 따라 예측을 생성합니다. 예를 들어 앱이 입력을 모델에 전달하고 예측 요청을 보낸다고 가정해 보겠습니다. 온라인 추론을 사용하는 시스템은 모델을 실행하고 예측을 앱에 반환하여 요청에 응답합니다.

오프라인 추론과 대비되는 개념입니다.

연산 (op)

#TensorFlow

TensorFlow에서 텐서를 생성, 조작 또는 삭제하는 모든 절차입니다. 예를 들어 행렬 곱셈은 텐서 2개를 입력으로 취하고 텐서 1개를 출력으로 생성하는 작업입니다.

Optax

JAX용 그라데이션 처리 및 최적화 라이브러리입니다. Optax는 심층신경망과 같은 매개변수 모델을 최적화할 수 있는 커스텀 방식으로 다시 결합할 수 있는 빌딩 블록을 제공하므로 연구를 용이하게 합니다. 기타 목표는 다음과 같습니다.

• 핵심 구성요소의 읽기 쉽고 잘 테스트되었으며 효율적인 구현 제공
• 하위 수준의 재료를 맞춤 옵티마이저 (또는 기타 그라데이션 처리 구성요소)에 결합할 수 있도록 하여 생산성을 높입니다.
• 누구나 쉽게 기여할 수 있도록 하여 새로운 아이디어 채택을 가속화합니다.

옵티마이저

경사하강법 알고리즘의 구체적인 구현입니다. 인기 있는 옵티마이저에는 다음이 포함됩니다.

• AdaGrad는 ADAptive GRADient descent를 의미합니다.
• 아담: ADAptive with Momentum을 의미합니다.

외부 집단 동질화 편향

#fairness

태도, 가치, 성격 특성 및 기타 특성을 비교할 때 외부 집단 구성원을 내집단 구성원보다 더 비슷한 것으로 보는 경향입니다. 내집단은 정기적으로 상호작용하는 사람을 말하고, 외부 집단은 정기적으로 상호작용하지 않는 사람을 말합니다. 사람들에게 외부 집단에 대한 속성을 제공해 달라고 요청하여 데이터 세트를 만드는 경우 이러한 속성은 참여자가 내집단에 속한 사람들에 대해 나열하는 속성보다 덜 미묘하고 더 고정관념일 수 있습니다.

예를 들어 난쟁이가 건축 스타일, 창, 문, 크기의 작은 차이를 언급하면서 다른 난쟁이의 집을 아주 자세히 설명할 수 있습니다. 그러나 동일한 난쟁이가 브로빙나기안 모두가 같은 집에 살고 있다고 간단하게 선언할 수도 있습니다.

외부 집단 동질화 편향은 그룹 귀인 편향의 한 형태입니다.

내집단 편향을 참조하세요.

이상점 감지

학습 세트에서 이상점을 식별하는 과정입니다.

새로운 항목 감지와 대비되는 개념입니다.

연구

대부분의 다른 값과 동떨어진 값입니다. 다음은 머신러닝에서 이상점입니다.

• 입력 데이터의 값이 평균에서 대략 표준편차 3만큼 떨어진 경우
• 가중치의 절대값이 높은 경우
• 예측된 값이 실제 값과 비교적 멀리 떨어져 있습니다.

예를 들어 widget-price가 특정 모델의 특성이라고 가정해 보겠습니다. 평균 widget-price이 7유로이고 표준 편차가 1유로라고 가정합니다. 따라서 widget-price가 12유로 또는 2유로인 예시는 각 가격이 평균에서 5 표준 편차를 벗어나므로 이상점으로 간주됩니다.

이상점은 오타나 기타 입력 실수로 인해 발생하는 경우가 많습니다. 다른 경우에는 이상점이 실수가 아닙니다. 결국 평균에서 표준 편차 5만큼 떨어진 값은 드물지만 불가능하기 때문입니다.

이상점은 모델 학습에서 문제를 일으키는 경우가 많습니다. 경사 제한은 이상점을 관리하는 방법 중 하나입니다.

가방 외 평가 (OOB 평가)

#df

결정 트리의 학습 중에 사용되지 않은 예시를 기준으로 각 결정 트리를 테스트하여 결정 포레스트의 품질을 평가하는 메커니즘입니다. 예를 들어 다음 다이어그램에서 시스템은 예시의 약 3분의 2에 대해 각 결정 트리를 학습시킨 다음 나머지 예시의 3분의 1에 대해 평가합니다.

Out-of-bag 평가는 교차 검증 메커니즘의 계산상 효율적이고 보수적인 근사치입니다. 교차 검증에서는 교차 검증 라운드마다 모델 1개가 학습됩니다. 예를 들어 10개 모델은 10배 교차 검증으로 학습됩니다. OOB 평가에서는 단일 모델이 학습됩니다. 배깅은 학습 중에 각 트리에서 일부 데이터를 보류하므로 OOB 평가에서 해당 데이터를 사용하여 교차 검증을 근사화할 수 있습니다.

출력 레이어

#fundamentals

신경망의 '최종' 레이어입니다. 출력 레이어에는 예측이 포함됩니다.

다음 그림은 하나의 입력 레이어, 두 개의 히든 레이어, 출력 레이어가 있는 작은 심층신경망을 보여줍니다.

과적합

#fundamentals

model와 매우 가깝게 일치하는 model을 생성하여 모델이 새 데이터를 올바르게 예측하지 못하는 경우

정규화는 과적합을 줄일 수 있습니다. 크고 다양한 학습 세트를 학습하면 과적합도 줄일 수 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

과적합은 자신이 좋아하는 선생님의 조언만 엄격하게 따르는 것과 같습니다. 해당 선생님의 수업에서는 성공할 수도 있지만 교사의 아이디어에 '과적합'하거나 다른 수업에서는 실패할 수 있습니다. 여러 교사들의 조언을 따르면 새로운 상황에 더 잘 적응할 수 있습니다.

---

오버샘플링

더 균형 있는 학습 세트를 만들기 위해 클래스 불균형 데이터 세트에서 소수 클래스의 예시 재사용

예를 들어 소수 범주에 대한 주요 클래스의 비율이 5,000:1인 이진 분류 문제를 생각해 보세요. 데이터 세트에 100만 개의 예시가 포함되어 있으면 소수 클래스의 예가 약 200개뿐이므로 효과적인 학습을 위한 예시가 너무 적을 수 있습니다. 이러한 결함을 극복하기 위해 200개의 예를 여러 번 오버샘플링 (재사용)하여 유용한 학습에 필요한 충분한 예를 얻을 수 있습니다.

오버샘플링 시 과적합에 주의해야 합니다.

언더샘플링과 대비되는 개념입니다.

P

패킹된 데이터

데이터를 더 효율적으로 저장하기 위한 접근 방식

패킹된 데이터는 압축된 형식을 사용하거나 보다 효율적으로 액세스할 수 있는 다른 방법으로 데이터를 저장합니다. 패킹된 데이터는 액세스하는 데 필요한 메모리와 컴퓨팅의 양을 최소화하므로 학습 속도가 빨라지고 모델 추론의 효율성이 높아집니다.

패킹된 데이터는 종종 데이터 증강 및 정규화 등의 다른 기법과 함께 사용되어 모델의 성능을 더욱 개선합니다.

pandas

#fundamentals

numpy를 기반으로 빌드된 열 기반 데이터 분석 API입니다. TensorFlow를 비롯한 많은 머신러닝 프레임워크에서 Pandas 데이터 구조를 입력으로 지원합니다. 자세한 내용은 Pandas 문서를 참조하세요.

parameter

#fundamentals

모델이 학습 중에 학습하는 가중치 및 편향입니다. 예를 들어 선형 회귀 모델에서 매개변수는 다음 수식에 포함된 편향 (b)과 모든 가중치 (w₁, w₂ 등)로 구성됩니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

반면에 초매개변수는 사용자 (또는 초매개변수 조정 서비스)가 모델에 제공하는 값입니다. 예를 들어 학습률은 초매개변수입니다.

매개변수 효율적인 조정

#language

#생성형AI

전체 미세 조정보다 더 효율적으로 대규모 선행 학습된 언어 모델 (PLM)을 미세 조정하는 일련의 기법입니다. 매개변수 효율적인 조정은 일반적으로 전체 미세 조정보다 훨씬 적은 매개변수를 세부 조정하지만, 일반적으로 완전 미세 조정에서 빌드된 대규모 언어 모델과 동일하거나 거의 비슷한 성능을 발휘하는 대규모 언어 모델을 생성합니다.

매개변수 효율적인 조정의 비교 및 대조:

• 명령 조정을
• 프롬프트 조정

매개변수 효율적인 조정을 매개변수 효율적인 미세 조정이라고도 합니다.

매개변수 서버 (PS)

#TensorFlow

분산된 환경에서 모델의 매개변수를 추적하는 작업입니다.

매개변수 업데이트

일반적으로 경사하강법의 단일 반복 내에서 학습 중 모델의 매개변수를 조정하는 작업입니다.

편미분

하나를 제외한 모든 변수를 상수로 간주하는 도함수입니다. 예를 들어 x에 대한 f(x, y)의 편미분은 x만의 함수로 간주되는 f의 도함수입니다 (즉, y를 상수로 유지). x에 대한 f의 편미분은 방정식의 다른 변수를 모두 무시하고 x의 변화에만 집중합니다.

참여 편향

#fairness

무응답 편향의 동의어입니다. 표본 선택 편향을 참고하세요.

파티셔닝 전략

매개변수 서버 간에 변수를 분할하는 알고리즘입니다.

팩스

여러 TPU 가속기 칩 슬라이스 또는 포드에 걸쳐 있을 수 있을 정도로 매우 큰 대규모 신경망 모델을 학습시키기 위해 설계된 프로그래밍 프레임워크입니다.

Pax는 JAX를 기반으로 하는 Flax를 기반으로 합니다.

퍼셉트론

하나 이상의 입력 값을 취하고, 입력의 가중 합계로 함수를 실행하고, 단일 출력 값을 계산하는 시스템 (하드웨어 또는 소프트웨어)입니다. 머신러닝에서 함수는 일반적으로 ReLU, 시그모이드 또는 tanh와 같이 비선형입니다. 예를 들어 다음 퍼셉트론은 시그모이드 함수를 사용하여 세 입력 값을 처리합니다.

$$f(x_1, x_2, x_3) = \text{sigmoid}(w_1 x_1 + w_2 x_2 + w_3 x_3)$$

다음 그림에서 퍼셉트론은 3개의 입력을 취합니다. 각 입력은 퍼셉트론에 입력되기 전에 가중치에 의해 수정됩니다.

퍼셉트론은 신경망의 뉴런입니다.

성능

중복으로 정의된 용어로, 다음과 같은 의미를 갖습니다.

• 소프트웨어 엔지니어링의 표준 의미 즉, 해당 소프트웨어가 얼마나 빠르게 또는 효율적으로 실행되는지를 의미합니다.
• 머신러닝 내의 의미 여기서 성능은 이 model이 얼마나 정확한가?라는 질문에 답합니다. 즉, 모델의 예측이 얼마나 좋은가요?

순열 변수 중요도

#df

특성 값을 변경한 후 모델의 예측 오차 증가 정도를 평가하는 변수 중요도 유형입니다. 순열 변수 중요도는 모델과 무관한 측정항목입니다.

퍼플렉시티

model의 작업 수행 능력을 나타내는 척도입니다. 예를 들어 사용자가 전화 키보드에 입력하는 단어의 처음 몇 글자를 읽고 가능한 완성 단어 목록을 제공하는 작업이 있다고 가정해 보겠습니다. 이 작업의 퍼플렉시티, P는 사용자가 입력하려는 실제 단어가 목록에 포함되는 데 필요한 대략적인 추측 개수입니다.

퍼플렉시티와 교차 엔트로피의 관계는 다음과 같습니다.

$$P= 2^{-\text{cross entropy}}$$

pipeline

머신러닝 알고리즘의 기반이 되는 인프라입니다. 파이프라인에는 데이터 수집, 데이터를 학습 데이터 파일에 넣고, 하나 이상의 모델을 학습시키고, 모델을 프로덕션으로 내보내는 작업이 포함됩니다.

파이프라인

#language

모델 동시 로드의 한 형태로, 모델 처리가 연속 단계로 나뉘고 각 단계가 다른 기기에서 실행됩니다. 단계가 하나의 배치를 처리하는 동안 이전 단계가 다음 배치에서 작동할 수 있습니다.

단계적 학습도 참고하세요.

피짓

여러 가속기 칩에서 실행되도록 코드를 분할하는 JAX 함수. 사용자가 함수를 pjit에 전달하면, 함수는 동일한 의미 체계를 보유하지만 여러 기기(예: GPU 또는 TPU 코어)에서 실행되는 XLA 계산으로 컴파일되는 함수를 반환합니다.

pjit를 사용하면 사용자가 SPMD 파티셔너를 사용하여 계산을 다시 작성하지 않고 계산을 샤딩할 수 있습니다.

2023년 3월부터 pjit가 jit과 병합되었습니다. 자세한 내용은 분산 배열 및 자동 동시 로드를 참조하세요.

제품 목록 광고

#language

#생성형AI

선행 학습된 언어 모델의 약어입니다.

pmap

입력 값이 서로 다른 여러 기본 하드웨어 기기(CPU, GPU 또는 TPU)에서 입력 함수의 사본을 실행하는 JAX 함수입니다. pmap은 SPMD를 사용합니다.

policy

#rl

강화 학습에서는 상태에서 작업으로 에이전트의 확률적 매핑이 이루어집니다.

풀링

#image

이전의 컨볼루셔널 레이어에서 생성된 행렬을 더 작은 행렬로 줄입니다. 풀링에는 일반적으로 풀링된 영역에서 최댓값 또는 평균값을 사용합니다. 예를 들어 다음과 같은 3x3 행렬이 있다고 가정해 보겠습니다.

풀링 연산은 컨볼루셔널 연산과 마찬가지로 행렬을 슬라이스로 나눈 다음 스트라이드만큼 컨볼루셔널 연산을 슬라이드합니다. 예를 들어 풀링 연산이 컨볼루셔널 행렬을 1x1 스트라이드의 2x2 슬라이스로 나눈다고 가정해 보겠습니다. 다음 다이어그램에 나와 있는 것처럼 풀링 연산이 4번 발생합니다. 각 풀링 작업이 해당 슬라이스에서 4의 최댓값을 선택한다고 가정해 보겠습니다.

풀링을 사용하면 입력 행렬에 병진 불변을 적용할 수 있습니다.

비전용 풀링은 공식적으로 공간 풀링으로 더 잘 알려져 있습니다. 시계열에서 활용되는 풀링은 일시적 풀링이라고 합니다. 비공식적으로 풀링을 서브샘플링 또는 다운샘플링이라고 부르는 경우도 있습니다.

위치 인코딩

#language

토큰의 임베딩에 토큰의 위치에 대한 정보를 시퀀스로 추가하는 기법입니다. 변환기 모델은 위치 인코딩을 사용하여 시퀀스 내 여러 부분 간의 관계를 더 잘 이해합니다.

위치 인코딩의 일반적인 구현은 정현파 함수를 사용합니다. (구체적으로는 정현 함수의 주파수와 진폭은 시퀀스 내 토큰의 위치에 따라 결정됩니다.) 이 기법을 사용하면 Transformer 모델은 위치를 기준으로 시퀀스의 다른 부분에 집중하는 방법을 학습할 수 있습니다.

양성 클래스

#fundamentals

테스트 중인 클래스입니다.

예를 들어, 암 모델의 포지티브 클래스는 '종양'일 수 있습니다. 이메일 분류기의 포지티브 클래스는 '스팸'일 수 있습니다.

네거티브 클래스와 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

많은 테스트에서 '양성' 결과가 바람직하지 않은 결과가 나오는 경우가 많기 때문에 포지티브 클래스라는 용어는 혼동을 줄 수 있습니다. 예를 들어 많은 의학 테스트에서 양성 클래스는 종양이나 질병에 해당합니다. 일반적으로는 의사가 '축하합니다! 테스트 결과가 부정적이었습니다.' 그럼에도 불구하고 포지티브 클래스는 테스트가 찾고자 하는 이벤트입니다.

분명히 포지티브 클래스와 네거티브 클래스를 동시에 테스트하고 있습니다.

---

후처리

#fairness

#fundamentals

모델이 실행된 후 모델의 출력을 조정합니다. 후처리를 사용하면 모델 자체를 수정하지 않고도 공정성 제약조건을 적용할 수 있습니다.

예를 들어 특정 속성의 모든 값에서 참양성률이 동일한지 확인하여 일부 속성에서 기회의 균등이 유지되도록 분류 임곗값을 설정하여 이진 분류 기준에 후처리를 적용할 수 있습니다.

PR AUC (PR 곡선 아래 영역)

분류 임곗값의 서로 다른 값에 대한 (재현율, 정밀도) 포인트를 표시하여 얻은 보간된 정밀도-재현율 곡선 아래의 영역입니다. 계산 방법에 따라 PR AUC는 모델의 평균 정밀도와 동일할 수 있습니다.

프락시스

Pax의 핵심 고성능 ML 라이브러리입니다. Praxis는 '레이어 라이브러리'라고도 합니다.

Praxis에는 Layer 클래스의 정의뿐만 아니라 다음과 같은 대부분의 지원 구성요소도 포함되어 있습니다.

• 데이터 입력
• 구성 라이브러리 (HParam 및 Fiddle)
• 옵티마이저

Praxis는 Model 클래스의 정의를 제공합니다.

precision

다음 질문에 답할 수 있는 분류 모델의 측정항목입니다.

모델이 포지티브 클래스를 예측했을 때 정확히 예측한 비율은 얼마나 되나요?

공식은 다음과 같습니다.

$$\text{Precision} = \frac{\text{true positives}} {\text{true positives} + \text{false positives}}$$

각 매개변수는 다음과 같습니다.

• 참양성은 모델이 양성 클래스를 올바르게 예측했다는 의미입니다.
• 거짓양성은 모델이 양성 클래스를 잘못 예측했음을 의미합니다.

예를 들어 모델에서 200건의 양성 예측을 했다고 가정하겠습니다. 양성 예측 200개 중:

• 150명은 참양성이었습니다.
• 50개는 거짓양성이었습니다

이 경우에는 다음과 같습니다.

$$\text{Precision} = \frac{\text{150}} {\text{150} + \text{50}} = 0.75$$

정확성 및 재현율과 대비되는 개념입니다.

정밀도-재현율 곡선

다양한 분류 임곗값에서 정밀도와 재현율의 곡선입니다.

예측

#fundamentals

모델의 출력입니다. 예를 들면 다음과 같습니다.

• 이진 분류 모델의 예측은 포지티브 클래스 또는 네거티브 클래스입니다.
• 다중 클래스 분류 모델의 예측은 하나의 클래스입니다.
• 선형 회귀 모델의 예측은 숫자입니다.

예측 편향

예측 평균과 데이터 세트의 라벨 평균이 얼마나 떨어져 있는지 나타내는 값입니다.

머신러닝 모델의 편향 항 또는 윤리 및 공정성의 편향과 혼동하지 마시기 바랍니다.

예측 ML

모든 표준 ('기존') 머신러닝 시스템.

예측 ML이라는 용어에는 공식적인 정의가 없습니다. 대신 이 용어는 생성형 AI를 기반으로 하지 않은 ML 시스템의 카테고리를 구분합니다.

예측 패리티

#fairness

특정 분류자에 대해 정밀도 비율이 고려 중인 하위 그룹에서 동일한지 확인하는 공정성 측정항목입니다.

예를 들어 대학 입학을 예측하는 모델은 학습자와 브로딩나기안의 정밀도가 동일하면 국적에 대한 예측적 동등성을 충족할 것입니다.

예측 패리티는 예측 비율 패리티라고도 합니다.

예측 패리티에 대한 자세한 내용은 '공정성 정의 설명' (섹션 3.2.1)을 참고하세요.

예측률 패리티

#fairness

예측 패리티의 또 다른 이름입니다.

사전 처리

#fairness

모델 학습에 사용되기 전에 데이터를 처리하는 것 사전 처리는 영어 사전에 나오지 않는 단어를 영어 텍스트 자료에서 삭제하는 것만큼 간단할 수도 있고 민감한 속성과 상관관계가 있는 속성을 최대한 많이 제거하는 방식으로 데이터 포인트를 다시 표현하는 것만큼 복잡할 수도 있습니다. 전처리는 공정성 제약 조건을 충족하는 데 도움이 될 수 있습니다.

선행 학습된 모델

#language

#image

#생성형AI

이미 학습이 완료된 모델 또는 모델 구성요소 (예: 임베딩 벡터)입니다. 선행 학습된 임베딩 벡터를 신경망에 입력하는 경우도 있습니다. 모델이 사전 학습된 임베딩에 의존하지 않고 임베딩 벡터를 직접 학습시키는 경우도 있습니다.

선행 학습된 언어 모델이라는 용어는 사전 학습을 거친 대규모 언어 모델을 의미합니다.

사전 학습

#language

#image

#생성형AI

대규모 데이터 세트에 대한 모델의 초기 학습입니다. 일부 선행 학습된 모델은 엉뚱한 거대 모델이며, 일반적으로 추가 학습을 통해 개선해야 합니다. 예를 들어 ML 전문가가 Wikipedia의 모든 영어 페이지와 같은 방대한 텍스트 데이터 세트에서 대규모 언어 모델을 사전 학습시킬 수 있습니다. 사전 학습 후에 다음 기법 중 하나를 통해 결과 모델을 더욱 세분화할 수 있습니다.

• 정류
• 미세 조정
• 명령 조정을
• 매개변수 효율적인 조정을
• 프롬프트 조정

사전 믿음

학습을 시작하기 전에 데이터에 대한 신념 예를 들어 L₂ 정규화는 가중치가 작아야 하고 0을 중심으로 정상적으로 분산되어야 한다는 사전 믿음에 의존합니다.

확률적 회귀 모델

각 특성의 가중치뿐만 아니라 이러한 가중치의 불확실성도 사용하는 회귀 모델입니다. 확률적 회귀 모델은 예측과 예측의 불확실성을 생성합니다 예를 들어 확률적 회귀 모델의 경우 표준 편차가 12이고 예측 값이 325일 수 있습니다. 확률적 회귀 모델에 관한 자세한 내용은 tensorflow.org의 Colab을 참고하세요.

확률 밀도 함수

특정 값을 정확히 가진 데이터 샘플의 빈도를 식별하는 함수입니다. 데이터 세트의 값이 연속 부동 소수점 숫자인 경우 완전 일치가 거의 발생하지 않습니다. 그러나 확률 밀도 함수를 x 값에서 y 값으로 integrating하면 x와 y 사이의 데이터 샘플에 예상되는 빈도가 생성됩니다.

예를 들어 평균이 200이고 표준 편차가 30인 정규 분포를 생각해 보세요. 211.4~218.7 범위에 속하는 데이터 샘플의 예상 빈도를 확인하려면 211.4에서 218.7 사이의 정규 분포에 대한 확률 밀도 함수를 통합하면 됩니다.

프롬프트

#language

#생성형AI

모델이 특정 방식으로 작동하도록 조건을 지정하기 위해 대규모 언어 모델에 대한 입력으로 입력된 텍스트 프롬프트는 문구만큼 짧을 수도 있고 임의로 길 수도 있습니다 (예: 소설의 전체 텍스트). 프롬프트는 다음 표에 표시된 카테고리를 포함하여 여러 카테고리로 분류됩니다.

프롬프트 카테고리	예시	Notes
문제	비둘기는 얼마나 빨리 날 수 있나요?
안내	광고용 사이트에 관한 재미있는 시를 써 줘	대규모 언어 모델에 무언가 수행하도록 요청하는 프롬프트
예시	마크다운 코드를 HTML로 변환합니다. 예: 마크다운: * 목록 항목 HTML: <ul> <li>목록 항목</li> </ul>	이 예시 프롬프트의 첫 번째 문장은 안내입니다 프롬프트의 나머지 부분은 예시입니다.
역할	물리학 박사 학위 취득을 위한 머신러닝 학습에 경사하강법이 사용되는 이유를 설명합니다.	문장의 첫 부분은 지시입니다. '물리학 박사 학위'라는 문구는 역할 부분입니다.
완료할 모델의 부분 입력	영국 총리는	부분 입력 프롬프트는 이 예시처럼 갑자기 끝나거나 밑줄로 끝날 수 있습니다.

생성형 AI 모델은 텍스트, 코드, 이미지, 임베딩, 동영상 등 거의 모든 것으로 프롬프트에 응답할 수 있습니다.

프롬프트 기반 학습

#language

#생성형AI

임의의 텍스트 입력 (프롬프트)에 응답하여 동작을 조정할 수 있는 특정 모델의 기능입니다. 일반적인 프롬프트 기반 학습 패러다임에서 대규모 언어 모델은 텍스트를 생성하여 프롬프트에 응답합니다. 예를 들어 사용자가 다음 프롬프트를 입력한다고 가정해 보겠습니다.

뉴턴의 운동 제3법칙 요약

프롬프트 기반 학습을 사용할 수 있는 모델은 이전 프롬프트에 답하도록 특별히 학습되지 않았습니다. 대신 모델은 물리학에 관한 많은 사실, 일반적인 언어 규칙, 일반적으로 유용한 답변을 구성하는 요소에 관해 많이 '알고' 있습니다. 이 정보는 (아마도) 유용한 답변을 제공하기에 충분합니다. 추가적인 인간 피드백 ('답변이 너무 복잡했습니다.' 또는 '반응은 무엇인가?')을 통해 일부 프롬프트 기반 학습 시스템은 답변의 유용성을 점진적으로 개선할 수 있습니다.

프롬프트 설계

#language

#생성형AI

프롬프트 엔지니어링의 동의어입니다.

프롬프트 엔지니어링

#language

#생성형AI

대규모 언어 모델에서 원하는 응답을 유도하는 프롬프트를 만드는 기술 인간이 프롬프트 엔지니어링을 수행합니다. 대규모 언어 모델의 유용한 응답을 보장하려면 구조화된 프롬프트를 작성하는 것이 필수적입니다. 프롬프트 엔지니어링은 다음과 같은 여러 요인에 따라 달라집니다

• 대규모 언어 모델을 사전 학습하고 미세 조정하는 데 사용되는 데이터 세트입니다.
• 모델이 응답을 생성하는 데 사용하는 temperature 및 기타 디코딩 매개변수입니다.

유용한 프롬프트 작성에 대한 자세한 내용은 프롬프트 설계 소개를 참조하세요.

프롬프트 설계는 프롬프트 엔지니어링의 동의어입니다.

프롬프트 조정

#language

#생성형AI

시스템에서 실제 프롬프트 앞에 추가하는 '프리픽스'를 학습하는 매개변수 효율적인 조정 메커니즘

프롬프트 조정(프리픽스 조정이라고도 함)의 한 가지 변형은 모든 레이어에서 프리픽스를 추가하는 것입니다. 반면에 대부분의 프롬프트 조정은 입력 레이어에 접두사만 추가합니다.

접두어에 대해 자세히 알아보려면 아이콘을 클릭하세요.

프롬프트 조정의 경우 '프리픽스'('소프트 프롬프트'라고도 함)는 실제 프롬프트의 텍스트 토큰 임베딩 앞에 추가된 소수의 학습된 태스크별 벡터입니다. 시스템은 다른 모든 모델 매개변수를 고정하고 특정 작업을 미세 조정하여 소프트 프롬프트를 학습합니다.

---

프록시 라벨

#fundamentals

데이터 세트에서 직접 사용할 수 없는 라벨의 근사치를 계산하는 데 사용되는 데이터입니다.

예를 들어 직원의 스트레스 수준을 예측하도록 모델을 학습시켜야 합니다. 데이터 세트에 많은 예측 특성이 있지만 스트레스 수준이라는 라벨은 포함되어 있지 않습니다. 당연히 스트레스 수준을 나타내는 프록시 라벨로 '직장 사고'를 선택합니다. 결국 스트레스가 많은 직원은 차분한 직원보다 더 많은 사고에 더 많이 듭니다. 아니면 실제로 발생했나요? 직장 내 사고는 실제로 여러 가지 이유로 증가하거나 감소할 수 있습니다.

두 번째 예로, is it raining?을 데이터 세트의 부울 라벨로 지정하려고 하지만 데이터 세트에 강우 데이터가 포함되어 있지 않다고 가정해 보겠습니다. 사진을 사용할 수 있는 경우 우산을 들고 있는 사람의 사진을 is it raining?의 프록시 라벨로 지정할 수 있습니다. 좋은 프록시 라벨인가요? 그럴 수도 있겠지만, 일부 문화권에서는 비보다 햇빛으로부터 보호하기 위해 우산을 가지고 다닐 가능성이 더 높을 수 있습니다.

프록시 라벨은 불완전하는 경우가 많습니다. 가능하면 프록시 라벨보다 실제 라벨을 선택하세요. 즉, 실제 라벨이 없으면 가장 좋지 않은 프록시 라벨 후보를 선택하여 프록시 라벨을 신중하게 선택합니다.

프록시 (민감한 속성)

#fairness

민감한 속성의 대체 속성으로 사용되는 속성입니다. 예를 들어 개인의 우편번호가 소득, 인종 또는 민족의 프록시로 사용될 수 있습니다.

순수 함수

출력이 입력에만 기반하고 부작용이 없는 함수입니다. 특히 순수 함수는 파일의 콘텐츠나 함수 외부의 변수 값과 같은 전역 상태를 사용하거나 변경하지 않습니다.

순수 함수를 사용하여 스레드로부터 안전한 코드를 만들 수 있습니다. 이는 여러 model에서 model 코드를 샤딩할 때 유용합니다.

JAX의 함수 변환 메서드를 사용하려면 입력 함수가 순수 함수여야 합니다.

Q

Q 함수

#rl

강화 학습에서 상태의 작업을 취한 다음 주어진 정책을 따름으로써 예상되는 수익을 예측하는 함수입니다.

Q-함수는 상태-작업 값 함수라고도 합니다.

Q-러닝

#rl

강화 학습에서 에이전트가 벨만 방정식을 적용하여 마르코프 결정 프로세스의 최적의 Q 함수를 학습하도록 허용하는 알고리즘입니다. 마르코프 의사 결정 프로세스는 환경을 모델링합니다.

분위수

분위수 버케팅의 각 버킷입니다.

분위수 버킷팅

각 버킷에 동일하거나 거의 동일한 수의 예시가 포함되도록 특성 값을 buckets에 배포합니다. 예를 들어 다음 그림에서는 44개의 점을 4개의 버킷으로 나누고 각 버킷에 11개의 점이 포함되어 있습니다. 그림의 각 버킷에 동일한 수의 점이 포함되도록 하기 위해 일부 버킷은 서로 다른 너비의 x값에 걸쳐 있습니다.

양자화

중복으로 정의된 용어로, 다음과 같은 방식으로 사용될 수 있습니다.

• 특정 특성에 분위수 버케팅 구현
• 더 빠른 저장, 학습, 추론을 위해 데이터를 0과 1로 변환 부울 데이터는 다른 형식보다 노이즈 및 오류에 더 강하기 때문에 양자화는 모델 정확성을 개선할 수 있습니다. 양자화 기법에는 반올림, 잘라내기, 비닝이 포함됩니다.

• 모델의 매개변수를 저장하는 데 사용되는 비트 수 줄이기 예를 들어 모델의 매개변수가 32비트 부동 소수점 숫자로 저장되었다고 가정해 보겠습니다. 양자화는 이러한 매개변수를 32비트에서 4비트, 8비트 또는 16비트로 변환합니다. 양자화는 다음을 줄여줍니다.

  • 컴퓨팅, 메모리, 디스크, 네트워크 사용량
  • 예측 추론 시간
  • 전력 소모량

  하지만 양자화로 인해 모델 예측의 정확성이 떨어질 수도 있습니다.

현재 재생목록

#TensorFlow

대기열 데이터 구조를 구현하는 TensorFlow 작업입니다. 일반적으로 I/O에서 사용됩니다.

R

RAG

#fundamentals

검색 증강 생성의 약어입니다.

랜덤 포레스트

#df

결정 트리의 앙상블로, 각 결정 트리가 배깅과 같은 특정 무작위 노이즈로 학습됩니다.

랜덤 포레스트는 결정 포레스트의 한 유형입니다.

무작위 정책

#rl

강화 학습에서 무작위로 작업을 선택하는 정책입니다.

순위

항목 목록을 정렬하는 것이 목표인 지도 학습의 한 유형입니다.

순위 (순서수)

클래스를 내림차순으로 분류하는 머신러닝 문제에서 클래스의 서수 위치입니다. 예를 들어 행동 순위 시스템은 반려견의 보상을 가장 높은 점수 (스테이크)부터 가장 낮은 점수 (시든 케일)까지 평가할 수 있습니다.

순위 (Tensor)

#TensorFlow

텐서의 차원 수입니다. 예를 들어 스칼라의 순위는 0이고, 벡터의 순위는 1이며, 행렬의 순위는 2입니다.

순위 (순서수)와 혼동하지 마시기 바랍니다.

평가자

#fundamentals

예시의 라벨을 제공하는 사람입니다. 'Annotator'는 평가자의 또 다른 이름입니다.

recall

다음 질문에 답할 수 있는 분류 모델의 측정항목입니다.

정답이 포지티브 클래스일 때 모델이 포지티브 클래스로 올바르게 식별한 예측의 비율은 얼마인가요?

공식은 다음과 같습니다.

\[\text{Recall} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}} \]

각 매개변수는 다음과 같습니다.

• 참양성은 모델이 양성 클래스를 올바르게 예측했다는 의미입니다.
• 거짓음성은 모델이 네거티브 클래스를 잘못 예측했음을 의미합니다.

예를 들어 모델에서 정답이 포지티브 클래스인 예시에 대해 200개의 예측을 수행했다고 가정해 보겠습니다. 예측 200개 중

• 180명은 참양성이었습니다.
• 20개는 거짓음성이었습니다.

이 경우에는 다음과 같습니다.

\[\text{Recall} = \frac{\text{180}} {\text{180} + \text{20}} = 0.9 \]

클래스 불균형 데이터 세트에 대한 메모 아이콘을 클릭합니다.

재현율은 포지티브 클래스가 드문 분류 모델의 예측 성능을 결정하는 데 특히 유용합니다. 예를 들어 특정 질병의 포지티브 클래스가 백만 명 중 10명의 환자에서만 발생하는 클래스 불균형 데이터 세트가 있다고 가정해 보겠습니다. 모델이 500만 건의 예측을 통해 다음과 같은 결과를 산출한다고 가정해 보겠습니다.

• 30 참양성
• 거짓음성 20개
• 4,999,000개 참음성
• 950 거짓양성

따라서 이 모델의 재현율은 다음과 같습니다.

recall = TP / (TP + FN)
recall = 30 / (30 + 20) = 0.6 = 60%

반면 이 모델의 정확성은 다음과 같습니다.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (30 + 4,999,000) / (30 + 4,999,000 + 950 + 20) = 99.98%

이처럼 높은 정확성이 굉장히 보이긴 해 보이지만 사실상 무의미합니다. 재현율은 정확성보다 클래스 불균형 데이터 세트에서 훨씬 더 유용한 측정항목입니다.

---

추천 시스템

#recsystems

각 사용자에 대해 큰 코퍼스에서 비교적 적은 수의 바람직한 항목 집합을 선택하는 시스템입니다. 예를 들어 동영상 추천 시스템에서 한 사용자에게는 카사블랑카와 필라델피아 스토리를 선택하고 다른 사용자에게는 원더 우먼과 블랙 팬서를 선택하여 100,000개의 동영상 코퍼스 중에서 두 개의 동영상을 추천할 수 있습니다. 동영상 추천 시스템은 다음과 같은 요소를 기반으로 추천을 제공할 수 있습니다.

• 비슷한 사용자가 평가하거나 시청한 영화
• 장르, 감독, 배우, 타겟 인구통계...

정류 선형 유닛 (ReLU)

#fundamentals

다음과 같은 동작을 갖는 활성화 함수입니다.

• 입력이 음수이거나 0이면 출력은 0입니다.
• 입력이 양수이면 출력은 입력과 같습니다.

예를 들면 다음과 같습니다.

• 입력이 -3이면 출력은 0입니다.
• 입력이 +3이면 출력은 3.0입니다.

다음은 ReLU의 도표입니다.

ReLU는 매우 널리 사용되는 활성화 함수입니다. ReLU는 간단한 동작에도 불구하고 여전히 신경망이 특성과 라벨 간의 비선형 관계를 학습할 수 있도록 지원합니다.

순환 신경망(RNN)

#seq

의도적으로 여러 번 실행되는 신경망으로, 각 실행의 일부가 다음 실행에 입력됩니다. 특히 이전 실행의 히든 레이어는 다음 실행에서 동일한 히든 레이어에 입력의 일부를 제공합니다. 순환 신경망(RNN)은 시퀀스를 평가하는 데 특히 유용합니다. 히든 레이어가 시퀀스의 초반에 대한 신경망의 이전 실행으로부터 학습할 수 있습니다.

예를 들어 다음 그림은 4번 실행되는 순환 신경망을 보여줍니다. 첫 번째 실행에서 히든 레이어에 학습된 값이 두 번째 실행에서 동일한 히든 레이어에 대한 입력의 일부가 됩니다. 마찬가지로 두 번째 실행에서 히든 레이어에 학습된 값은 세 번째 실행에서 동일한 히든 레이어에 대한 입력의 일부가 됩니다. 이러한 방식으로 순환 신경망은 개별 단어의 의미뿐만 아니라 전체 시퀀스의 의미를 점진적으로 학습시키고 예측합니다.

회귀 모델

#fundamentals

비공식적으로 수치 예측을 생성하는 모델입니다. 반면에 분류 모델은 클래스 예측을 생성합니다. 예를 들어 다음은 모두 회귀 모델입니다.

• 423,000유로와 같이 특정 주택의 가치를 예측하는 모델입니다.
• 23.2년과 같이 특정 나무의 기대 수명을 예측하는 모델입니다.
• 특정 도시에서 다음 6시간 동안 강수량(예: 0.18인치)이 내릴지 예측하는 모델입니다.

회귀 모델의 일반적인 두 가지 유형은 다음과 같습니다.

• 선형 회귀: 라벨 값에 가장 적합한 선을 찾습니다.
• 로지스틱 회귀: 일반적으로 시스템에서 클래스 예측에 매핑하는 0.0~1.0 사이의 확률을 생성합니다.

수치 예측을 출력하는 모든 모델이 회귀 모델인 것은 아닙니다. 경우에 따라 숫자 예측은 우연히 숫자 클래스 이름을 갖는 분류 모델일 뿐입니다. 예를 들어 숫자로 된 우편번호를 예측하는 모델은 회귀 모델이 아니라 분류 모델입니다.

정규화

#fundamentals

과적합을 줄이는 모든 메커니즘 정규화의 일반적인 유형은 다음과 같습니다.

• L₁ 정규화
• L₂ 정규화
• 드롭아웃 정규화
• 조기 중단 (정식으로 인정되는 정규화 방식은 아니지만 과적합을 효과적으로 제한할 수 있음)

정규화는 모델의 복잡도에 미치는 페널티로도 정의할 수 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

정규화는 직관적이지 않습니다. 정규화를 높이면 일반적으로 학습 손실이 증가하는데, 이는 학습 손실을 최소화하는 목표가 아니기 때문에 혼동을 일으킬 수 있습니다.

아니에요. 목표는 학습 손실을 최소화하는 것이 아닙니다. 실제 사례를 통해 탁월한 예측을 하는 것이 목표입니다. 놀랍게도 정규화를 높이면 학습 손실이 증가하지만 실제로는 모델의 실제 예시에 대해 더 나은 예측을 하는 데 도움이 됩니다.

---

정규화율

#fundamentals

학습 중 정규화의 상대적 중요도를 지정하는 숫자입니다. 정규화율을 높이면 과적합이 줄어들지만 모델의 예측 성능이 저하될 수 있습니다. 반대로 정규화율을 줄이거나 생략하면 과적합이 증가합니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

정규화율은 일반적으로 그리스 문자 람다로 표현됩니다. 다음은 람다의 영향을 보여주는 단순화된 손실 방정식입니다.

$$\text{minimize(loss function + }\lambda\text{(regularization))}$$

여기서 정규화는 다음을 포함한 모든 정규화 메커니즘입니다.

• L₁ 정규화
• L₂ 정규화

---

강화 학습 (RL)

#rl

환경과 상호작용할 때 수익을 극대화하는 것이 목표인 최적의 정책을 학습하는 알고리즘군입니다. 예를 들어 대부분의 게임에서 궁극적인 보상은 승리입니다. 강화 학습 시스템은 궁극적으로 승리로 이어진 이전 게임 동작의 시퀀스와 궁극적으로 패배로 이어진 시퀀스를 평가하여 복잡한 게임을 플레이하는 데 전문가가 될 수 있습니다.

인간 피드백 기반 강화 학습 (RLHF)

#생성형AI

#rl

평가자의 피드백을 사용하여 모델 응답의 품질을 개선합니다. 예를 들어 RLHF 메커니즘은 👍 또는 🏡 이모티콘을 사용하여 모델의 응답 품질을 평가하도록 사용자에게 요청할 수 있습니다. 그러면 시스템은 이 피드백을 기반으로 향후 응답을 조정할 수 있습니다

ReLU

#fundamentals

정류 선형 유닛의 약어입니다.

리플레이 버퍼

#rl

DQN 유사 알고리즘에서 에이전트가 환경 재생에서 사용할 상태 전환을 저장하는 데 사용하는 메모리입니다.

복제본

일반적으로 다른 머신에 있는 학습 세트 또는 모델의 사본입니다. 예를 들어 시스템에서 데이터 동시 로드를 구현하기 위해 다음과 같은 전략을 사용할 수 있습니다.

1. 기존 모델의 복제본을 여러 머신에 배치합니다.
2. 학습 세트의 서로 다른 하위 집합을 각 복제본에 전송합니다.
3. 매개변수 업데이트를 집계합니다.

보고 편향

#fairness

사용자가 작업, 결과 또는 속성에 대해 작성하는 빈도가 실제 빈도나 속성이 개인 클래스의 특징이 되는 정도를 반영한 것이 아니라는 사실입니다. 보고 편향은 머신러닝 시스템이 학습하는 데이터 구성에 영향을 줄 수 있습니다

예를 들어 책에서 웃음이라는 단어가 호흡보다 더 많이 나옵니다. 책 코퍼스에서 웃음과 호흡의 상대적 빈도를 추정하는 머신러닝 모델은 호흡보다 웃음이 더 일반적이라고 판단할 수 있습니다.

벡터 표현이

데이터를 유용한 특성에 매핑하는 과정입니다.

순위 재지정

#recsystems

추천 시스템의 마지막 단계로서 다른(일반적으로 비 ML) 알고리즘에 따라 점수를 매긴 항목을 다시 평가할 수 있습니다. 순위 재지정은 채점 단계에서 생성된 항목 목록을 평가하여 다음과 같은 조치를 취합니다.

• 사용자가 이미 구매한 항목 제거
• 새로운 항목의 점수를 높입니다.

검색 증강 생성 (RAG)

#fundamentals

모델 학습 후 검색한 지식 소스를 토대로 대규모 언어 모델 (LLM) 출력의 품질을 개선하는 기법입니다. RAG는 신뢰할 수 있는 기술 자료 또는 문서에서 검색한 정보에 대한 액세스 권한을 학습된 LLM에 제공하여 LLM 응답의 정확성을 개선합니다.

검색 증강 생성을 사용하는 일반적인 동기는 다음과 같습니다.

• 모델에서 생성된 응답의 사실 정확성을 높입니다.
• 모델이 학습하지 않은 지식에 대한 액세스 권한 부여
• 모델이 사용하는 지식 변경
• 모델이 출처를 인용할 수 있도록 설정합니다.

예를 들어 화학 앱이 PaLM API를 사용하여 사용자 쿼리와 관련된 요약을 생성한다고 가정해 보겠습니다. 앱의 백엔드가 쿼리를 수신하면 백엔드는 다음을 충족해야 합니다.

1. 사용자의 검색어와 관련된 데이터를 검색 ('검색')합니다.
2. 사용자의 검색어에 관련 화학 데이터를 추가 ('보강')합니다.
3. 추가된 데이터를 기반으로 요약을 만들도록 LLM에 지시합니다.

return

#rl

강화 학습에서 특정 정책과 특정 상태가 주어졌을 때 상담사가 상태에서 에피소드 끝까지 정책을 따를 때 받을 것으로 예상되는 모든 보상의 합계가 반환됩니다. 에이전트는 리워드를 얻는 데 필요한 상태 전환에 따라 리워드를 할인하여 예상되는 리워드의 지연된 특성을 고려합니다.

따라서 할인 계수가 \(\gamma\)이고 \(r_0, \ldots, r_{N}\)에피소드가 끝날 때까지 리워드를 표시하는 경우 수익 계산은 다음과 같습니다.

$$\text{Return} = r_0 + \gamma r_1 + \gamma^2 r_2 + \ldots + \gamma^{N-1} r_{N-1}$$

리워드

#rl

강화 학습에서 환경에 의해 정의된 상태에서 작업을 수행한 수치 결과입니다.

능형 정규화

L₂ 정규화의 동의어입니다. 능형 정규화라는 용어는 순수 통계 환경에서 더 자주 사용되고, L₂ 정규화는 머신러닝에서 더 자주 사용됩니다.

RNN

#seq

RNN(RNN)의 약어입니다.

ROC (수신자 조작 특성) 곡선

#fundamentals

바이너리 분류의 여러 분류 임계값에 대한 참양성률과 거짓양성률의 그래프.

ROC 곡선의 모양은 양성 클래스와 네거티브 클래스를 분리하는 이진 분류 모델의 기능을 나타냅니다. 예를 들어 이진 분류 모델이 모든 네거티브 클래스와 모든 포지티브 클래스를 완벽하게 분리한다고 가정해 보겠습니다.

이전 모델의 ROC 곡선은 다음과 같습니다.

반면에 다음 그림은 네거티브 클래스와 포지티브 클래스를 전혀 구분할 수 없는 비범한 모델의 원시 로지스틱 회귀 값을 그래프로 보여줍니다.

이 모델의 ROC 곡선은 다음과 같습니다.

한편 현실에서는 대부분의 이진 분류 모델은 양성 클래스와 네거티브 클래스를 어느 정도 분리하지만 일반적으로 완벽하지는 않습니다. 따라서 일반적인 ROC 곡선은 두 극단 사이의 어딘가에 위치합니다.

(0.0,1.0)에 가장 가까운 ROC 곡선상의 점은 이론적으로 이상적인 분류 임곗값을 나타냅니다. 그러나 이상적인 분류 임곗값의 선택에 영향을 미치는 다른 몇 가지 실제 문제가 있습니다. 예를 들어 거짓음성은 거짓양성보다 훨씬 더 큰 고통을 유발할 수 있습니다.

AUC라는 숫자 측정항목은 ROC 곡선을 단일 부동 소수점 값으로 요약합니다.

역할 프롬프팅

#language

#생성형AI

생성형 AI 모델 응답의 공유 대상 그룹을 식별하는 프롬프트의 선택적 부분입니다. 역할 프롬프트가 없는 대규모 언어 모델이 질문하는 사람에게 유용하지 않을 수도 있고 유용하지 않을 수도 있는 답변을 제공합니다. 역할 프롬프트를 사용하면 대규모 언어 모델이 특정 타겟층에 더 적절하고 유용한 방식으로 답변할 수 있습니다. 예를 들어 다음 프롬프트의 역할 프롬프트 부분은 굵은 글씨로 표시됩니다.

• 경제학 박사 학위 취득 경우 이 문서를 요약해 주세요.
• 10살짜리에게 조수의 원리를 설명해 줘.
• 2008년 금융 위기를 설명합니다. 어린 아이나 골든 리트리버에게 말할 것처럼 말하세요.

루트

#df

결정 트리의 시작 노드 (첫 번째 조건)입니다. 규칙에 따라 다이어그램은 의사 결정 트리의 맨 위에 루트를 배치합니다. 예를 들면 다음과 같습니다.

루트 디렉터리

#TensorFlow

여러 모델의 TensorFlow 체크포인트 및 이벤트 파일의 하위 디렉터리를 호스팅하기 위해 지정한 디렉터리입니다.

평균 제곱근 오차(RMSE)

#fundamentals

평균 제곱 오차의 제곱근입니다.

회전 불변

#image

이미지 분류 문제에서 알고리즘이 이미지의 방향이 바뀌더라도 이미지를 성공적으로 분류하는 능력입니다. 예를 들어 프로그래밍 방식으로 테니스 라켓이 위, 옆, 아래를 향하고 있는지 여전히 식별할 수 있습니다. 회전 불변이 항상 바람직한 것은 아닙니다. 예를 들어, 거꾸로 된 9는 9로 분류해서는 안 됩니다.

병진 불변 및 크기 불변도 참고하세요.

R-squared

회귀 측정항목은 개별 특성 또는 특성 세트로 인해 라벨이 얼마나 변하는지를 나타냅니다. R-제곱은 0과 1 사이의 값으로 다음과 같이 해석할 수 있습니다.

• R-제곱이 0이면 라벨 변이가 특성 세트로 인해 발생하지 않았음을 의미합니다.
• R-제곱이 1이면 라벨의 모든 변이가 특성 세트로 인해 발생한다는 의미입니다.
• 0과 1 사이의 R 제곱은 특정 특성 또는 특성 세트에서 라벨의 편차를 예측할 수 있는 정도를 나타냅니다. 예를 들어 R-제곱이 0.10이면 라벨 분산의 10%가 특성 세트로 인해 발생한다는 뜻이고, R 제곱이 0.20이면 20%가 특성 세트로 인해 발생한 것입니다. 이런 식으로 계속됩니다.

R-제곱은 모델이 예측한 값과 정답 간 피어슨 상관 계수의 제곱입니다.

토

표본 추출 편향

#fairness

표본 선택 편향을 참고하세요.

교체를 통한 샘플링

#df

동일한 항목을 여러 번 선택할 수 있는 후보 항목 집합에서 항목을 선택하는 메서드입니다. '대체 항목'이라는 문구는 각 선택 후 선택된 항목이 후보 항목 풀로 반환됨을 의미합니다. 역 메서드인 대체 없이 샘플링은 후보 항목을 한 번만 선택할 수 있음을 의미합니다.

예를 들어 다음 과일 세트를 생각해 보세요.

fruit = {kiwi, apple, pear, fig, cherry, lime, mango}

시스템에서 무작위로 fig를 첫 번째 항목으로 선택한다고 가정합니다. 샘플링을 대체하여 사용하는 경우 시스템은 다음 집합에서 두 번째 항목을 선택합니다.

fruit = {kiwi, apple, pear, fig, cherry, lime, mango}

예, 이전과 동일한 집합이므로 시스템에서 fig를 다시 선택할 수 있습니다.

대체 없이 샘플링을 사용하는 경우 샘플을 선택하면 다시 선택할 수 없습니다. 예를 들어 시스템에서 무작위로 fig를 첫 번째 샘플로 선택하면 fig를 다시 선택할 수 없습니다. 따라서 시스템은 다음과 같은 축소된 세트 중에서 두 번째 샘플을 선택합니다.

fruit = {kiwi, apple, pear, cherry, lime, mango}

추가 메모를 보려면 아이콘을 클릭하세요.

많은 사람들이 대체와 함께 샘플링에서 대체라는 단어를 혼동합니다. 영어에서 대체는 '대체'를 의미합니다. 그러나 대체를 사용하여 샘플링에서는 실제로 '대체물을 돌려보내는 것'을 의미하는 교체의 프랑스어 정의를 사용합니다.

영어 단어 replacement는 프랑스어 단어 remplacement로 번역됩니다.

---

SavedModel

#TensorFlow

TensorFlow 모델 저장 및 복구에 권장되는 형식입니다. SavedModel은 언어 중립적이며 복구 가능한 직렬화 형식으로 상위 수준의 시스템과 도구에서 TensorFlow 모델을 생성, 사용, 변환할 수 있게 해 줍니다.

자세한 내용은 TensorFlow 프로그래머 가이드의 저장 및 복원 챕터를 참조하세요.

알뜰

#TensorFlow

모델 체크포인트 저장을 담당하는 TensorFlow 객체입니다.

스칼라

순위 0의 텐서로 표현할 수 있는 단일 숫자 또는 단일 문자열입니다. 예를 들어, 다음 코드 줄은 각각 TensorFlow에서 하나의 스칼라를 만듭니다.

breed = tf.Variable("poodle", tf.string)
temperature = tf.Variable(27, tf.int16)
precision = tf.Variable(0.982375101275, tf.float64)

확장

라벨 또는 특성 값의 범위를 이동하는 수학적 변환 또는 기법입니다. 일부 확장 형식은 정규화와 같은 변환에 매우 유용합니다.

머신러닝에서 유용한 일반적인 확장 형태는 다음과 같습니다.

• 선형 배율로, 일반적으로 뺄셈과 나눗셈을 조합하여 원래 값을 -1과 +1 또는 0과 1 사이의 숫자로 바꿉니다.
• 대수 배율은 원래 값을 해당 로그로 대체합니다.
• Z-점수 정규화: 원래 값을 해당 특성 평균으로부터의 표준 편차 수를 나타내는 부동 소수점 값으로 대체합니다.

scikit-learn

널리 사용되는 오픈소스 머신러닝 플랫폼입니다. scikit-learn.org를 참조하세요.

점수 매기기

#recsystems

후보 생성 단계에서 생성된 각 항목의 값 또는 순위를 제공하는 추천 시스템의 부분입니다.

표본 선택 편향

#fairness

데이터에서 관찰된 샘플과 관찰되지 않은 샘플 간에 체계적인 차이를 발생시키는 선택 프로세스로 인해 샘플링된 데이터에서 도출된 결론의 오류 다음과 같은 형태의 표본 선택 편향이 존재합니다.

• 노출 편향: 데이터 세트에 나타나는 모집단이 머신러닝 모델이 예측하는 모집단과 일치하지 않습니다.
• 표본 추출 편향: 데이터가 대상 그룹에서 무작위로 수집되지 않습니다.
• 무응답 편향 (참여 편향이라고도 함): 특정 그룹의 사용자가 다른 그룹의 사용자와 다른 비율로 설문조사를 거부합니다.

예를 들어 영화에 대한 사람들의 즐거움을 예측하는 머신러닝 모델을 만든다고 가정해 보겠습니다. 학습 데이터를 수집하기 위해 영화를 상영하는 극장의 맨 앞줄에 있는 모든 사람에게 설문조사를 나눠줍니다. 이 방법은 데이터 세트를 수집하는 합리적인 방법처럼 들릴 수 있지만, 이러한 형태의 데이터 수집으로 인해 다음과 같은 선택 편향이 발생할 수 있습니다.

• 커버리지 편향: 영화를 시청하기로 한 모집단에서 샘플링하면 영화에 대한 관심도를 이미 표명하지 않은 사람들로 모델의 예측이 일반화되지 않을 수 있습니다.
• 표본 추출 편향: 의도한 인구 (영화에 나오는 모든 사람)에서 무작위로 샘플링하는 대신 맨 앞줄에 있는 사람들만 샘플링했습니다. 맨 앞줄에 앉아있는 사람들이 다른 줄에 있는 사람들보다 영화에 더 관심이 더 많을 수 있습니다.
• 무응답 편향: 일반적으로 의견을 강하게 표출하는 사람이 긍정적 의견을 가진 사람보다 선택적인 설문조사에 더 자주 응답합니다. 영화 설문조사는 선택사항이므로 응답은 일반적인 (종 모양) 분포가 아닌 이모달 분포를 형성할 가능성이 높습니다.

셀프 어텐션 (셀프 어텐션 계층이라고도 함)

#language

임베딩 시퀀스 (예: 토큰 임베딩)를 다른 임베딩 시퀀스로 변환하는 신경망 레이어입니다. 출력 시퀀스의 각 임베딩은 어텐션 메커니즘을 통해 입력 시퀀스 요소의 정보를 통합하여 구성됩니다.

self-attention의 self 부분은 다른 컨텍스트가 아닌 자체에 참여하는 시퀀스를 나타냅니다. 셀프 어텐션은 Transformer의 기본 구성 요소 중 하나이며 '쿼리', '키', '값'과 같은 사전 조회 용어를 사용합니다.

셀프 어텐션 레이어는 단어당 하나씩, 일련의 입력 표현으로 시작됩니다. 단어의 입력 표현은 간단한 임베딩일 수 있습니다. 네트워크는 입력 시퀀스의 각 단어에 대해 전체 단어 시퀀스에서 모든 요소와 단어의 관련성 점수를 매깁니다. 관련성 점수는 단어의 최종 표현이 다른 단어의 표현을 포함하는 정도를 결정합니다.

예를 들어 다음 문장을 생각해 보세요.

동물은 너무 피곤해서 길을 건너지 않았습니다.

다음 그림 (Transformer: 언어 이해를 위한 새로운 신경망 아키텍처)에서는 대명사 it에 대한 셀프 어텐션 레이어의 어텐션 패턴을 보여주며 각 줄의 어두움은 각 단어가 표현에 기여하는 정도를 나타냅니다.

셀프 어텐션 레이어는 '그것'과 관련된 단어를 강조 표시합니다. 이 경우 주목 계층은 동물에 가장 높은 가중치를 할당하여 그것이 언급할 수 있는 단어를 강조 표시하는 방법을 학습했습니다.

n개의 토큰 시퀀스의 경우 셀프 어텐션은 시퀀스의 각 위치에서 한 번씩, n개의 개별적인 임베딩 시퀀스를 변환합니다.

어텐션 및 멀티 헤드 셀프 어텐션도 참조하세요.

자기 지도 학습

라벨이 없는 예에서 서로게이트 라벨을 만들어 비지도 머신러닝 문제를 지도 머신러닝 문제로 변환하는 기술 모음입니다.

BERT와 같은 일부 Transformer 기반 모델은 자체 지도 학습을 사용합니다.

자체 지도 학습은 반지도 학습 접근 방식입니다.

자가 훈련

자체 지도 학습의 변형으로, 다음 조건을 모두 충족하는 경우에 특히 유용합니다.

• 데이터 세트에서 라벨이 있는 예와 라벨이 없는 예의 비율이 높습니다.
• 이것은 분류 문제입니다.

자체 학습은 모델 개선이 멈출 때까지 다음 두 단계를 반복하는 방식으로 작동합니다.

1. 지도 머신러닝을 사용하여 라벨이 있는 예를 기반으로 모델을 학습시킵니다.
2. 1단계에서 만든 모델을 사용하여 라벨이 없는 예에 대해 예측 (라벨)을 생성하고 신뢰도가 높은 예에 대해 예측 라벨이 있는 라벨 예를 옮깁니다.

2단계를 반복할 때마다 1단계에서 학습시킬 라벨이 지정된 예가 더 추가됩니다.

준지도 학습

일부 학습 예에는 라벨이 있지만 다른 예에는 없는 데이터로 모델을 학습시킵니다. 준지도 학습의 기술 중 하나는 라벨이 없는 예의 라벨을 추론한 다음 추론된 라벨을 학습하여 새 모델을 만드는 것입니다. 준지도 학습은 라벨을 얻는 데 비용이 많이 들지만 라벨이 없는 예가 많은 경우에 유용할 수 있습니다.

자체 학습은 준지도 학습 기술 중 하나입니다.

민감한 속성

#fairness

법적, 윤리적, 사회적 또는 개인적 이유로 특별히 고려할 수 있는 인간의 속성입니다.

감정 분석

#language

통계 또는 머신러닝 알고리즘을 사용하여 서비스, 제품, 조직 또는 주제에 대한 그룹의 전반적인 태도(긍정적 또는 부정적)를 결정합니다. 예를 들어 알고리즘은 자연어 이해를 사용하여 대학 과정의 텍스트 피드백에 대한 감정 분석을 수행하여 학생들이 과정을 좋아하거나 싫어하는 정도를 판단할 수 있습니다.

시퀀스 모델

#seq

입력에 순차적 종속 항목이 있는 모델입니다. 예를 들어 이전에 시청한 동영상의 시퀀스에서 다음에 시청할 동영상을 예측합니다.

시퀀스-투-시퀀스(Seq2Seq) 태스크

#language

tokens의 입력 시퀀스를 토큰의 출력 시퀀스로 변환하는 작업입니다. 예를 들어 널리 사용되는 두 가지 시퀀스-투-시퀀스(Seq2Seq) 태스크는 다음과 같습니다.

• 번역사:
  • 샘플 입력 시퀀스: '사랑해'
  • 샘플 출력 시퀀스: 'Je t'aime'
• 질의 응답:
  • 샘플 입력 시퀀스: '뉴욕시에서 내 차가 필요한가요?'
  • 샘플 출력 시퀀스: '아니요. 차를 집에 두시기 바랍니다.'

모델 서빙입니다

온라인 추론 또는 오프라인 추론을 통해 학습된 모델을 제공하여 예측을 제공하는 프로세스입니다.

셰이프 (텐서)

텐서의 각 차원에 있는 요소 수입니다. 도형은 정수 목록으로 표현됩니다. 예를 들어 다음 2차원 텐서의 형태는 [3,4]입니다.

[[5, 7, 6, 4],
 [2, 9, 4, 8],
 [3, 6, 5, 1]]

TensorFlow는 행 메이저 (C 스타일) 형식을 사용하여 차원 순서를 나타냅니다. 따라서 TensorFlow의 도형이 [4,3]가 아닌 [3,4]입니다. 즉, 2차원 TensorFlow 텐서에서 형태는 [행 수, 열 수]입니다.

샤드

#TensorFlow

#GoogleCloud

학습 세트 또는 모델의 논리적 분할입니다. 일반적으로 일부 프로세스는 예 또는 매개변수를 일반적으로 동일한 크기의 청크로 나누어 샤드를 만듭니다. 그런 다음 각 샤드가 다른 머신에 할당됩니다.

모델 샤딩을 모델 동시 로드라고 하고 데이터 샤딩을 데이터 동시 로드라고 합니다.

축소

#df

과적합을 제어하는 경사 부스팅의 초매개변수입니다. 경사 부스팅의 축소는 경사하강법의 학습률과 유사합니다. 축소는 0.0과 1.0 사이의 십진수 값입니다. 축소 값이 작을수록 축소 값이 클수록 과적합이 줄어듭니다.

시그모이드 함수

#fundamentals

일반적으로 0~1 또는 -1~+1의 제한된 범위로 입력 값을 '스퀴시'하는 수학 함수입니다. 즉, 시그모이드에 원하는 숫자 (2, 100만, 음수 등)를 전달할 수 있으며 출력은 여전히 제한된 범위에 속합니다. 시그모이드 활성화 함수의 도표는 다음과 같습니다.

시그모이드 함수는 머신러닝에서 다음과 같은 여러 용도로 사용됩니다.

• 로지스틱 회귀 또는 다항 회귀 모델의 원시 출력을 확률로 변환합니다.
• 일부 신경망에서 활성화 함수 역할을 합니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

입력 숫자 x에 대한 시그모이드 함수는 다음 공식을 갖습니다.

$$ sigmoid(x) = \frac{1}{1 + e^{-\text{x}}} $$

머신러닝에서 x는 일반적으로 가중치가 적용된 합계입니다.

---

유사성 측정

#clustering

클러스터링 알고리즘에서 두 예의 유사성을 측정하는 데 사용되는 측정항목입니다.

단일 프로그램 / 다중 데이터 (SPMD)

서로 다른 기기의 여러 입력 데이터에서 동시에 동일한 계산을 실행하는 동시 로드 기법입니다. SPMD의 목표는 결과를 더 빠르게 얻는 것입니다. 병렬 프로그래밍의 가장 일반적인 스타일입니다.

크기 불변

#image

이미지 분류 문제에서 알고리즘이 이미지의 크기가 변경되더라도 이미지를 성공적으로 분류하는 능력입니다. 예를 들어 알고리즘은 2백만 픽셀을 소비하든 200,000픽셀을 사용하든 고양이를 식별할 수 있습니다. 최고의 이미지 분류 알고리즘이라도 크기 불변에 있어서 실질적인 제한이 있다는 점에 유의하세요. 예를 들어 알고리즘이나 사람이 20픽셀만 사용하는 고양이 이미지를 올바르게 분류할 가능성은 낮습니다.

병진 불변 및 회전 불변도 참고하세요.

스케치

#clustering

비지도 머신러닝에서 예시에 대한 예비 유사성 분석을 수행하는 알고리즘의 카테고리입니다. 스케칭 알고리즘에서는 로컬 구분 해시 함수를 사용하여 유사할 가능성이 있는 점을 식별한 다음 버킷으로 그룹화합니다.

스케치를 사용하면 대규모 데이터 세트에서 유사성 계산에 필요한 계산이 줄어듭니다. 데이터 세트에 있는 모든 단일 예 쌍의 유사성을 계산하는 대신, 각 버킷 내 각 점 쌍의 유사성만 계산합니다.

스킵그램

#language

원래 컨텍스트에서 단어를 생략 (또는 '건너뜀')할 수 있는 n-그램으로, N개 단어가 원래 인접하지 않았을 수 있습니다. 더 정확히 말하면 'k-skip-n-gram'은 최대 k개의 단어를 건너뛰었을 수 있는 N-그램입니다.

예를 들어 '빠른 갈색 여우'는 다음과 같은 2-그램을 가질 수 있습니다.

• '빠른'
• "빠른 갈색"
• '갈색 여우'

'1-skip-2-gram'은 사이에 단어가 최대 1개 있는 단어 쌍입니다. 따라서 'The fast brown fox'는 다음과 같은 1-Skip 2-gram을 갖습니다.

• 'the brown'
• "빠른 여우"

또한, 한 단어 미만이 건너뛰어도 되므로 모든 2-그램은 또한 1-skip-2-gram입니다.

건너뛰기-그램은 단어 주변 컨텍스트를 더 많이 이해하는 데 유용합니다. 이 예에서 'fox'는 1-skip-2-gram 세트에서는 'quick'과 직접 연결되었지만 2-gram 세트에서는 연결되지 않았습니다.

건너뛰기-그램은 단어 임베딩 모델을 학습시키는 데 도움이 됩니다.

소프트맥스

#fundamentals

다중 클래스 분류 모델에서 가능한 각 클래스의 확률을 구하는 함수입니다. 확률의 합은 정확히 1.0이 됩니다. 예를 들어 다음 표에서는 소프트맥스가 다양한 확률을 분산하는 방법을 보여줍니다.

이미지 유형	확률
개	0.85
cat	0.13
말	0.02

소프트맥스는 전체 소프트맥스라고도 합니다.

후보 샘플링과 대비되는 개념입니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

소프트맥스 방정식은 다음과 같습니다.

$$\sigma_i = \frac{e^{\text{z}_i}} {\sum_{j=1}^{j=K} {e^{\text{z}_j}}} $$

각 항목의 의미는 다음과 같습니다.

• $\sigma_i$ 는 출력 벡터입니다. 출력 벡터의 각 요소는 이 요소의 확률을 지정합니다. 출력 벡터의 모든 요소의 합은 1.0입니다 출력 벡터에는 입력 벡터 $z$와 동일한 수의 요소가 포함되어 있습니다.
• $z$ 는 입력 벡터입니다. 입력 벡터의 각 요소에는 부동 소수점 값이 포함됩니다
• $K$ 는 입력 벡터 (및 출력 벡터)의 요소 수입니다.

예를 들어 입력 벡터가 다음과 같다고 가정해 보겠습니다.

[1.2, 2.5, 1.8]

따라서 소프트맥스는 다음과 같이 분모를 계산합니다.

$$\text{denominator} = e^{1.2} + e^{2.5} + e^{1.8} = 21.552$$

따라서 각 요소의 소프트맥스 확률은 다음과 같습니다.

$$\sigma_1 = \frac{e^{1.2}}{21.552} = 0.154 $$ $$\sigma_2 = \frac{e^{2.5}}{21.552} = 0.565 $$ $$\sigma_1 = \frac{e^{1.8}}{21.552} = 0.281 $$

따라서 출력 벡터는 다음과 같습니다.

$$\sigma = [0.154, 0.565, 0.281]$$

$\sigma$ 의 세 가지 원소의 합은 1.0입니다. 다양한 혜택이 마음에 드셨나요?

---

소프트 프롬프트 조정

#language

#생성형AI

리소스 집약적인 미세 조정 없이 특정 작업에 대해 대규모 언어 모델을 조정하는 기법입니다. 소프트 프롬프트 조정은 모델의 모든 가중치를 재학습시키는 대신 프롬프트를 자동으로 조정하여 동일한 목표를 달성합니다.

텍스트 프롬프트가 주어졌을 때 소프트 프롬프트 조정은 일반적으로 프롬프트에 토큰 임베딩을 추가하고 역전파를 사용하여 입력을 최적화합니다.

'하드' 프롬프트에는 토큰 임베딩 대신 실제 토큰이 포함됩니다.

희소 특성

#language

#fundamentals

대부분의 값이 0이거나 비어 있는 특성입니다. 예를 들어 값이 1개이고 0개의 값이 백만 개 있는 특성은 희소 특성입니다. 반대로 밀집 특성은 대개 0이 아니거나 비어 있는 값을 갖습니다.

머신러닝에서 희소 특성은 놀라울 정도로 많습니다. 범주형 특성은 일반적으로 희소 특성입니다. 예를 들어 숲에서 가능한 300종의 수목 중에서 한 가지 예로 단풍나무만 식별할 수 있습니다. 또는 동영상 라이브러리에 있는 수백만 개의 동영상 중에서 한 가지 예로 '카사블랑카'만 식별할 수 있습니다.

모델에서는 일반적으로 원-핫 인코딩으로 희소 특성을 표현합니다. 원-핫 인코딩이 큰 경우에는 효율성을 높이기 위해 원-핫 인코딩 위에 임베딩 레이어를 배치할 수 있습니다.

희소 표현

#language

#fundamentals

희소 지형지물에 0이 아닌 요소의 위치만 저장합니다.

예를 들어 species이라는 범주형 특성이 특정 산림에서 나무 36종을 식별한다고 가정해 보겠습니다. 또한 각 예가 단일 종만 식별한다고 가정합니다.

원-핫 벡터를 사용하여 각 예에서 수종을 나타낼 수 있습니다. 원-핫 벡터에는 단일 1 (해당 예에서 특정 수종을 나타냄) 및 35개의 0 (해당 예에 없는 수종 35종을 나타냄)가 포함됩니다. 따라서 maple의 원-핫 표현은 다음과 같을 수 있습니다.

또는 희소 표현은 단순히 특정 종의 위치를 식별합니다. maple이 위치 24에 있으면 maple의 희소 표현은 다음과 같습니다.

24

희소 표현은 원-핫 표현보다 훨씬 간결합니다.

참고: 희소 표현을 모델에 직접 특성 입력으로 전달해서는 안 됩니다. 대신 희소 표현을 학습하기 전에 원-핫 표현으로 변환해야 합니다.

아이콘을 클릭하면 좀 더 복잡한 예를 볼 수 있습니다.

모델의 각 예는 영어 문장에서 단어의 순서가 아니라 단어를 나타내야 한다고 가정합니다. 영어는 약 170,000개 단어로 구성되므로 영어는 약 170,000개의 요소가 있는 범주형 특성입니다. 대부분의 영어 문장은 이 170,000개 단어 중 극히 작은 부분을 사용하므로 한 예의 단어 집합은 거의 희소 데이터입니다.

다음 문장을 고려하세요.

My dog is a great dog

원-핫 벡터의 변형을 사용하여 이 문장의 단어를 나타낼 수 있습니다. 이 변형에서는 벡터의 여러 셀이 0이 아닌 값을 포함할 수 있습니다. 또한 이 변형에서는 셀에 1이 아닌 정수가 포함될 수 있습니다. 'my', 'is', 'a', 'great'라는 단어가 문장에서 한 번만 나타나지만 'dog'라는 단어는 두 번 나옵니다. 이 문장의 단어를 나타내기 위해 원-핫 벡터의 변형을 사용하면 다음과 같은 170,000개의 요소 벡터가 생성됩니다.

동일한 문장의 희소 표현은 다음과 같습니다.

0: 1
26100: 2
45770: 1
58906: 1
91520: 1

---

잘 모르겠다면 아이콘을 클릭하세요.

희소 표현은 그 자체가 희소 벡터가 아니기 때문에 '희소 표현'이라는 용어는 많은 사람들에게 혼동을 줍니다. 희소 표현은 실제로 희소 벡터의 밀집 표현입니다. 동의어 색인 표현은 '희소 표현'보다 조금 더 명확합니다.

---

희소 벡터

#fundamentals

값이 대부분 0인 벡터입니다. 희소 특성 및 희소성도 참고하세요.

희소성

벡터 또는 행렬에서 0 또는 null로 설정된 요소 수를 해당 벡터 또는 행렬의 총 항목 수로 나눈 값입니다. 예를 들어 98개의 셀에 0이 포함된 요소가 100개인 행렬이 있다고 가정해 보겠습니다. 희소성은 다음과 같이 계산합니다.

$$ {\text{sparsity}} = \frac{\text{98}} {\text{100}} = {\text{0.98}} $$

특성 희소성은 특성 벡터의 희소성을 의미하며 모델 희소성은 모델 가중치의 희소성을 의미합니다.

공간 풀링

#image

풀링을 참조하세요.

분할

#df

결정 트리에서 조건의 다른 이름

스플리터

#df

결정 트리를 학습하는 동안 각 노드에서 최적의 조건을 찾는 루틴과 알고리즘.

SPMD 는

단일 프로그램 / 다중 데이터의 약어입니다.

제곱 힌지 손실

힌지 손실의 제곱입니다. 제곱 힌지 손실은 일반 힌지 손실보다 이상점에 더 심각한 페널티를 적용합니다.

제곱 손실

#fundamentals

L₂ 손실의 동의어입니다.

단계적 학습

#language

불연속 단계의 시퀀스로 모델을 학습시키는 전략입니다. 목표는 학습 프로세스의 속도를 높이거나 모델 품질을 향상하는 것일 수 있습니다.

다음은 점진적 스태킹 접근 방식을 보여주는 그림입니다.

• 1단계에는 3개의 히든 레이어가, 2단계에는 6개의 히든 레이어가, 3단계에는 12개의 히든 레이어가 포함되어 있습니다.
• 2단계에서는 1단계의 히든 레이어 3개에서 학습된 가중치로 학습을 시작합니다. 3단계는 2단계의 히든 레이어 6개에서 학습된 가중치로 학습을 시작합니다.

파이프라이닝도 참고하세요.

state

#rl

강화 학습에서 에이전트가 작업을 선택하는 데 사용하는 환경의 현재 구성을 설명하는 매개변수 값입니다.

상태 작업 값 함수

#rl

Q-함수의 동의어입니다.

정적

#fundamentals

지속이 아닌 한 번만 수행하는 작업 용어 정적과 오프라인은 동의어입니다. 다음은 머신러닝에서 정적과 오프라인의 일반적인 용도입니다.

• 정적 모델 (또는 오프라인 모델)은 한 번 학습한 후 일정 시간 사용되는 모델입니다.
• 정적 학습 (또는 오프라인 학습)은 정적 모델을 학습시키는 프로세스입니다.
• 정적 추론 (또는 오프라인 추론)은 모델이 한 번에 하나의 일괄 예측을 생성하는 프로세스입니다.

동적과 대비되는 개념입니다.

정적 추론

#fundamentals

오프라인 추론의 동의어입니다.

정상성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되지 않는 특성입니다. 예를 들어 2021년과 2023년에 값이 거의 동일한 특성은 정상성을 나타냅니다.

실제로 정상성을 나타내는 기능은 거의 없습니다. 안정성 (예: 해수면)과 동의어인 특성도 시간이 지남에 따라 변화합니다.

비고정성과 대비되는 개념입니다.

단계

한 개의 배치에 대한 정방향 전달 및 역방향 전달입니다.

정방향 전달 및 역방향 전달에 대한 자세한 내용은 역전파를 참고하세요.

보폭

학습률의 동의어입니다.

확률적 경사하강법 (SGD)

#fundamentals

배치 크기가 1인 경사하강법 알고리즘입니다. 즉, SGD는 학습 세트에서 무작위로 균일하게 선택된 단일 예를 학습합니다.

보폭

#image

컨볼루셔널 연산이나 풀링에서 다음 일련의 입력 슬라이스의 각 차원의 델타입니다. 예를 들어 다음 애니메이션은 컨볼루셔널 연산 중 (1,1) 스트라이드를 보여줍니다. 따라서 다음 입력 슬라이스는 이전 입력 슬라이스의 오른쪽 한 위치에서 시작합니다. 연산이 오른쪽 가장자리에 도달하면 다음 슬라이스는 한 단계 아래 왼쪽 끝에 위치합니다.

앞의 예는 2차원 스트라이드를 보여줍니다. 입력 행렬이 3차원인 경우 스트라이드도 3차원이 됩니다.

구조적 위험 최소화 (SRM)

두 목표의 균형을 맞추는 알고리즘:

• 예측 가능성이 가장 높은 모델을 빌드해야 함 (예: 손실 최소화)
• 모델을 최대한 단순하게 유지해야 하는 경우 (예: 강력한 정규화)

예를 들어 손실을 최소화하고 학습 세트에 정규화를 적용하는 함수는 구조적 위험 최소화 알고리즘입니다.

경험적 위험 최소화와 대비되는 개념입니다.

서브 샘플링

#image

풀링을 참조하세요.

하위 단어 토큰

#language

언어 모델에서 단어의 하위 문자열인 토큰(전체 단어일 수 있음)

예를 들어 'itemize'와 같은 단어는 'item'(루트 단어)과 'ize' (접미사)라는 여러 조각으로 나눌 수 있으며 각 조각은 고유한 토큰으로 표현됩니다. 일반적이지 않은 단어를 하위 단어라고 부르는 이러한 조각으로 나누면 언어 모델이 접두사 및 접미어와 같은 단어의 보다 일반적인 구성 부분에서 작동할 수 있습니다.

반대로 'going'과 같은 일반적인 단어는 구분되지 않고 단일 토큰으로 표시될 수 있습니다.

요약

#TensorFlow

TensorFlow에서는 특정 단계에 계산된 값 또는 값 집합을 의미하며, 일반적으로 학습 중에 모델 측정항목을 추적하는 데 사용됩니다.

지도 머신러닝

#fundamentals

model 및 해당 model을 사용하여 model을 학습시킵니다. 지도 머신러닝은 일련의 질문과 그에 해당하는 답변을 공부하여 주제를 학습하는 것과 유사합니다. 질문과 답변 간의 매핑에 대해 숙달하고 나면 학생은 동일한 주제에 관해 이전에 본 적 없는 새로운 질문에 답변할 수 있습니다.

비지도 머신러닝과 비교되는 개념입니다.

합성 특성

#fundamentals

입력 특성 중에는 없지만 하나 이상의 입력 특성으로 조합된 특성입니다. 합성 특성을 생성하는 메서드는 다음과 같습니다.

• 연속 특성을 범위 빈으로 버케팅합니다.
• 특성 교차를 생성합니다.
• 하나의 특성 값에 다른 특성 값 또는 자체 특성 값을 곱하거나 나눕니다. 예를 들어 a 및 b가 입력 특성인 경우 합성 특성의 예는 다음과 같습니다.
  • ab
  • a²
• 특성 값에 초월 함수 적용 예를 들어 c가 입력 특성인 경우 다음은 합성 특성의 예입니다.
  • sin(c)
  • ln(c)

정규화 또는 조정만으로 생성된 특성은 합성 특성으로 간주되지 않습니다.

T

T5

#language

2020년 Google AI가 도입한 텍스트 간 전이 학습 모델입니다. T5는 초대형 데이터 세트로 학습된 Transformer 아키텍처에 기반한 인코더-디코더 모델입니다. 텍스트 생성, 언어 번역, 대화형 방식으로 질문에 답변하기 등 다양한 자연어 처리 태스크에 효과적입니다.

T5는 '텍스트 간 전송 Transformer'의 5가지 T에서 이름을 따왔습니다.

T5X

#language

대규모 자연어 처리(NLP) 모델을 빌드하고 학습하도록 설계된 오픈소스 머신러닝 프레임워크입니다. T5는 JAX 및 Flax를 기반으로 빌드된 T5X 코드베이스에 구현됩니다.

테이블 형식 Q-러닝

#rl

강화 학습에서는 상태와 액션의 모든 조합에 대한 Q 함수를 저장하는 테이블을 사용하여 Q-러닝을 구현합니다.

대상

라벨의 동의어입니다.

타겟 네트워크

#rl

딥 Q-러닝에서 기본 신경망은 안정적인 근사치인 신경망으로, 기본 신경망은 Q-함수 또는 정책을 구현합니다. 그런 다음 타겟 네트워크에서 예측한 Q-값으로 기본 네트워크를 학습시킬 수 있습니다. 따라서 메인 네트워크가 자체적으로 예측된 Q-값으로 학습시킬 때 발생하는 피드백 루프를 방지할 수 있습니다. 이러한 피드백을 피하면 학습 안정성이 향상됩니다.

태스크

다음과 같은 머신러닝 기법을 사용하여 해결할 수 있는 문제입니다.

• 분류
• 회귀
• 클러스터링
• 이상 감지

기온

#language

#image

#생성형AI

모델 출력의 무작위성 수준을 제어하는 초매개변수입니다. 온도가 높을수록 무작위 출력이 높아지고, 온도가 낮을수록 임의 출력이 낮아집니다.

최적의 온도를 선택하는 것은 특정 애플리케이션과 모델 출력의 기본 속성에 따라 다릅니다. 예를 들어 광고 소재 출력을 생성하는 애플리케이션을 만들 때 온도를 높일 수 있습니다. 반대로 이미지의 정확성과 일관성을 개선하기 위해 이미지나 텍스트를 분류하는 모델을 빌드할 때는 온도를 낮추게 될 것입니다.

온도는 소프트맥스와 함께 자주 사용됩니다.

시간적 데이터

서로 다른 시점에 기록된 데이터 예를 들어 겨울 코트 매출액을 날짜별로 기록하면 시간 데이터가 됩니다.

텐서

#TensorFlow

TensorFlow 프로그램의 기본 데이터 구조 텐서는 일반적으로 스칼라, 벡터 또는 행렬로 구성된 N차원(N은 매우 클 수 있음) 데이터 구조입니다. 텐서의 요소는 정수, 부동 소수점, 문자열 값을 포함할 수 있습니다.

TensorBoard

#TensorFlow

하나 이상의 TensorFlow 프로그램을 실행하는 동안 저장된 요약을 표시하는 대시보드입니다.

TensorFlow

#TensorFlow

대규모 분산형 머신러닝 플랫폼입니다. 이 용어는 Dataflow 그래프에서 일반적인 계산을 지원하는 TensorFlow 스택의 기본 API 레이어도 지칭합니다.

TensorFlow는 주로 머신러닝에 사용되지만, Dataflow 그래프를 사용한 수치 연산이 필요한 비ML 작업에도 TensorFlow를 사용할 수 있습니다.

TensorFlow Playground

#TensorFlow

다양한 초매개변수가 모델(주로 신경망) 학습에 미치는 영향을 시각화하는 프로그램입니다. TensorFlow Playground로 실험하려면 http://playground.tensorflow.org로 이동하세요.

TensorFlow Serving

#TensorFlow

학습된 모델을 프로덕션 환경에 배포하는 플랫폼입니다.

Tensor Processing Unit(TPU)

#TensorFlow

#GoogleCloud

머신러닝 워크로드의 성능을 최적화하는 애플리케이션별 집적회로 (ASIC)입니다. 이러한 ASIC는 TPU 기기에 여러 TPU 칩으로 배포됩니다.

텐서 순위

#TensorFlow

순위 (텐서)를 참조하세요.

텐서 형태

#TensorFlow

다양한 차원에서 텐서에 포함된 요소의 수입니다. 예를 들어 [5, 10] 텐서의 모양은 한 차원에서 5, 다른 차원에서 10입니다.

텐서 크기

#TensorFlow

텐서가 포함하는 스칼라의 총 개수입니다. 예를 들어 [5, 10] 텐서의 크기는 50입니다.

TensorStore

큰 다차원 배열을 효율적으로 읽고 쓰기 위한 라이브러리입니다.

종료 조건

#rl

강화 학습에서 에피소드가 종료되는 시점을 결정하는 조건(예: 에이전트가 특정 상태에 도달하거나 상태 전환의 기준점을 초과할 때)입니다. 예를 들어 tic-tac-toe (noughts 및 crosses라고도 함)에서는 플레이어가 세 개의 연속된 공백을 표시하거나 모든 공간이 표시되면 에피소드가 종료됩니다.

테스트

#df

결정 트리에서 조건의 다른 이름

테스트 손실

#fundamentals

테스트 세트에 대한 모델의 손실을 나타내는 측정항목입니다. model을 빌드할 때는 일반적으로 테스트 손실을 최소화하려고 합니다. 낮은 테스트 손실이 낮은 학습 손실이나 낮은 검증 손실보다 더 강력한 품질 신호이기 때문입니다.

테스트 손실과 학습 손실 또는 검증 손실 사이에 큰 차이가 있으면 정규화율을 높여야 함을 의미할 수도 있습니다.

테스트 세트

학습된 모델을 테스트하기 위해 예약된 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예를 다음과 같은 세 가지 하위 집합으로 나누었습니다.

• 학습 세트
• 검증 세트
• 테스트 세트

데이터 세트의 각 예는 앞의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 예시 하나가 학습 세트와 테스트 세트에 모두 속해서는 안 됩니다.

학습 세트와 검증 세트는 모두 모델 학습과 밀접한 관련이 있습니다. 테스트 세트는 학습과 간접적으로만 연결되므로 테스트 손실은 학습 손실이나 검증 손실보다 덜 편향적이고 품질이 높은 측정항목입니다.

텍스트 범위

#language

텍스트 문자열의 특정 하위 섹션과 연관된 배열 색인 스팬입니다. 예를 들어 Python 문자열 s="Be good now"의 good라는 단어는 3에서 6 사이의 텍스트 스팬을 차지합니다.

tf.Example

#TensorFlow

머신러닝 모델 학습 또는 추론을 위한 입력 데이터를 설명하는 표준 프로토콜 버퍼입니다.

tf.keras

#TensorFlow

TensorFlow에 통합된 Keras의 구현

임곗값 (결정 트리용)

#df

축 정렬 조건에서 특성을 비교할 값입니다. 예를 들어 다음 조건에서 75는 임곗값입니다.

grade >= 75

이러한 형태의 기준점이라는 용어는 분류 임곗값과 다릅니다.

시계열 분석

#clustering

머신러닝 및 통계학에서 시계열 데이터를 분석하는 하위 분야입니다. 분류, 클러스터링, 예측, 이상 감지 등 여러 유형의 머신러닝 문제에 시계열 분석이 필요합니다. 예를 들어 시계열 분석을 사용하여 이전 판매 데이터를 기반으로 월별 겨울 코트의 향후 판매를 예측할 수 있습니다.

타임스텝

#seq

순환 신경망에 있는 1개의 '언롤링된' 셀 예를 들어 다음 그림에는 아래 첨자 t-1, t, t+1로 라벨이 지정된 세 단계 단계가 나와 있습니다.

토큰

#language

언어 모델에서 모델이 학습하고 예측하는 원자 단위입니다. 토큰은 일반적으로 다음 중 하나입니다.

• 단어. 예를 들어 'dogs like cats'라는 문구는 'dogs', 'like', 'cats'라는 세 가지 단어 토큰으로 구성됩니다.
• 문자(예: 'bike fish')는 9자 토큰으로 구성됩니다. 공백은 토큰 중 하나로 계산됩니다.
• 하위 단어입니다. 여기서 한 단어는 단일 토큰 또는 여러 토큰이 될 수 있습니다. 하위 단어는 어근, 접두사 또는 접미어로 구성됩니다. 예를 들어 하위 단어를 토큰으로 사용하는 언어 모델은 'dogs'라는 단어를 2개의 토큰('dog'와 복수형 접미사 's')으로 볼 수 있습니다. 이 동일한 언어 모델은 한 단어 'taller'를 두 개의 하위 단어 (어근 단어 'tall'과 접미사 'er')로 볼 수 있습니다.

언어 모델 외부의 도메인에서 토큰은 다른 종류의 원자 단위를 나타낼 수 있습니다. 예를 들어 컴퓨터 비전에서 토큰은 이미지의 하위 집합일 수 있습니다.

탑

그 자체가 심층신경망인 심층신경망의 구성요소입니다. 경우에 따라 각 타워는 독립적인 데이터 소스에서 읽으며 이러한 타워는 출력이 최종 레이어에 결합될 때까지 독립적으로 유지됩니다. 다른 경우(예: 여러 트랜스포머의 인코더 및 디코더 스택/타워에서) 타워는 서로 상호 연결됩니다.

TPU

#TensorFlow

#GoogleCloud

Tensor Processing Unit의 약어입니다.

TPU 칩

#TensorFlow

#GoogleCloud

머신러닝 워크로드에 최적화된 온칩 고대역폭 메모리를 갖춘 프로그래밍 가능한 선형 대수 가속기입니다. 여러 TPU 칩이 TPU 기기에 배포됩니다.

TPU 기기

#TensorFlow

#GoogleCloud

여러 TPU 칩, 고대역폭 네트워크 인터페이스, 시스템 냉각 하드웨어가 포함된 인쇄 회로 기판 (PCB)

TPU 마스터

#TensorFlow

#GoogleCloud

데이터, 결과, 프로그램, 성능, 시스템 상태 정보를 TPU 작업자와 주고받는 호스트 머신에서 실행되는 중앙 조정 프로세스입니다. TPU 마스터는 TPU 기기의 설정 및 종료도 관리합니다.

TPU 노드

#TensorFlow

#GoogleCloud

특정 TPU 유형을 사용하는 Google Cloud의 TPU 리소스. TPU 노드는 피어 VPC 네트워크에서 VPC 네트워크에 연결됩니다. TPU 노드는 Cloud TPU API에 정의된 리소스입니다.

TPU Pod

#TensorFlow

#GoogleCloud

Google 데이터 센터의 특정 TPU 기기 구성 TPU Pod의 모든 기기는 전용 고속 네트워크를 통해 서로 연결됩니다. TPU Pod는 특정 TPU 버전에 사용할 수 있는 가장 큰 TPU 기기 구성입니다.

TPU 리소스

#TensorFlow

#GoogleCloud

사용자가 만들거나 관리하거나 사용하는 Google Cloud의 TPU 항목입니다. 예를 들어 TPU 노드와 TPU 유형은 TPU 리소스입니다.

TPU 슬라이스

#TensorFlow

#GoogleCloud

TPU 슬라이스는 TPU Pod 내 TPU 기기의 일부입니다. TPU 슬라이스의 모든 기기는 전용 고속 네트워크를 통해 서로 연결됩니다.

TPU 유형

#TensorFlow

#GoogleCloud

특정 TPU 하드웨어 버전을 가진 하나 이상의 TPU 기기 구성입니다. Google Cloud에서 TPU 노드를 만들 때 TPU 유형을 선택합니다. 예를 들어 v2-8 TPU 유형은 코어가 8개 있는 단일 TPU v2 기기입니다. v3-2048 TPU 유형에는 256개의 네트워킹된 TPU v3 기기와 총 2,048개의 코어가 있습니다. TPU 유형은 Cloud TPU API에 정의된 리소스입니다.

TPU 워커

#TensorFlow

#GoogleCloud

호스트 머신에서 실행되며 TPU 기기에서 머신러닝 프로그램을 실행하는 프로세스입니다.

학습

#fundamentals

모델을 구성하는 이상적인 매개변수 (가중치 및 편향)를 결정하는 프로세스입니다. 학습 중에 시스템은 예시를 읽고 점진적으로 매개변수를 조정합니다. 학습에서는 각 예시를 몇 번에서 수십억 번까지 사용합니다.

학습 손실

#fundamentals

특정 학습 반복 중 모델의 손실을 나타내는 측정항목입니다. 예를 들어 손실 함수가 평균 제곱 오차라고 가정해 보겠습니다. 10번째 반복의 학습 손실 (평균 제곱 오차)은 2.2이고 100번째 반복의 학습 손실은 1.9일 수 있습니다.

손실 곡선은 학습 손실과 반복 횟수를 비교하여 표시합니다. 손실 곡선은 학습에 대해 다음과 같은 힌트를 제공합니다.

• 하향 경사는 모델이 개선되고 있음을 의미합니다.
• 위쪽 경사는 모델이 점점 더 나빠지고 있음을 의미합니다.
• 평면 기울기는 모델이 수렴에 도달했음을 의미합니다.

예를 들어 다음의 다소 이상화된 손실 곡선은 다음과 같습니다.

• 초기 반복 중 급격한 하향 경사를 보이며 이는 빠른 모델 개선을 의미합니다.
• 학습이 끝날 때까지 점진적으로 평탄해지는 (그러나 계속 하향) 경사는 초기 반복보다 다소 느린 속도로 모델이 계속 개선되었음을 의미합니다.
• 학습이 종료될 때의 평평한 경사로, 수렴을 나타냅니다.

학습 손실이 중요하지만 일반화도 참고하세요.

학습-제공 편향

#fundamentals

학습 중 모델 성능과 서빙 중 동일한 모델의 성능 차이입니다.

학습 세트

#fundamentals

모델 학습에 사용되는 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예는 다음과 같은 세 가지 하위 집합으로 나뉩니다.

• 학습 세트
• 검증 세트
• 테스트 세트

데이터 세트의 각 예는 앞의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 예시 하나가 학습 세트와 검증 세트에 모두 속해서는 안 됩니다.

궤적

#rl

강화 학습에서 에이전트의 상태 전환 시퀀스를 나타내는 튜플 시퀀스로, 각 튜플은 상태, 액션, 보상, 특정 상태 전환의 다음 상태에 해당합니다.

전이 학습

한 머신러닝 태스크에서 다른 태스크로 정보를 전송합니다. 예를 들어 멀티 태스크 학습에서는 단일 모델이 여러 태스크를 해결합니다. 예를 들어 심층 모델은 태스크마다 출력 노드가 다릅니다. 전이 학습에는 더 간단한 작업의 솔루션 지식을 더 복잡한 작업으로 전송하거나 데이터가 더 많은 작업에서 데이터가 더 적은 작업으로 지식을 전송하는 것이 포함될 수 있습니다.

대부분의 머신러닝 시스템은 단일 작업을 해결합니다. 전이 학습은 하나의 프로그램으로 여러 작업을 해결할 수 있는 인공지능 개발의 초석이 됩니다.

Transformer

#language

Google에서 개발한 신경망 아키텍처로, 셀프 어텐션 메커니즘을 사용하여 컨볼루션 또는 순환 신경망에 의존하지 않고 일련의 입력 임베딩을 일련의 출력 임베딩으로 변환합니다. Transformer는 셀프 어텐션 레이어의 스택으로 볼 수 있습니다.

Transformer에는 다음 중 하나가 포함될 수 있습니다.

• 인코더
• 디코더
• 인코더와 디코더를

인코더는 임베딩 시퀀스를 동일한 길이의 새로운 시퀀스로 변환합니다. 인코더에는 동일한 레이어 N개가 있으며, 각 레이어에는 하위 레이어 두 개가 포함되어 있습니다. 이러한 두 하위 레이어가 입력 임베딩 시퀀스의 각 위치에 적용되어 시퀀스의 각 요소를 새 임베딩으로 변환합니다. 첫 번째 인코더 하위 레이어는 입력 시퀀스 전체에서 정보를 집계합니다. 두 번째 인코더 하위 레이어는 집계된 정보를 출력 임베딩으로 변환합니다.

디코더는 입력 임베딩 시퀀스를 다양한 길이의 출력 임베딩 시퀀스로 변환합니다. 디코더에는 3개의 하위 레이어가 있는 동일한 레이어 N개도 포함되며, 그 중 2개는 인코더 하위 레이어와 유사합니다. 세 번째 디코더 하위 레이어는 인코더의 출력을 가져와 셀프 어텐션 메커니즘을 적용하여 정보를 수집합니다.

Transformer: 언어 이해를 위한 새로운 신경망 아키텍처 블로그 게시물에서 트랜스포머를 간단히 소개합니다.

병진 불변

#image

이미지 분류 문제에서 알고리즘이 이미지 내 객체의 위치가 바뀌더라도 이미지를 성공적으로 분류하는 능력을 말합니다. 예를 들어 알고리즘은 개가 프레임의 중앙에 있든, 프레임의 왼쪽 끝에 있든, 개를 계속 식별할 수 있습니다.

크기 불변 및 회전 불변도 참고하세요.

트라이그램

#seq

#language

N=3인 N-그램입니다.

참음성 (TN)

#fundamentals

모델에서 네거티브 클래스를 올바르게 예측하는 예시입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아니며 해당 이메일 메시지가 실제로 스팸이 아니라고 추론합니다.

참양성 (TP)

#fundamentals

모델에서 포지티브 클래스를 올바르게 예측하는 예시입니다. 예를 들어 모델은 특정 이메일 메시지가 스팸이고 실제로는 스팸이라고 추론합니다

참양성률 (TPR)

#fundamentals

재현율의 동의어입니다. 이는 다음과 같은 의미입니다.

$$\text{true positive rate} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}}$$

참양성률은 ROC 곡선의 y축입니다.

U

인지하지 못함 (민감한 속성)

#fairness

민감한 속성이 있지만 학습 데이터에 포함되지 않는 상황. 민감한 속성은 데이터의 다른 속성과 상관관계가 있는 경우가 많으므로 민감한 속성을 인식하지 못한 상태로 학습된 모델은 해당 속성과 관련해 상이한 영향을 미치거나 다른 공정성 제약을 위반할 수 있습니다.

과소적합

#fundamentals

모델이 학습 데이터의 복잡성을 완전히 포착하지 못하여 예측 능력이 떨어지는 model 생성 다음과 같은 여러 문제로 인해 과소적합이 발생할 수 있습니다.

• 잘못된 특성 집합으로 학습
• 너무 적은 에포크 또는 너무 낮은 학습률로 학습
• 너무 높은 정규화율을 사용한 학습
• 심층신경망에 너무 적은 히든 레이어를 제공한 경우

언더샘플링

더 균형 있는 학습 세트를 만들기 위해 클래스 불균형 데이터 세트의 대부분 클래스에서 예를 삭제합니다.

예를 들어 다수 범주에 대한 다수 범주의 비율이 20:1인 데이터 세트를 가정해 보겠습니다. 이러한 클래스 불균형을 극복하기 위해 모든 소수 클래스 예시로 구성되었지만 대다수 클래스 예시 중 10분의 1만으로 구성된 학습 세트를 만들 수 있습니다. 그러면 학습 세트 클래스 비율이 2:1이 됩니다. 언더샘플링 덕분에 이 보다 균형 잡힌 학습 세트에서 더 나은 모델을 생성할 수 있습니다 또한 보다 균형 잡힌 학습 세트에는 효과적인 모델을 학습시키기 위한 예시가 충분하지 않을 수 있습니다.

오버샘플링과 대비되는 개념입니다.

단방향

#language

대상 텍스트 섹션 앞에 오는 텍스트만 평가하는 시스템입니다. 반면에 양방향 시스템은 텍스트의 타겟 섹션 앞에 있고 뒤에 오는 텍스트를 모두 평가합니다. 자세한 내용은 양방향을 참고하세요.

단방향 언어 모델

#language

대상 토큰 뒤가 아닌 앞에 나타나는 토큰만 확률을 기반으로 하는 언어 모델입니다. 양방향 언어 모델과 대비되는 개념입니다.

라벨이 없는 예

#fundamentals

특성은 포함하고 라벨은 포함하지 않는 예입니다. 예를 들어 다음 표에는 주택 평가 모델에서 라벨이 없는 예 3개가 나와 있으며, 각 예시에는 특성이 3개 포함되어 있지만 주택 가격은 없습니다.

침실 수	욕실 수	연식
3	2	15
2	1	72시간
4	2	34

지도 머신러닝에서 모델은 라벨이 있는 예를 학습하고 라벨이 없는 예를 기반으로 예측합니다.

반지도 및 비지도 학습에서는 라벨이 없는 예가 학습에 사용됩니다.

라벨이 없는 예와 라벨이 있는 예를 비교합니다.

비지도 머신러닝

#clustering

#fundamentals

일반적으로 라벨이 없는 데이터 세트에서 패턴을 찾도록 model을 학습시킵니다.

비지도 머신러닝의 가장 일반적인 용도는 데이터를 유사한 예의 그룹으로 클러스터링하는 것입니다. 예를 들어 비지도 머신러닝 알고리즘은 음악의 다양한 속성을 기반으로 노래를 클러스터링할 수 있습니다. 결과 클러스터는 다른 머신러닝 알고리즘 (예: 음악 추천 서비스)의 입력이 될 수 있습니다. 클러스터링은 유용한 라벨이 없거나 없을 때 도움이 될 수 있습니다. 예를 들어 악용 및 사기 방지와 같은 영역에서 클러스터는 사람이 데이터를 더 잘 이해하는 데 도움이 될 수 있습니다.

지도 머신러닝과 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

비지도 머신러닝의 또 다른 예는 주성분 분석 (PCA)입니다. 예를 들어 장바구니 수백만 개의 내용이 포함된 데이터 세트에 PCA를 적용하면 레몬이 들어 있는 장바구니에 제산제가 함께 들어 있는 경우가 많다는 사실을 알 수 있습니다.

---

상승 모델링

마케팅에서 일반적으로 사용되는 모델링 기법으로, '개인'에 대한 '처리'의 '인과적 영향'('증분 영향'이라고도 함)을 모델링합니다. 다음은 두 가지 예입니다.

• 의사는 상승 모델링을 사용하여 환자(개인)의 연령과 의료 이력에 따라 의료 시술 (치료)의 사망률 감소 (인과적 영향)를 예측할 수 있습니다.
• 마케팅 담당자는 증가 모델링을 사용하여 개인 (개인)에 대한 광고(처리)로 인한 구매 가능성의 증가 (인과적 효과)를 예측할 수 있습니다.

증가 모델링은 일부 라벨 (예: 바이너리 처리 라벨의 절반)이 상승 모델링에서 항상 누락된다는 점에서 분류 또는 회귀와 다릅니다. 예를 들어 환자는 치료를 받거나 받지 않을 수 있습니다. 따라서 이 두 상황 중 하나만 환자가 치유할지 여부만 관찰할 수 있습니다 (둘 다는 불가능함). 증가 모델의 주요 이점은 관찰되지 않은 상황 (반사실적)에 대한 예측을 생성하고 이를 사용하여 인과 효과를 계산할 수 있다는 것입니다.

가중치 보정

다운샘플링된 계수와 동일한 다운샘플링된 클래스에 가중치를 적용합니다.

사용자 매트릭스

#recsystems

추천 시스템에서 임베딩 벡터는 사용자 환경설정에 관한 잠재 신호를 보유하는 행렬 분해로 생성됩니다. 사용자 행렬의 각 행에는 단일 사용자에 대한 다양한 잠재 신호의 상대적 강도에 관한 정보가 포함되어 있습니다. 영화 추천 시스템을 예로 들어보겠습니다. 이 시스템에서 사용자 매트릭스의 잠재 신호는 특정 장르에 대한 각 사용자의 관심을 나타내거나 여러 요소에 걸친 복잡한 상호작용과 관련된 해석하기 어려운 신호일 수 있습니다.

사용자 행렬에는 각 잠재 특성에 대한 열과 각 사용자에 대한 행이 있습니다. 즉, 사용자 행렬에는 인수 분해되는 대상 행렬과 동일한 수의 행이 있습니다. 예를 들어 1,000,000명의 사용자를 대상으로 하는 영화 추천 시스템의 경우 사용자 행렬에는 1,000,000개의 행이 포함됩니다.

V

검증

#fundamentals

모델 품질의 초기 평가입니다. 검증은 검증 세트와 비교하여 모델의 예측 품질을 확인합니다.

검증 세트는 학습 세트와 다르기 때문에 검증을 통해 과적합을 방지할 수 있습니다.

검증 세트를 기준으로 모델을 평가하는 것은 1차 테스트로, 테스트 세트를 기준으로 모델을 평가하는 2차 테스트라고 생각할 수 있습니다.

검증 손실

#fundamentals

학습의 특정 반복 중에 검증 세트에 대한 모델의 손실을 나타내는 측정항목입니다.

일반화 곡선도 참고하세요.

검증 세트

#fundamentals

학습된 모델에 대해 초기 평가를 수행하는 데이터 세트의 하위 집합입니다. 일반적으로 검증 세트를 기준으로 학습된 모델을 여러 번 평가한 후 테스트 세트를 기준으로 모델을 평가합니다.

일반적으로 데이터 세트의 예를 다음과 같은 세 가지 하위 집합으로 나누었습니다.

• 학습 세트
• 검증 세트
• 테스트 세트

데이터 세트의 각 예는 앞의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 예시 하나가 학습 세트와 검증 세트에 모두 속해서는 안 됩니다.

값 대치

누락된 값을 허용되는 대체 값으로 바꾸는 과정입니다. 값이 누락된 경우 전체 예시를 삭제하거나 값 대치를 사용하여 예시를 복구할 수 있습니다.

예를 들어 매시간 기록되는 temperature 특성이 포함된 데이터 세트를 가정해 보겠습니다. 하지만 특정 시간에는 기온을 확인할 수 없었죠 다음은 데이터 세트의 섹션입니다.

타임스탬프	온도
1680561000	10
1680564600	12
1680568200	결측치
1680571800	20
1680575400	21
1680579000	21

시스템은 누락된 예를 삭제하거나 대치 알고리즘에 따라 누락된 온도를 12, 16, 18, 20으로 귀속할 수 있습니다.

경사 소실 문제

#seq

일부 심층신경망의 초기 히든 레이어 경사가 놀라울 정도로 평평한 (낮음) 경향을 보입니다. 경사가 점점 낮아질수록 심층신경망의 노드 가중치 변화가 점점 더 작아져 학습이 거의 또는 전혀 이루어지지 않습니다. 경사 소실 문제가 있는 모델은 학습이 어렵거나 불가능해집니다. 장기 단기 메모리 셀에서 이 문제를 해결합니다.

폭발 경사 문제와 비교해 보세요.

변수 중요도

#df

모델에 대한 각 특성의 상대적 중요도를 나타내는 점수 집합입니다.

예를 들어 주택 가격을 추정하는 결정 트리가 있다고 가정해 보겠습니다. 이 결정 트리가 크기, 연령, 스타일이라는 세 가지 특성을 사용한다고 가정해 보겠습니다 세 특성의 변수 중요도 집합이 {size=5.8, age=2.5, style=4.7}로 계산되면 결정 트리에서 연령 또는 스타일보다 크기가 더 중요합니다.

ML 전문가에게 모델의 다양한 측면을 알릴 수 있는 다양한 변수 중요도 측정항목이 있습니다.

변이 자동 인코더 (VAE)

#language

입력과 출력 간의 불일치를 활용하여 수정된 버전의 입력을 생성하는 autoencoder의 한 유형입니다. 변분 자동 인코더는 생성형 AI에 유용합니다.

VAE는 확률 모델의 매개변수를 추정하는 기법인 변이 추론을 기반으로 합니다.

벡터

여러 수학 및 과학 분야에 따라 그 의미가 다른, 과부하가 걸리는 용어입니다. 머신러닝에서 벡터에는 두 가지 속성이 있습니다.

• 데이터 유형: 머신러닝의 벡터는 일반적으로 부동 소수점 숫자를 포함합니다.
• 요소 수: 벡터의 길이 또는 차원입니다.

예를 들어 8개의 부동 소수점 숫자를 포함하는 특성 벡터가 있다고 가정해 보겠습니다. 이 특성 벡터의 길이 또는 차원은 8입니다. 머신러닝 벡터는 종종 엄청나게 많은 차원을 갖습니다.

다양한 종류의 정보를 벡터로 표현할 수 있습니다. 예를 들면 다음과 같습니다.

• 지구 표면의 모든 위치는 2차원 벡터로 표현할 수 있습니다. 여기서 한 차원은 위도이고 다른 차원은 경도입니다.
• 500개 주식의 현재 가격은 500차원 벡터로 표현할 수 있습니다.
• 유한한 수의 클래스에 대한 확률 분포는 벡터로 표현할 수 있습니다. 예를 들어 세 가지 출력 색상 (빨간색, 녹색, 노란색) 중 하나를 예측하는 멀티클래스 분류 시스템은 P[red]=0.3, P[green]=0.2, P[yellow]=0.5를 의미하는 벡터 (0.3, 0.2, 0.5)를 출력할 수 있습니다.

벡터를 연결할 수 있습니다. 따라서 다양한 미디어를 단일 벡터로 표현할 수 있습니다. 일부 모델은 여러 원-핫 인코딩을 연결하여 직접 작동합니다.

TPU와 같은 특수 프로세서는 벡터에서 수학 연산을 수행하는 데 최적화되어 있습니다.

벡터는 rank 1인 텐서입니다.

W

Wasserstein 손실

생성된 데이터와 실제 데이터 분포 사이의 지구 이동자 거리를 기반으로 하는 생성적 적대 신경망에서 일반적으로 사용되는 손실 함수 중 하나입니다.

가중치

#fundamentals

모델이 다른 값과 곱하는 값입니다. 학습은 모델의 이상적인 가중치를 결정하는 프로세스이고, 추론은 학습된 가중치를 사용하여 예측하는 프로세스입니다.

선형 모델에서 가중치의 예를 보려면 아이콘을 클릭하세요.

두 개의 특성이 있는 선형 모델을 상상해 보세요. 학습이 다음과 같은 가중치 (및 편향)를 결정한다고 가정합니다.

• 편향 b의 값은 2.2입니다.
• 하나의 특성과 연관된 가중치 w₁은 1.5입니다.
• 다른 특성과 관련된 가중치 w₂는 0.4입니다.

이제 다음과 같은 특성 값을 가진 예시를 생각해 보세요.

• 하나의 특성인 x₁의 값은 6입니다.
• 다른 특성 x₂의 값은 10입니다.

이 선형 모델은 다음 수식을 사용하여 예측 y'를 생성합니다.

$$y' = b + w_1x_1 + w_2x_2$$

따라서 예측은 다음과 같습니다.

$$y' = 2.2 + (1.5)(6) + (0.4)(10) = 15.2$$

가중치가 0이면 해당 특성은 모델에 기여하지 않습니다. 예를 들어 w₁이 0이면 x₁ 값은 관련이 없습니다.

---

Weighted Alternating Least Squares (WALS)

#recsystems

추천 시스템에서 행렬 분해 중에 목적 함수를 최소화하는 알고리즘으로, 누락된 예시의 가중치를 낮출 수 있습니다. WALS는 행 분해와 열 분해를 번갈아 가며 원본 행렬과 재구성 사이의 가중 제곱 오차를 최소화합니다. 이러한 각 최적화는 최소 제곱 볼록 최적화로 해결할 수 있습니다. 자세한 내용은 추천 시스템 과정을 참고하세요.

가중치가 적용된 합계

#fundamentals

모든 관련 입력 값의 합계에 해당 가중치를 곱한 값입니다. 예를 들어 관련 입력이 다음과 같이 구성되어 있다고 가정해 보겠습니다.

입력 값	입력 가중치
2	-1.3점
-1	0.6
3	0.4

따라서 가중치가 적용된 합계는 다음과 같습니다.

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

가중치가 적용된 합계는 활성화 함수의 입력 인수입니다.

와이드 모델

일반적으로 많은 희소 입력 특성을 갖는 선형 모델입니다. 이러한 모델은 출력 노드에 직접 연결되는 많은 수의 입력을 갖는 특수한 유형의 신경망이므로 '와이드'라고 부릅니다. 와이드 모델은 심층 모델보다 디버그 및 검사가 더 쉬운 경우가 많습니다. 와이드 모델은 히든 레이어를 통해 비선형성을 표현할 수 없지만, 와이드 모델은 특성 교차 및 버킷화와 같은 변환을 사용하여 비선형성을 다양한 방식으로 모델링할 수 있습니다.

심층 모델과 대비되는 개념입니다.

너비

신경망의 특정 레이어에 있는 뉴런의 수입니다.

군중의 지혜

#df

많은 사람 ('군중')의 의견이나 추정치를 평균화하면 놀라울 정도로 좋은 결과를 얻는 경우가 많습니다. 예를 들어 사람들이 큰 항아리에 담긴 젤리빈의 수를 추측하는 게임을 생각해 보세요. 대부분의 개별 추측은 정확하지 않지만 모든 추측의 평균이 경험적으로 항아리에 들어 있는 실제 젤리빈 수에 놀라울 정도로 가깝습니다.

앙상블은 군중의 지혜를 보여주는 소프트웨어 아날로그입니다. 개별 모델에서 매우 부정확한 예측을 하는 경우에도 많은 모델의 예측을 평균화하면 놀라울 정도로 좋은 예측이 생성되는 경우가 많습니다. 예를 들어 개별 결정 트리는 예측이 제대로 되지 않을 수 있지만 결정 포레스트는 종종 아주 좋은 예측을 할 수 있습니다.

단어 임베딩

#language

임베딩 벡터 내 단어 집합의 각 단어를 표현합니다. 즉, 각 단어를 0.0과 1.0 사이의 부동 소수점 값으로 구성된 벡터로 표현합니다. 의미가 비슷한 단어는 의미가 다른 단어보다 더 유사하게 표현됩니다. 예를 들어 당근, 셀러리, 오이는 모두 상대적으로 유사한 표현으로, 비행기, 선글라스, 치약과는 상당히 다릅니다.

X

XLA (Accelerated Linear Algebra)

GPU, CPU, ML 가속기를 위한 오픈소스 머신러닝 컴파일러입니다.

XLA 컴파일러는 PyTorch, TensorFlow, JAX와 같이 널리 사용되는 ML 프레임워크의 모델을 가져와 GPU, CPU, ML 가속기를 포함한 다양한 하드웨어 플랫폼에서 고성능 실행을 위해 모델을 최적화합니다.

Z

제로샷 학습

머신러닝 학습 유형으로, 모델이 아직 학습하지 않은 작업에 대한 예측을 추론합니다. 즉, 모델에 작업별 학습 예시는 제공되지 않지만 해당 작업에 대한 추론을 수행해야 합니다.

제로샷 프롬프팅

#language

#생성형AI

대규모 언어 모델의 응답 방법의 예시를 제공하지 않는 프롬프트 예를 들면 다음과 같습니다.

프롬프트 구성 요소	Notes
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문입니다.
인도:	실제 쿼리입니다.

대규모 언어 모델은 다음과 같이 응답할 수 있습니다.

• 루피 기호
• INR
• ₹
• 인도 루피
• 루피
• 인도 루피

모든 답변이 정확하지만 특정 형식을 선호할 수도 있습니다.

제로샷 프롬프팅을 다음 용어와 비교 및 대조하세요.

• 원샷 프롬프팅
• 퓨샷 프롬프팅

Z-점수 정규화

#fundamentals

조정 기법: 원시 특성 값을 해당 특성 평균으로부터의 표준 편차 수를 나타내는 부동 소수점 값으로 대체합니다. 예를 들어 평균이 800이고 표준 편차가 100인 특성이 있다고 가정해 보겠습니다. 다음 표는 Z-점수 정규화를 통해 원시 값을 Z-점수에 매핑하는 방법을 보여줍니다.

원본 값	Z-점수
800	0
950	+1.5
575	-2.25

그런 다음 머신러닝 모델은 원시 값 대신 해당 특성의 Z-점수를 학습합니다.