머신러닝 용어집

이 용어집에서는 머신러닝 용어를 정의합니다.

알고 계셨나요?

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

A

절제

모델에서 일시적으로 삭제하여 특성 또는 구성요소의 중요도를 평가하는 기법입니다. 그런 다음 해당 기능이나 구성요소 없이 모델을 재학습합니다. 재학습한 모델의 성능이 크게 저하되면 삭제된 기능이나 구성요소가 중요했을 가능성이 높습니다.

예를 들어 10개의 기능에 대해 분류 모델을 학습하고 테스트 세트에서 88% 의 정확도를 달성했다고 가정해 보겠습니다. 첫 번째 특성의 중요도를 확인하려면 다른 9개 특성만 사용하여 모델을 재학습할 수 있습니다. 재학습된 모델의 성능이 크게 저하되는 경우 (예: 정확도 55%) 삭제된 특성이 중요했을 가능성이 높습니다. 반대로 재학습된 모델의 성능이 동일하게 우수하다면 해당 특성이 그다지 중요하지 않은 것일 수 있습니다.

또한 삭제는 다음의 중요성을 판단하는 데 도움이 될 수 있습니다.

• 더 큰 ML 시스템의 전체 하위 시스템과 같은 더 큰 구성요소
• 데이터 사전 처리 단계와 같은 프로세스 또는 기법

두 경우 모두 구성요소를 삭제한 후 시스템 성능이 어떻게 변경되는지 (또는 변경되지 않는지) 확인할 수 있습니다.

A/B 테스트

두 개 이상의 기법 (A 및 B)을 비교하는 통계적 방법입니다. 일반적으로 A는 기존 기법이고 B는 새로운 기법입니다. A/B 테스트를 통해 실적이 더 우수한 기법을 파악할 뿐만 아니라 차이가 통계적으로 유의미한지 여부도 확인할 수 있습니다.

A/B 테스트는 일반적으로 두 가지 기법에서 단일 측정항목을 비교합니다. 예를 들어 두 기법에서 모델 정확성을 어떻게 비교할 수 있을까요? 하지만 A/B 테스트에서는 유한 개수의 측정항목을 비교할 수도 있습니다.

가속기 칩

#GoogleCloud

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

가속기 칩 (줄여서 가속기)은 범용 CPU에 비해 학습 및 추론 작업의 속도와 효율성을 크게 높일 수 있습니다. 이는 신경망 학습 및 유사한 계산 집약적인 작업에 이상적입니다.

가속기 칩의 예는 다음과 같습니다.

• 심층 학습을 위한 전용 하드웨어가 포함된 Google의 Tensor Processing Unit (TPU)
• NVIDIA의 GPU는 원래 그래픽 처리용으로 설계되었지만 병렬 처리를 지원하도록 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 예측 40개와 잘못된 예측 10개를 한 모델의 정확도는 다음과 같습니다.

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

이진 분류는 올바른 예측과 잘못된 예측의 다양한 카테고리에 관한 구체적인 이름을 제공합니다. 따라서 이진 분류의 정확성 수식은 다음과 같습니다.

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

각 항목의 의미는 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.

정확성을 정밀도 및 재현율과 비교 및 대조합니다.

정확도 및 클래스 불균형 데이터 세트에 관한 세부정보를 보려면 아이콘을 클릭하세요.

정확도는 경우에 따라 유용한 측정항목이지만 경우에 따라 매우 혼동을 줄 수 있습니다. 특히 정확도는 일반적으로 클래스 불균형 데이터 세트를 처리하는 분류 모델을 평가하는 데 적합하지 않은 측정항목입니다.

예를 들어 특정 아열대 도시에 100년에 25일만 눈이 내린다고 가정해 보겠습니다. 눈이 내리지 않은 날 (음성 클래스)이 눈이 내린 날 (양성 클래스)보다 훨씬 많으므로 이 도시의 눈 데이터 세트는 클래스 불균형 상태입니다. 매일 눈이 내릴지 내리지 않을지 예측해야 하지만 매일 '눈이 내리지 않음'만 예측하는 이진 분류 모델을 생각해 보세요. 이 모델은 매우 정확하지만 예측력이 없습니다. 다음 표에는 100년 동안의 예측 결과가 요약되어 있습니다.

카테고리	숫자
TP	0
TN	36499
FP	0
FN	25

따라서 이 모델의 정확도는 다음과 같습니다.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36499) / (0 + 36499 + 0 + 25) = 0.9993 = 99.93%

99.93% 의 정확성은 매우 인상적인 비율로 보이지만 실제로는 모델의 예측 성능이 없습니다.

정밀도 및 재현율은 일반적으로 클래스 불균형 데이터 세트에서 학습된 모델을 평가하는 데 정확성보다 유용한 측정항목입니다.

---

자세한 내용은 머신러닝 단기집중과정의 분류: 정확성, 재현율, 정밀도, 관련 측정항목을 참고하세요.

action

#rl

강화 학습에서 에이전트가 환경의 상태 간에 전환하는 메커니즘입니다. 상담사는 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
• Sigmoid

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

시그모이드 활성화 함수의 그래프는 다음과 같습니다.

아이콘을 클릭하여 예를 확인하세요.

신경망에서 활성화 함수는 뉴런에 대한 모든 입력의 가중치가 적용된 합계를 조작합니다. 가중치 합계를 계산하기 위해 뉴런은 관련 값과 가중치의 곱을 더합니다. 예를 들어 뉴런에 대한 관련 입력이 다음으로 구성된다고 가정해 보겠습니다.

입력 값	입력 가중치
2	-1.3
-1	0.6
3	0.4

따라서 가중치 합계는 다음과 같습니다.

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

이 신경망의 설계자가 시그모이드 함수를 활성화 함수로 선택한다고 가정해 보겠습니다. 이 경우 뉴런은 -2.0의 시그모이드를 계산하여 약 0.12를 얻습니다. 따라서 신경망의 다음 레이어에 -2.0이 아닌 0.12를 전달합니다. 다음 그림은 프로세스의 관련 부분을 보여줍니다.

---

자세한 내용은 머신러닝 단기집중과정에서 신경망: 활성화 함수를 참고하세요.

능동적 학습

알고리즘이 학습하는 데이터 중 일부를 선택하는 학습 방법입니다. 능동적 학습은 라벨이 지정된 예가 부족하거나 비싸서 취득하기 어려운 경우에 유용합니다. 무조건 다양한 범위의 라벨이 지정된 예시를 찾는 대신, 능동적 학습 알고리즘은 학습에 필요한 특정 범위의 예시를 선택적으로 찾습니다.

AdaGrad

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

에이전트

#rl

강화 학습에서 정책을 사용하여 환경의 상태 간에 전환할 때 얻은 예상 수익을 극대화하는 항목입니다.

더 일반적으로 에이전트는 목표를 달성하기 위해 일련의 작업을 자율적으로 계획하고 실행하는 소프트웨어로, 환경의 변화에 적응할 수 있는 기능을 갖추고 있습니다. 예를 들어 LLM 기반 에이전트는 강화 학습 정책을 적용하는 대신 LLM을 사용하여 계획을 생성할 수 있습니다.

병합형 군집화

#clustering

계층적 군집화를 참고하세요.

이상 감지

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

AR

증강 현실의 약어입니다.

PR 곡선 아래의 면적

PR AUC (PR 곡선 아래 영역)를 참고하세요.

ROC 곡선 아래 영역

AUC (ROC 곡선 아래 영역)를 참고하세요.

범용 인공지능

문제 해결, 창의성, 적응성의 다양한 측면을 보여주는 비인간 메커니즘입니다. 예를 들어 인공 일반 지능을 보여주는 프로그램은 텍스트를 번역하고, 교향곡을 작곡하고, 아직 발명되지 않은 게임에서 뛰어난 실력을 발휘할 수 있습니다.

인공지능

#fundamentals

인간이 아닌 프로그램 또는 정교한 작업을 해결할 수 있는 모델입니다. 예를 들어 텍스트를 번역하는 프로그램이나 모델 또는 방사선 이미지에서 질병을 식별하는 프로그램이나 모델은 모두 인공지능을 보여줍니다.

엄밀히 말해 머신러닝은 인공지능의 하위 분야입니다. 그러나 최근 몇 년 동안 일부 조직에서는 인공지능과 머신러닝이라는 용어를 상호 교환하여 사용하기 시작했습니다.

Attention,

#language

특정 단어 또는 단어의 일부의 중요성을 나타내는 신경망에 사용되는 메커니즘입니다. 어텐션은 모델이 다음 토큰/단어를 예측하는 데 필요한 정보의 양을 압축합니다. 일반적인 주목 메커니즘은 입력 집합에 대한 가중치 합계로 구성될 수 있으며, 여기서 각 입력의 가중치는 신경망의 다른 부분에서 계산됩니다.

Transformer의 구성요소인 셀프 어텐션 및 멀티헤드 셀프 어텐션도 참고하세요.

자기주의에 관한 자세한 내용은 머신러닝 단기집중과정의 LLM: 대규모 언어 모델이란 무엇인가요?를 참고하세요.

속성

#fairness

기능의 동의어입니다.

머신러닝 공정성에서 속성은 개인과 관련된 특성을 가리키는 경우가 많습니다.

속성 샘플링

#df

각 결정 트리가 조건을 학습할 때 가능한 특성의 무작위 하위 집합만 고려하는 결정 포레스트를 학습하기 위한 전략입니다. 일반적으로 각 노드에 대해 서로 다른 특성 하위 집합이 샘플링됩니다. 반면 속성 샘플링 없이 결정 트리를 학습할 때는 각 노드에 가능한 모든 특성이 고려됩니다.

AUC (ROC 곡선 아래 영역)

#fundamentals

이진 분류 모델이 양성 클래스를 음성 클래스에서 분리하는 능력을 나타내는 0.0과 1.0 사이의 숫자입니다. AUC가 1.0에 가까울수록 모델이 클래스를 서로 구분하는 기능이 우수합니다.

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

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

예. 위의 모델의 AUC는 0.0이 아닌 0.5입니다.

대부분의 모델은 두 극단 사이 어딘가에 있습니다. 예를 들어 다음 모델은 양성과 음성을 어느 정도 구분하므로 AUC가 0.5~1.0 사이입니다.

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

아이콘을 클릭하여 AUC와 ROC 곡선 간의 관계를 알아보세요.

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

AUC는 위 그림의 회색 영역의 면적입니다. 이 특이한 경우 영역은 회색 영역의 길이(1.0)와 회색 영역의 너비 (1.0)를 곱한 값입니다. 따라서 1.0과 1.0의 곱셈 결과는 최대 AUC 점수인 정확히 1.0의 AUC가 됩니다.

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

일반적인 ROC 곡선은 다음과 같이 보입니다.

이 곡선 아래의 영역을 수동으로 계산하는 것은 번거로울 수 있으므로 프로그램은 일반적으로 대부분의 AUC 값을 계산합니다.

---

아이콘을 클릭하여 AUC의 공식적인 정의를 확인하세요.

AUC는 분류 기준에서 무작위로 선택한 양성 예시가 실제로 양성일 확률이 무작위로 선택한 음성 예시가 양성일 확률보다 높다는 것을 분류자가 더 확신할 확률입니다.

---

자세한 내용은 머신러닝 단기집중과정의 분류: ROC 및 AUC를 참고하세요.

증강 현실

#image

컴퓨터 생성 이미지를 사용자의 실제 환경 뷰에 겹쳐 합성 뷰를 제공하는 기술입니다.

autoencoder

#language

#image

입력에서 가장 중요한 정보를 추출하는 방법을 학습하는 시스템입니다. 오토인코더는 인코더와 디코더의 조합입니다. 자동 인코더는 다음과 같은 두 단계 프로세스를 사용합니다.

1. 인코더는 입력을 일반적으로 손실이 있는 더 낮은 차원의 (중간) 형식으로 매핑합니다.
2. 디코더는 낮은 차원 형식을 원래의 더 높은 차원 입력 형식에 매핑하여 원래 입력의 손실이 있는 버전을 빌드합니다.

자동 인코더는 디코더가 인코더의 중간 형식에서 원래 입력을 최대한 근접하게 재구성하도록 하여 엔드 투 엔드로 학습됩니다. 중간 형식은 원본 형식보다 작으므로(차원이 낮음) 자동 인코더는 입력의 어떤 정보가 필수적인지 학습해야 하며 출력은 입력과 완전히 동일하지 않습니다.

예를 들면 다음과 같습니다.

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

변분 오토인코더도 참고하세요.

자동 평가

#language

#generativeAI

소프트웨어를 사용하여 모델 출력의 품질을 판단합니다.

모델 출력이 비교적 간단한 경우 스크립트나 프로그램은 모델의 출력을 골드 응답과 비교할 수 있습니다. 이러한 유형의 자동 평가를 프로그래매틱 평가라고도 합니다. ROUGE 또는 BLEU와 같은 측정항목은 프로그래매틱 평가에 유용합니다.

모델 출력이 복잡하거나 정답이 하나도 없음인 경우 자동 채점 도구라는 별도의 ML 프로그램이 자동 평가를 실행하기도 합니다.

인간 평가와 대비되는 개념입니다.

자동화 편향

#fairness

자동 의사결정 시스템에 오류가 있는 경우에도 불구하고 의사 결정권자가 자동 의사결정 시스템에서 제공되는 권장사항을 자동화 없이 생성된 정보보다 우선시하는 경우입니다.

자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

AutoML

머신러닝 모델을 빌드하기 위한 자동화된 프로세스입니다. AutoML은 다음과 같은 작업을 자동으로 실행할 수 있습니다.

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

AutoML은 머신러닝 파이프라인을 개발하는 데 드는 시간과 노력을 절약하고 예측 정확성을 개선할 수 있으므로 데이터 과학자에게 유용합니다. 또한 전문가가 아닌 사용자도 복잡한 머신러닝 작업을 더 쉽게 수행할 수 있도록 해 주므로 유용합니다.

자세한 내용은 머신러닝 단기집중과정의 자동화된 머신러닝 (AutoML)을 참고하세요.

자동 평가 도구 평가

#language

#generativeAI

인간 평가와 자동 평가를 결합하여 생성형 AI 모델의 출력 품질을 판단하는 하이브리드 메커니즘입니다. 자동 평가 도구는 인간 평가를 통해 생성된 데이터를 학습하는 ML 모델입니다. 자동 평가 도구는 인간 평가자를 모방하는 방법을 학습하는 것이 이상적입니다.

사전 빌드된 자동 평가 도구를 사용할 수 있지만 가장 좋은 자동 평가 도구는 평가 중인 태스크에 맞게 미세 조정됩니다.

참고: 실행 중인 자동 평가 도구는 완전히 자동화된 프로세스입니다. 인간은 자동 평가 도구를 학습하는 데 도움이 되는 데이터만 '제공'합니다.

자동 회귀 모델

#language

#image

#generativeAI

이전 예측을 기반으로 예측을 추론하는 모델입니다. 예를 들어 자동 회귀 언어 모델은 이전에 예측된 토큰을 기반으로 다음 토큰을 예측합니다. 모든 Transformer 기반 대규모 언어 모델은 자기 회귀입니다.

반면 GAN 기반 이미지 모델은 단계별로 반복적으로 이미지를 생성하는 것이 아니라 단일 전방 패스에서 이미지를 생성하므로 일반적으로 자기 회귀가 아닙니다. 그러나 특정 이미지 생성 모델은 단계적으로 이미지를 생성하므로 자동 회귀 입니다.

보조 손실

신경망 모델의 기본 손실 함수와 함께 사용되는 손실 함수로, 가중치가 무작위로 초기화되는 초기 반복 중에 학습을 가속하는 데 도움이 됩니다.

보조 손실 함수는 효과적인 경사를 이전 레이어에 푸시합니다. 이렇게 하면 기울기 사라짐 문제를 해결하여 학습 중에 수렴이 촉진됩니다.

k 기준 평균 정밀도

#language

번호가 매겨진 도서 추천 목록과 같이 순위가 지정된 결과를 생성하는 단일 프롬프트에서 모델의 성능을 요약하는 측정항목입니다. k의 평균 정밀도는 각 관련 결과의 k의 정밀도 값의 평균입니다. 따라서 k의 평균 정밀도 공식은 다음과 같습니다.

\[{\text{average precision at k}} = \frac{1}{n} \sum_{i=1}^n {\text{precision at k for each relevant item} } \]

각 항목의 의미는 다음과 같습니다.

• \(n\) 은 목록의 관련 항목 수입니다.

k에서의 재현율과 대비되는 개념입니다.

참고: k의 평균 정밀도는 단일 프롬프트의 출력을 평가합니다. 평균 정밀도(k)를 사용하여 다양한 프롬프트에서 모델 출력의 품질을 평가합니다.

참고: 일부 사용자는 평균 정밀도(k)를 평균 정밀도로 줄여 부르기도 합니다.

아이콘을 클릭하여 예시를 확인하세요.

대규모 언어 모델에 다음 쿼리가 주어졌다고 가정해 보겠습니다.

List the 6 funniest movies of all time in order.

대규모 언어 모델은 다음 목록을 반환합니다.

1. 장군
2. Mean Girls
3. Platoon
4. 내 여자친구의 결혼식
5. Citizen Kane
6. 스파이널 탭입니다.

반환된 목록의 영화 중 4편은 매우 재미있으며 (즉, 관련성 있음) 2편은 드라마 (관련성 없음)입니다. 다음 표에는 결과에 관한 세부정보가 나와 있습니다.

위치	영화	관련성 있나요?	k 기준 정밀도
1	장군	예	1.0
2	Mean Girls	예	1.0
3	Platoon	아니요	관련 없음
4	내 여자친구의 결혼식	예	0.75
5	Citizen Kane	아니요	관련 없음
6	스파이널 탭입니다.	예	0.67

관련 결과 수는 4개입니다. 따라서 다음과 같이 6에서 평균 정밀도를 계산할 수 있습니다.

$${\text{average precision at 6}} = \frac{1}{4} {\text{(1.0 + 1.0 + 0.75 + 0.67)} } $$ $${\text{average precision at 6}} = {\text{~0.85} } $$

---

축 정렬 조건

#df

결정 트리에서 단일 지형지물만 포함된 조건 예를 들어 area가 지형지물인 경우 다음은 축에 정렬된 조건입니다.

area > 200

경사 조건과 대비되는 개념입니다.

B

역전파

#fundamentals

신경망에서 경사하강법을 구현하는 알고리즘입니다.

신경망을 학습시키려면 다음과 같은 두 단계 사이클을 여러 번 iterations해야 합니다.

1. 전달 패스 중에 시스템은 예시의 일괄을 처리하여 예측을 생성합니다. 시스템은 각 예측을 각 라벨 값과 비교합니다. 예측값과 라벨 값의 차이가 해당 예시의 손실입니다. 시스템은 모든 예시의 손실을 집계하여 현재 일괄 처리의 총 손실을 계산합니다.
2. 역 전달(백프로파게이션) 중에 시스템은 모든 숨겨진 레이어의 모든 뉴런의 가중치를 조정하여 손실을 줄입니다.

신경망에는 종종 여러 개의 숨겨진 레이어에 걸쳐 많은 뉴런이 포함되어 있습니다. 이러한 각 뉴런은 서로 다른 방식으로 전체 손실에 기여합니다. 역전파는 특정 뉴런에 적용된 가중치를 늘릴지 줄일지 결정합니다.

학습률은 각 역전파에서 각 가중치를 늘리거나 줄이는 정도를 제어하는 배수입니다. 학습률이 클수록 각 가중치가 작을 때보다 더 많이 증가하거나 감소합니다.

미적분학 용어로 역전파는 미적분학의 체인 규칙을 구현합니다. 즉, 역전파는 각 매개변수에 대한 오류의 편미분을 계산합니다.

몇 년 전만 해도 ML 전문가는 역전파를 구현하기 위해 코드를 작성해야 했습니다. 이제 Keras와 같은 최신 ML API가 백프로파게이션을 자동으로 구현합니다. 다양한 혜택이 마음에 드셨나요?

자세한 내용은 머신러닝 단기집중과정의 신경망을 참고하세요.

bagging

#df

각 구성 모델이 대체 샘플링된 학습 예시의 무작위 하위 집합에서 학습하는 앙상블을 학습하는 방법입니다. 예를 들어 랜덤 포레스트는 bagging으로 학습된 결정 트리 모음입니다.

bagging은 bootstrap aggregating의 줄임말입니다.

자세한 내용은 의사결정 트리 과정의 무작위 포리를 참고하세요.

단어 집합

#language

순서에 상관없이 단어를 구 또는 구절로 표현합니다. 예를 들어, 단어 집합은 다음 세 구를 동일하게 표현합니다.

• the dog jumps
• jumps the dog
• dog jumps the

각 단어는 희소 벡터의 색인에 매핑되며 벡터에는 어휘의 모든 단어에 대한 색인이 포함됩니다. 예를 들어, the dog jumps 구는 특징 벡터에 매핑되며, 벡터에는 the, dog, jumps 단어에 해당하는 세 색인에 0이 아닌 값이 표시됩니다. 0이 아닌 값은 다음 중 하나일 수 있습니다.

• 1은 단어가 있음을 나타냅니다.
• 집합에서 단어가 표시되는 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 집합에 나타나는 횟수의 로그)입니다.

기준

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

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

일괄

#fundamentals

한 번의 학습 반복에 사용되는 예의 집합입니다. 배치 크기는 배치의 예 수를 결정합니다.

배치가 에포크와 어떤 관련이 있는지 알아보려면 에포크를 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 초매개변수를 참고하세요.

일괄 추론

#TensorFlow

#GoogleCloud

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

일괄 추론은 가속기 칩의 병렬 처리 기능을 활용할 수 있습니다. 즉, 여러 가속기가 라벨이 지정되지 않은 여러 예시의 일괄 예측을 동시에 추론하여 초당 추론 수를 크게 늘릴 수 있습니다.

자세한 내용은 머신러닝 단기집중과정의 프로덕션 ML 시스템: 정적 추론과 동적 추론 비교를 참고하세요.

배치 정규화

숨겨진 레이어에서 활성화 함수의 입력 또는 출력을 정규화합니다. 배치 정규화를 사용하면 다음과 같은 이점이 있습니다.

• 이상치 가중치로부터 보호하여 신경망을 더 안정적으로 만듭니다.
• 학습 속도를 높일 수 있는 더 높은 학습률을 사용 설정합니다.
• 과적합을 줄입니다.

배치 크기

#fundamentals

배치의 예 수입니다. 예를 들어 배치 크기가 100이면 모델은 반복당 100개의 예시를 처리합니다.

다음은 널리 사용되는 일괄 크기 전략입니다.

• 배치 크기가 1인 확률적 경사하강법 (SGD)
• 전체 배치: 배치 크기가 전체 학습 세트의 예 수입니다. 예를 들어 학습 세트에 100만 개의 예시가 포함되어 있으면 배치 크기는 100만 개가 됩니다. 전체 일괄 처리는 일반적으로 비효율적인 전략입니다.
• 미니 배치: 배치 크기는 일반적으로 10~1,000입니다. 미니 배치는 일반적으로 가장 효율적인 전략입니다.

자세한 내용은 다음을 참조하세요.

• 머신러닝 단기집중과정에서 프로덕션 ML 시스템: 정적 추론과 동적 추론 비교
• 딥 러닝 조정 플레이북

베이즈 신경망

가중치와 출력의 불확실성을 고려하는 확률적 신경망입니다. 표준 신경망 회귀 모델은 일반적으로 스칼라 값을 예측합니다. 예를 들어 표준 모델은 8억5천만원의 주택 가격을 예측합니다. 반면 확률적 신경망은 값의 분포를 예측합니다. 예를 들어 확률적 신경망 모델은 표준 편차가 6억7천만원인 8억5천만원의 주택 가격을 예측합니다.

확률적 신경망은 베이즈의 정리에 따라 가중치와 예측으로 불확실성을 계산합니다. 확률적 신경망은 약물 관련 모델의 경우처럼 불확실성을 수치화해야 하는 경우에 유용합니다. 또한 확률적 신경망을 사용하면 과적합을 방지할 수 있습니다.

Bayesian 최적화

베이즈 학습 기법을 사용하여 불확실성을 수치화하는 대리 변수를 최적화하여 계산 비용이 많이 드는 목표 함수를 최적화하는 확률적 회귀 모델 기법입니다. Bayesian 최적화 자체가 매우 비용이 많이 들기 때문에 일반적으로 초매개변수 선택과 같이 매개변수가 적은 평가 비용이 많이 드는 태스크를 최적화하는 데 사용됩니다.

벨만 방정식

#rl

강화 학습에서 최적의 Q-함수에 의해 충족되는 다음 정체성:

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

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

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

강화 학습 외에도 벨만 방정식은 동적 프로그래밍에 적용됩니다. 벨만 방정식에 관한 위키백과 항목을 참고하세요.

BERT (Bidirectional Encoder Representations from Transformers)

#language

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

BERT의 특징은 다음과 같습니다.

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

BERT의 변형에는 다음이 포함됩니다.

• ALBERT: A Light BERT의 약어입니다.
• LaBSE.

BERT 개요는 Open Sourcing BERT: State-of-the-Art Pre-training for Natural Language Processing을 참고하세요.

편향(bias)(윤리학/공정성)

#fairness

#fundamentals

1. 특정 사물, 인물 또는 그룹에 대한 정형화, 편견 또는 편애를 말합니다. 이러한 편향은 데이터의 수집과 해석 가능성, 시스템 설계, 사용자가 시스템과 상호작용하는 방식 등에 영향을 줍니다. 이러한 유형의 편향에는 다음이 포함됩니다.

• 자동화 편향
• 확인 편향
• 실험자 편향
• 그룹 귀인 편향
• 암시적 편향
• 내집단 편향
• 외부 집단 동질화 편향

2. 샘플링 또는 보고 절차로 인해 발생하는 계통 오차입니다. 이러한 유형의 편향에는 다음이 포함됩니다.

• 포함 편향
• 무응답 편향
• 응답 참여 편향
• 보고 편향
• 표본 추출 편향
• 표본 선택 편향

머신러닝 모델의 바이어스 항 또는 예측 편향과 혼동하지 마시기 바랍니다.

자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

편향 (수학) 또는 편향 항

#fundamentals

원점을 기준으로 한 절편 또는 오프셋입니다. 편향은 머신러닝 모델의 매개변수로 다음 중 하나로 표시됩니다.

• b
• w₀

예를 들어 다음 수식에서 편향은 b입니다.

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

단순한 2차원 선에서 편향은 'y 절편'을 의미합니다. 예를 들어 다음 그림의 선의 편향은 2입니다.

모든 모델이 원점 (0,0)에서 시작하는 것은 아니므로 편향이 존재합니다. 예를 들어 놀이공원의 입장료는 2유로이고 고객이 머무는 시간당 0.5유로가 추가로 청구된다고 가정해 보겠습니다. 따라서 총 비용을 매핑하는 모델의 편향은 2입니다. 최소 비용이 2유로이기 때문입니다.

편향은 윤리학 및 공정성의 편향 또는 예측 편향과 혼동해서는 안 됩니다.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀를 참고하세요.

양방향

#language

대상 텍스트 섹션의 앞에 있고 뒤에 있는 텍스트를 모두 평가하는 시스템을 설명하는 데 사용되는 용어입니다. 반면 단방향 시스템은 타겟 텍스트 섹션 앞에 있는 텍스트만 평가합니다.

예를 들어 다음 질문에서 밑줄을 나타내는 단어의 확률을 결정해야 하는 마스킹된 언어 모델을 생각해 보겠습니다.

_____에 어떤 문제가 있나요?

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

양방향 언어 모델

#language

앞의 텍스트와 뒤의 텍스트를 기반으로 텍스트 발췌 부분의 지정된 위치에 지정된 토큰이 있을 가능성을 결정하는 언어 모델입니다.

바이그램

#seq

#language

N=2인 N-그램입니다.

이진 분류

#fundamentals

상호 배타적인 두 클래스 중 하나를 예측하는 분류 작업 유형입니다.

• 양성 클래스
• 음성 클래스

예를 들어 다음 두 머신러닝 모델은 각각 이진 분류를 실행합니다.

• 이메일 메시지가 스팸 (포지티브 클래스)인지 스팸이 아닌지 (네거티브 클래스)를 결정하는 모델입니다.
• 의료 증상을 평가하여 특정 질병이 있는지 (포지티브 클래스) 없는지 (네거티브 클래스) 판단하는 모델입니다.

다중 클래스 분류와 대비되는 개념입니다.

로지스틱 회귀 및 분류 임계값도 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 분류를 참고하세요.

바이너리 조건

#df

결정 트리에서 가능한 결과가 두 가지(일반적으로 예 또는 아니요)인 조건입니다. 예를 들어 다음은 이진 조건입니다.

temperature >= 100

비바이너리 조건과 대비되는 개념입니다.

자세한 내용은 결정 트리 과정의 조건 유형을 참고하세요.

비닝

버케팅의 동의어입니다.

BLEU (Bilingual Evaluation Understudy)

#language

0.0~1.0 사이의 측정항목으로, 예를 들어 스페인어에서 일본어로의 기계 번역을 평가하는 데 사용됩니다.

점수를 계산하기 위해 BLEU는 일반적으로 ML 모델의 번역(생성된 텍스트)을 인간 전문가의 번역(참조 텍스트)과 비교합니다. 생성된 텍스트와 참조 텍스트의 N-그램이 일치하는 정도에 따라 BLEU 점수가 결정됩니다.

이 측정항목에 관한 원본 논문은 BLEU: 기계 번역 자동 평가 방법입니다.

BLEURT도 참고하세요.

BLEURT (Transformer의 Bilingual Evaluation Understudy)

#language

한 언어에서 다른 언어로의 기계 번역을 평가하는 측정항목으로, 특히 영어와 영어 간의 번역을 평가합니다.

영어로 번역하거나 영어에서 번역할 때 BLEURT는 BLEU보다 사람의 평가에 더 가깝습니다. BLEU와 달리 BLEURT는 의미 유사성을 강조하며 의역을 수용할 수 있습니다.

BLEURT는 사전 학습된 대규모 언어 모델(정확히는 BERT)을 사용하며, 이 모델은 인간 번역가의 텍스트를 바탕으로 미세 조정됩니다.

이 측정항목에 관한 원본 논문은 BLEURT: Learning Robust Metrics for Text Generation입니다.

부스팅

모델에서 현재 잘못 분류된 예를 가중치 보정하여 간단하고 그리 정확하지 않은 분류기('약한' 분류기) 집합을 정확성이 높은 분류기('강한' 분류기)와 반복적으로 결합하는 머신러닝 기술입니다.

자세한 내용은 의사 결정 트리 과정의 경사 강화 의사 결정 트리를 참고하세요.

경계 상자

#image

이미지에서 관심 영역(예: 아래 이미지의 강아지)을 둘러싼 직사각형의 (x, y) 좌표입니다.

방송

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

예를 들어, 정의가 다음과 같을 경우 A와 B의 차원이 다르므로 선형 대수에서는 A+B를 금지합니다.

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

하지만 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 참고하세요.

버킷팅,

#fundamentals

단일 특성을 버킷 또는 빈이라고 하는 다중 이진 특성으로 변환하는 작업으로서, 일반적으로 값 범위를 기반으로 합니다. 잘린 특성은 일반적으로 연속 특성입니다.

예를 들어 온도를 단일 연속 부동 소수점 지형지물로 나타내는 대신 온도 범위를 다음과 같이 개별 버킷으로 자릅니다.

• 섭씨 10도 미만은 '콜드' 버킷입니다.
• 11~24도는 '온화' 버킷입니다.
• 섭씨 25도 이상은 '따뜻함' 버킷입니다.

모델은 동일한 버킷의 모든 값을 동일하게 처리합니다. 예를 들어 값 13와 22는 모두 온화한 버킷에 있으므로 모델은 두 값을 동일하게 취급합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

온도를 연속적인 특성으로 나타내면 모델은 온도를 단일 특성으로 취급합니다. 온도를 세 개의 버킷으로 나타내면 모델은 각 버킷을 별도의 특성으로 취급합니다. 즉, 모델은 각 버킷과 라벨의 별도의 관계를 학습할 수 있습니다. 예를 들어 선형 회귀 모델은 각 버킷에 대해 별도의 가중치를 학습할 수 있습니다.

버킷 수를 늘리면 모델이 학습해야 하는 관계의 수가 늘어나 모델이 더 복잡해집니다. 예를 들어 추운 날씨, 온화한 날씨, 따뜻한 날씨 버킷은 모델이 학습할 세 가지 별개의 기능입니다. 예를 들어 냉동 및 핫과 같은 버킷을 두 개 더 추가하면 이제 모델은 5개의 개별 기능을 학습해야 합니다.

만들 버킷의 수를 알거나 각 버킷의 범위를 알 수 있는 방법은 무엇인가요? 답변을 찾으려면 일반적으로 상당한 양의 실험이 필요합니다.

---

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터: 비닝을 참고하세요.

C

보정 레이어

일반적으로 예측 편향을 보정하기 위한 예측 후 조정입니다. 조정된 예측 및 확률은 관찰된 라벨 집합의 분포와 일치해야 합니다.

후보군 생성

#recsystems

추천 시스템에서 선택되는 일련의 초기 추천입니다. 예를 들어, 10만 권의 서적을 판매하는 서점을 생각해 보세요. 후보군 생성 단계에서는 특정 사용자에게 추천할 적은 수(예: 500권)의 도서 목록을 만듭니다. 하지만 500권도 사용자에게 추천하기에는 너무 많습니다. 추천 시스템의 후속 단계 (예: 점수 및 재정렬)에서는 500개를 훨씬 더 작고 유용한 추천으로 줄입니다.

자세한 내용은 추천 시스템 과정의 후보 생성 개요를 참고하세요.

후보 샘플링

학습 도중 소프트맥스 등을 사용하여 모든 양성 라벨의 확률을 계산하는 최적화입니다. 부정 라벨의 경우 무작위 샘플에 대해서만 계산합니다. 예를 들어 라벨이 beagle 및 dog인 예가 있으면 후보 샘플링은 다음에 대해 예측된 확률과 해당 손실 항을 계산합니다.

• beagle
• dog
• 나머지 제외 클래스의 무작위 하위 집합 (예: cat, lollipop, fence)

포지티브 클래스가 항상 적절한 긍정 강화를 받는 한 네거티브 클래스는 빈도가 적은 부정 강화로부터 학습할 수 있다는 것이 이 아이디어의 핵심이며, 이는 실제로 경험적으로 관찰되는 사실입니다.

후보 샘플링은 특히 음성 클래스의 수가 매우 많은 경우 모든 음성 클래스의 예측을 계산하는 학습 알고리즘보다 계산 효율이 높습니다.

범주형 데이터

#fundamentals

가능한 값의 특정 집합을 갖는 특성입니다. 예를 들어 다음 세 가지 값 중 하나만 가질 수 있는 traffic-light-state라는 범주형 특성을 생각해 보겠습니다.

• red
• yellow
• green

traffic-light-state를 범주형 특성으로 표현하면 모델이 red, green, yellow가 운전자 행동에 미치는 다양한 영향을 학습할 수 있습니다.

범주형 특성을 불연속 특성이라고도 합니다.

수치 데이터와 대비되는 개념입니다.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터 작업을 참고하세요.

인과 언어 모델

#language

단방향 언어 모델의 동의어입니다.

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

centroid

#clustering

k-평균 또는 k-중앙값 알고리즘에 의해 결정된 클러스터의 중심입니다. 예를 들어 k가 3인 경우 k-평균 또는 k-중앙값 알고리즘에서는 3개의 중심을 찾아냅니다.

자세한 내용은 클러스터링 과정의 클러스터링 알고리즘을 참고하세요.

중심 기반 군집화

#clustering

데이터를 계층 구조가 아닌 클러스터로 구성하는 군집화 알고리즘의 카테고리입니다. k-평균은 가장 널리 사용되는 중심 기반 군집화 알고리즘입니다.

계층적 군집화 알고리즘과 대비되는 개념입니다.

자세한 내용은 클러스터링 과정의 클러스터링 알고리즘을 참고하세요.

연쇄적 사고 프롬프트

#language

#generativeAI

대규모 언어 모델 (LLM)이 추론 과정을 단계별로 설명하도록 유도하는 프롬프트 엔지니어링 기법입니다. 예를 들어 다음 프롬프트를 살펴보면서 두 번째 문장에 특히 주의를 기울이세요.

7초 만에 시속 0마일에서 60마일로 주행하는 자동차에서 운전자가 경험하는 g-포스는 얼마인가요? 답변에 모든 관련 계산을 표시합니다.

LLM의 응답은 다음과 같습니다.

• 물리학 수식의 시퀀스를 표시하고 적절한 위치에 0, 60, 7 값을 삽입합니다.
• 이러한 수식을 선택한 이유와 다양한 변수의 의미를 설명합니다.

연쇄적 사고 프롬프트를 사용하면 LLM이 모든 계산을 수행하도록 강제하여 더 정확한 답변을 얻을 수 있습니다. 또한 사고 과정 프롬프트를 사용하면 사용자가 LLM의 단계를 검토하여 답변이 적절한지 판단할 수 있습니다.

채팅

#language

#generativeAI

ML 시스템(일반적으로 대규모 언어 모델)과의 대화 내용입니다. 채팅의 이전 상호작용(내가 입력한 내용과 대규모 언어 모델이 응답한 방식)은 채팅의 후속 부분에 대한 컨텍스트가 됩니다.

채팅 봇은 대규모 언어 모델의 애플리케이션입니다.

체크포인트

학습 중 또는 학습이 완료된 후 모델의 매개변수 상태를 캡처하는 데이터입니다. 예를 들어 학습 중에 다음을 수행할 수 있습니다.

1. 의도적으로 또는 특정 오류의 결과로 학습을 중지합니다.
2. 체크포인트를 캡처합니다.
3. 나중에 다른 하드웨어에서 체크포인트를 다시 로드합니다.
4. 학습을 다시 시작합니다.

클래스

#fundamentals

라벨이 속할 수 있는 카테고리입니다. 예를 들면 다음과 같습니다.

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

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

자세한 내용은 머신러닝 단기집중과정의 분류를 참고하세요.

분류 모델

#fundamentals

예측이 클래스인 모델입니다. 예를 들어 다음은 모두 분류 모델입니다.

• 입력 문장의 언어 (프랑스어? 스페인어? 이탈리아어)를 사용하고 계신가요?
• 나무 종 (단풍나무? 오크? 바오밥?).
• 특정 질병에 대한 양성 또는 음성 클래스를 예측하는 모델입니다.

반면 회귀 모델은 클래스가 아닌 숫자를 예측합니다.

일반적인 두 가지 분류 모델 유형은 다음과 같습니다.

• 이진 분류
• 다중 클래스 분류

분류 기준점

#fundamentals

이진 분류에서 로지스틱 회귀 모델의 원시 출력을 포지티브 클래스 또는 네거티브 클래스의 예측으로 변환하는 0과 1 사이의 숫자입니다. 분류 기준점은 모델 학습에서 선택한 값이 아니라 사람이 선택하는 값입니다.

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

• 이 원시 값이 분류 기준점보다 크면 양성 클래스가 예측됩니다.
• 이 원시 값이 분류 임곗값보다 작으면 음성 클래스가 예측됩니다.

예를 들어 분류 기준점이 0.8이라고 가정해 보겠습니다. 원시 값이 0.9이면 모델은 양성 클래스를 예측합니다. 원시 값이 0.7이면 모델은 음수 클래스를 예측합니다.

분류 기준점을 선택하면 거짓양성 및 거짓음성의 수에 큰 영향을 미칩니다.

추가 메모를 보려면 아이콘을 클릭하세요.

모델이나 데이터 세트가 발전함에 따라 엔지니어가 분류 기준점도 변경하는 경우가 있습니다. 분류 기준이 변경되면 긍정적인 클래스 예측이 갑자기 부정적인 클래스가 될 수 있고 그 반대의 경우도 가능합니다.

예를 들어 이진 분류 질병 예측 모델을 생각해 보세요. 첫해에 시스템이 실행될 때 다음과 같다고 가정해 보겠습니다.

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

따라서 시스템은 양성 클래스를 진단합니다. (환자가 숨을 들이쉬며 '아, 아파요!')

1년 후 값은 다음과 같이 표시될 수 있습니다.

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

따라서 시스템은 이제 해당 환자를 음성 클래스로 재분류합니다. ('좋은 하루 보내세요. 아프지 않습니다.') 동일한 환자입니다. 다른 진단

---

자세한 내용은 머신러닝 단기집중과정의 임곗값 및 혼동 행렬을 참고하세요.

클래스 불균형 데이터 세트

#fundamentals

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

• 제외 라벨 1,000,000개
• 긍정적인 라벨 10개

음성 라벨과 양성 라벨의 비율이 100,000:1이므로 클래스 불균형 데이터 세트입니다.

반면 다음 데이터 세트는 음성 라벨과 양성 라벨의 비율이 상대적으로 1에 가까우므로 클래스 불균형이 아닙니다.

• 517개의 제외 라벨
• 긍정적인 라벨 483개

다중 클래스 데이터 세트는 클래스 불균형일 수도 있습니다. 예를 들어 다음 다중 클래스 분류 데이터 세트도 한 라벨의 예시가 다른 두 라벨의 예시보다 훨씬 많기 때문에 클래스 불균형이 있습니다.

• 'green' 클래스가 지정된 라벨 1,000,000개
• 'purple' 클래스가 있는 라벨 200개
• 'orange' 클래스가 있는 라벨 350개

엔트로피, 다수 클래스, 소수 클래스도 참고하세요.

클리핑

#fundamentals

다음 중 하나 또는 둘 다를 실행하여 이상치를 처리하는 기술입니다.

• 최대 기준점보다 큰 특성 값을 해당 최대 기준점으로 줄입니다.
• 최소 임곗값보다 작은 특성 값을 해당 최소 임곗값으로 증가시킵니다.

예를 들어 특정 특성의 값 중 0.5% 미만이 40~60 범위를 벗어난다고 가정합니다. 이 경우 다음과 같이 할 수 있습니다.

• 60 (최대 기준점)을 초과하는 모든 값을 정확히 60으로 자릅니다.
• 40 (최소 기준점) 미만인 모든 값을 정확히 40으로 자릅니다.

이상치는 모델에 손상을 줄 수 있으며, 경우에 따라 학습 중에 가중치가 오버플로할 수 있습니다. 일부 외부값은 정확성과 같은 측정항목을 크게 손상시킬 수도 있습니다. 클리핑은 손상을 제한하는 일반적인 기법입니다.

경사 제한은 학습 중에 지정된 범위 내에서 경사 값을 강제 적용합니다.

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터: 정규화를 참고하세요.

Cloud TPU

#TensorFlow

#GoogleCloud

Google Cloud에서 머신러닝 워크로드 속도를 높이도록 설계된 특수 하드웨어 가속기입니다.

클러스터링

#clustering

특히 비지도 학습 중에 관련 예시를 그룹화합니다. 모든 예가 그룹으로 묶이고 나면 사람이 선택적으로 각 클러스터에 의미를 부여할 수 있습니다.

클러스터링에는 여러 가지 알고리즘이 사용됩니다. 예를 들어 k-평균 알고리즘은 다음 다이어그램과 같이 중심과의 근접성을 기반으로 예시를 클러스터링합니다.

그런 다음 연구원이 클러스터를 검토하고 클러스터 1에는 '난쟁이 나무', 클러스터 2에는 '완전한 크기의 나무'와 같이 라벨을 붙입니다.

다음에서 확인할 수 있는 것처럼 중심점에서 예가 얼마나 떨어져 있는지를 바탕으로 한 클러스터링 알고리즘도 있을 수 있습니다.

자세한 내용은 클러스터링 과정을 참고하세요.

모방 적응

뉴런이 신경망의 전체 행동이 아닌 다른 특정 뉴런의 출력에만 의존하여 학습 데이터의 패턴을 예측하는 경우입니다. 모방 적응을 일으키는 패턴이 유효성 검사 데이터에 없는 경우 모방 적응은 과적합을 초래합니다. 드롭아웃 정규화는 뉴런이 다른 특정 뉴런에만 의존하지 못하도록 하므로 모방 적응을 줄여줍니다.

협업 필터링

#recsystems

다른 여러 사용자의 관심사를 바탕으로 한 사용자의 관심사에 대한 예측 협업 필터링은 추천 시스템에 자주 사용됩니다.

자세한 내용은 추천 시스템 과정의 공동 필터링을 참고하세요.

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 환경을 잘 대리하는 경우 모델은 실제 환경을 잘 예측해야 합니다. 하지만 개념 드리프트로 인해 모델의 예측은 시간이 지남에 따라 저하되는 경향이 있습니다.

예를 들어 특정 자동차 모델이 '연비가 좋은지' 여부를 예측하는 이진 분류 모델을 생각해 보겠습니다. 즉, 기능은 다음과 같을 수 있습니다.

• 자동차 중량
• 엔진 압축
• 전송 유형

라벨이 다음 중 하나인 경우

• 연비가 우수함
• 연비가 좋지 않음

하지만 '연비 좋은 자동차'라는 개념은 계속해서 변화하고 있습니다. 1994년에 연비가 우수함으로 분류된 자동차 모델은 2024년에는 거의 확실히 연비가 우수하지 않음으로 분류될 것입니다. 개념이 변화하는 모델은 시간이 지남에 따라 점점 더 유용하지 않은 예측을 내리는 경향이 있습니다.

비정상성과 비교 및 대조합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

개념 이동을 보상하려면 개념 이동의 속도보다 빠르게 모델을 재학습합니다. 예를 들어 개념적 이동으로 인해 2개월마다 모델 정확성이 유의미하게 감소하는 경우 2개월보다 더 자주 모델을 재학습합니다.

---

조건

#df

결정 트리에서 표현식을 평가하는 노드입니다. 예를 들어 다음과 같은 의사결정 트리에는 두 가지 조건이 포함되어 있습니다.

조건은 분할 또는 테스트라고도 합니다.

잎과 대비되는 조건입니다.

관련 주제에 대한 추가 정보

• 바이너리 조건
• 비이진 상태.
• axis-aligned-condition
• oblique-condition

자세한 내용은 결정 트리 과정의 조건 유형을 참고하세요.

망상

#language

할루시네이션의 동의어입니다.

망상은 환각보다 기술적으로 더 정확한 용어일 수 있습니다. 하지만 환각이 먼저 인기를 얻었습니다.

구성

모델을 학습하는 데 사용되는 초기 속성 값을 할당하는 프로세스입니다. 여기에는 다음이 포함됩니다.

• 모델의 구성 레이어
• 데이터 위치
• 다음과 같은 초매개변수:
  • 학습률
  • iterations
  • 최적화 도구
  • 손실 함수

머신러닝 프로젝트에서는 특수 구성 파일을 통해 구성하거나 다음과 같은 구성 라이브러리를 사용하여 구성할 수 있습니다.

• HParam
• 진
• Fiddle

확증 편향

#fairness

이미 가지고 있는 믿음이나 가설을 긍정하는 방향으로 정보를 검색, 해석, 선호, 재현하는 경향입니다. 머신러닝 개발자가 의도치 않게 기존 믿음을 뒷받침하는 결과에 영향을 미치는 방식으로 데이터를 수집하거나 데이터에 라벨을 지정할 수 있습니다. 확증 편향은 내재적 편향의 한 형태입니다.

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

혼동 행렬

#fundamentals

분류 모델이 내린 올바른 예측과 잘못된 예측의 수를 요약한 NxN 표입니다. 예를 들어 이진 분류 모델의 다음 혼동 행렬을 고려해 보겠습니다.

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

위의 혼동 행렬은 다음을 보여줍니다.

• 실제값이 종양인 19개의 예측 중 모델은 18개를 올바르게 분류하고 1개를 잘못 분류했습니다.
• 참값이 종양이 아닌 458개의 예측 중 모델은 452개를 올바르게 분류하고 6개를 잘못 분류했습니다.

다중 클래스 분류 문제의 혼동 행렬을 사용하면 실수의 패턴을 식별하는 데 도움이 됩니다. 예를 들어 세 가지 붓꽃 유형(버지니카, 버시컬러, 세토사)을 분류하는 3개 클래스 다중 클래스 분류 모델의 다음 혼동 행렬을 고려해 보세요. 실측 정보가 Virginica인 경우 혼동 행렬은 모델이 Setosa보다 Versicolor를 잘못 예측할 가능성이 훨씬 높음을 보여줍니다.

	Setosa (예측)	Versicolor (예측)	버지니아 (예측)
Setosa (정답)	88	12	0
Versicolor (정답)	6	141	7
버지니아 (정답)	2	27	109

또 다른 예로, 혼동 행렬은 필기 숫자를 인식하도록 학습된 모델이 4를 9로, 아니면 7을 1로 잘못 예측하는 경향이 있음을 드러낼 수 있습니다.

혼동 행렬에는 정밀도 및 재현율을 비롯한 다양한 성능 측정항목을 계산하기에 충분한 정보가 포함되어 있습니다.

선거구 파싱

#language

문장을 더 작은 문법 구조 ('구성요소')로 나누는 작업입니다. 자연어 이해 모델과 같은 ML 시스템의 후반부에서는 원래 문장보다 구성요소를 더 쉽게 파싱할 수 있습니다. 예를 들어 다음 문장을 살펴보겠습니다.

친구가 고양이 두 마리를 입양했습니다.

구성원 파서는 이 문장을 다음 두 구성원으로 나눌 수 있습니다.

• 친구는 명사구입니다.
• 고양이 두 마리를 입양은 동사구입니다.

이러한 구성요소는 더 작은 구성요소로 다시 세분화할 수 있습니다. 예를 들어 동사구

고양이 2마리를 입양했습니다.

다음과 같이 더 세분화할 수 있습니다.

• 채택은 동사입니다.
• 고양이 두 마리도 명사구입니다.

문맥화된 언어 임베딩

#language

#generativeAI

인간 모국어 사용자가 할 수 있는 방식으로 단어와 구문을 '이해'하는 것에 가까운 임베딩입니다. 문맥화된 언어 임베딩은 복잡한 문법, 시맨틱, 컨텍스트를 이해할 수 있습니다.

예를 들어 영어 단어 cow의 임베딩을 생각해 보겠습니다. word2vec와 같은 이전의 임베딩은 임베딩 공간에서 cow와 bull의 거리가 ewe (암양)와 ram (숫양)의 거리 또는 female와 male의 거리와 유사하도록 영어 단어를 나타낼 수 있습니다. 문맥화된 언어 임베딩은 영어 사용자가 cow라는 단어를 소나 수소를 의미하는 비공식적인 표현으로 사용하는 경우도 있음을 인식하여 한 걸음 더 나아갈 수 있습니다.

컨텍스트 윈도우

#language

#generativeAI

모델이 특정 프롬프트에서 처리할 수 있는 토큰 수입니다. 컨텍스트 창이 클수록 모델은 더 많은 정보를 사용하여 프롬프트에 일관되고 일관된 응답을 제공할 수 있습니다.

연속 지형지물

#fundamentals

온도나 무게와 같이 가능한 값의 범위가 무한인 부동 소수점 특성입니다.

불연속 특성과 대비되는 개념입니다.

편의 샘플링

실험을 빠르게 실행하기 위해 과학적으로 수집되지 않은 데이터 세트를 사용합니다. 나중에 과학적으로 수집된 데이터 세트로 전환해야 합니다.

수렴

#fundamentals

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

추가 학습으로 모델이 개선되지 않으면 모델이 수렴합니다.

딥 러닝에서는 손실 값이 여러 번 반복될 때 일정하게 유지되거나 거의 일정하게 유지된 후 최종적으로 감소하는 경우가 있습니다. 장기간 손실 값이 일정한 경우 일시적으로 잘못된 수렴 감각을 느낄 수 있습니다.

조기 중단도 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 모델 수렴 및 손실 곡선을 참고하세요.

볼록 함수

함수 그래프의 위쪽 영역이 볼록 집합인 함수입니다. 프로토타입 볼록 함수는 U 문자와 같은 모양입니다. 예를 들어 다음은 모두 볼록 함수입니다.

반면 다음 함수는 볼록하지 않습니다. 그래프 위의 영역이 볼록 집합이 아닌 것을 확인할 수 있습니다.

순볼록 함수에는 전역 최솟값이기도 한 로컬 최솟값 점이 정확히 하나 있습니다. 고전적인 U자형 함수는 순볼록 함수입니다. 그러나 직선과 같은 볼록 함수는 U자형이 아닙니다.

아이콘을 클릭하여 수학을 자세히 살펴보세요.

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 항상 찾을 수 있는 것은 아닙니다.

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

심층 모델은 어떠한 경우에도 볼록 함수가 아닙니다. 그럼에도 불구하고 볼록 최적화를 위해 설계된 알고리즘은 심층 네트워크에서 비교적 양호한 해를 구할 가능성이 높지만, 이러한 해가 전역 최저점이라는 보장은 없습니다.

---

자세한 내용은 머신러닝 단기집중과정의 수렴 및 볼록 함수를 참고하세요.

볼록 최적화

경사하강법과 같은 수학적 기법을 사용하여 볼록 함수의 최솟값을 찾는 프로세스입니다. 머신러닝에 대한 연구 중 상당한 비중이 볼록 최적화와 같은 다양한 문제를 고안하고 효과적인 해법을 찾는 데 집중되었습니다.

자세한 내용은 Boyd와 Vandenberghe의 볼록 최적화를 참고하세요.

볼록 집합

하위 집합의 두 점 사이에 그어진 선이 하위 집합 내에 완전히 남아 있는 유클리드 공간의 하위 집합입니다. 예를 들어 다음 두 도형은 볼록 집합입니다.

반면 다음 두 도형은 볼록 집합이 아닙니다.

컨볼루션

#image

수학에서 두 함수를 혼합한 것을 가리킵니다. 머신러닝에서 컨볼루션은 가중치를 학습시키기 위해 컨볼루션 필터와 입력 행렬을 혼합합니다.

머신러닝에서 '컨볼루션'이라는 용어는 컨볼루션 연산 또는 컨볼루션 레이어를 지칭하는 축약된 표현으로 사용되는 경우가 많습니다.

컨볼루션이 없으면 머신러닝 알고리즘이 큰 텐서의 모든 셀에 있어서 별도의 가중치를 학습해야 합니다. 예를 들어 2K x 2K 이미지에서 머신러닝 알고리즘을 학습하면 4백만 개의 개별 가중치를 찾아야 합니다. 컨볼루션이 있기 때문에 머신러닝 알고리즘은 컨볼루션 필터에 있는 모든 셀의 가중치만 찾아도 되고, 이로 인해 모델 학습에 필요한 메모리가 크게 줄어듭니다. 컨볼루션 필터가 적용되면 각 필터가 필터로 곱해지도록 셀 전체에 복제됩니다.

자세한 내용은 이미지 분류 과정의 컨볼루션 신경망 소개를 참고하세요.

컨볼루션 필터

#image

컨볼루션 연산에서 사용되는 두 가지 중 하나입니다. 다른 행위자는 입력 행렬의 슬라이스입니다. 컨볼루션 필터는 입력 행렬과 순위는 동일하지만 모양은 더 작은 행렬입니다. 예를 들어 28x28 입력 행렬이 주어지면 필터는 28x28보다 작은 2D 행렬이 될 수 있습니다.

사진 조작에서 컨볼루션 필터의 모든 셀은 일반적으로 1과 0의 상수 패턴으로 설정됩니다. 머신러닝에서 컨볼루션 필터는 일반적으로 랜덤 숫자로 시드된 후 네트워크가 이상적인 값을 학습합니다.

자세한 내용은 이미지 분류 과정의 컨볼루션을 참고하세요.

컨볼루션 레이어

#image

심층신경망의 한 레이어로, 입력 행렬에 컨볼루션 필터를 적용합니다. 예를 들어 다음과 같은 3x3 컨볼루션 필터가 있다고 생각해 보세요.

다음 애니메이션은 5x5 입력 행렬과 관련된 9개의 컨볼루션 연산으로 구성된 컨볼루션 레이어를 보여줍니다. 각 컨볼루션 연산은 입력 행렬의 서로 다른 3x3 슬라이스에 작동합니다. 결과 3x3 행렬 (오른쪽)은 9개의 컨볼루션 연산의 결과로 구성됩니다.

자세한 내용은 이미지 분류 과정의 전체 연결 레이어를 참고하세요.

컨볼루셔널 신경망

#image

적어도 하나의 레이어가 컨볼루셔널 레이어인 신경망입니다. 일반적인 컨볼루션 신경망은 다음 레이어의 조합으로 구성됩니다.

• 컨볼루션 레이어
• 풀링 레이어
• 다층 레이어

컨볼루션 신경망은 이미지 인식과 같은 특정 유형의 문제에서 큰 성공을 거두었습니다.

컨볼루션 연산

#image

컨볼루션 연산은 다음과 같은 2단계 수학 연산입니다.

1. 컨볼루션 필터 및 입력 행렬의 슬라이스 등 요소별 곱셈입니다. 입력 행렬의 슬라이스는 컨볼루션 필터와 순위 및 크기가 동일합니다.
2. 곱셈의 결과로 얻어지는 행렬 내 모든 값의 합계입니다.

예를 들어 다음과 같은 5x5 입력 행렬을 고려해 보겠습니다.

이제 다음과 같은 2x2 컨볼루션 필터를 가정해 보겠습니다.

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

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

비용

손실의 동의어입니다.

공동 학습

준지도 학습 접근 방식은 다음 조건이 모두 참인 경우에 특히 유용합니다.

• 데이터 세트에서 라벨이 없는 예시와 라벨이 지정된 예시의 비율이 높습니다.
• 이는 분류 문제 (이진 또는 다중 클래스)입니다.
• 데이터 세트에는 서로 독립적이고 상호 보완적인 두 가지 예측 기능 세트가 포함되어 있습니다.

공동 학습은 기본적으로 독립적인 신호를 더 강력한 신호로 증폭합니다. 예를 들어 개별 중고차를 좋음 또는 나쁨으로 분류하는 분류 모델을 생각해 보겠습니다. 예를 들어 한 세트의 예측 기능은 자동차의 연식, 제조업체, 모델과 같은 집계된 특성에 중점을 둘 수 있고, 다른 세트의 예측 기능은 이전 소유자의 운전 기록과 자동차의 유지보수 기록에 중점을 둘 수 있습니다.

공동 학습에 관한 중요한 논문은 Blum과 Mitchell의 Combining Labeled and Unlabeled Data with Co-Training입니다.

반사실적 공정성

#fairness

분류기가 하나 이상의 민감한 속성을 제외하고 한 개인에 대해 첫 번째 개인과 동일한 다른 개인에 대해 동일한 결과를 생성하는지 확인하는 공정성 측정항목입니다. 대조 가정 공정성을 위해 분류기를 평가하는 것은 모델에서 잠재적인 편향의 원인을 표시하는 한 가지 방법입니다.

자세한 내용은 다음 중 하나를 참고하세요.

• 머신러닝 단기집중과정에서 공정성: 대조 가정 공정성
• 두 세계의 충돌: 공정성에 다양한 대안 가정 통합

포함 편향

#fairness

표본 선택 편향을 참고하세요.

중의적 구문

#language

의미가 모호한 문장 또는 구입니다. 중의적 구문은 자연어 이해에서 중요한 문제를 발생시킵니다. 예를 들어 Red Tape Holds Up Skyscraper라는 광고 제목은 NLU 모델에서 광고 제목을 문자 그대로 또는 비유적으로 해석할 수 있으므로 중의적 구문입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

수상한 헤드라인을 명확히 하자면 다음과 같습니다.

• 절차적 장애는 다음 중 하나를 의미할 수 있습니다.
  • 접착제
  • 과도한 관료주의
• 보류 중은 다음 중 하나를 나타낼 수 있습니다.
  • 구조적 지원
  • 지연

---

비평가

#rl

딥 Q 네트워크의 동의어입니다.

교차 엔트로피

다중 클래스 분류 문제에 로그 손실을 일반화한 것입니다. 교차 엔트로피는 두 확률 분포 간의 차이를 계량합니다. 퍼플렉시티도 참고하세요.

교차 검증

학습 세트에서 보류된 하나 이상의 중복되지 않은 데이터 하위 집합을 테스트하여 모델이 새 데이터로 얼마나 효과적으로 일반화될지를 예측하는 메커니즘입니다.

누적 분포 함수 (CDF)

타겟 값 이하인 샘플의 빈도를 정의하는 함수입니다. 예를 들어 연속 값의 정규 분포를 생각해 보세요. CDF는 샘플의 약 50% 가 평균보다 작거나 같고 샘플의 약 84% 가 평균보다 1표준편차 이하여야 한다고 알려줍니다.

D

데이터 분석

데이터 분석이란 샘플, 측정치, 시각화를 고려하여 데이터를 이해하는 작업입니다. 데이터 분석은 첫 번째 모델을 빌드하기 전에 데이터 세트를 처음 수신할 때 특히 유용합니다. 또한 실험을 이해하고 시스템의 문제를 디버깅하는 데에도 중요합니다.

데이터 증강

#image

기존 예시를 변형하여 추가 예시를 생성함으로써 학습 예의 범위와 수를 인위적으로 늘립니다. 예를 들어 이미지가 특성 중 하나이지만, 모델에서 유용한 연결을 학습하는 데 충분한 이미지 예가 데이터 세트에 포함되어 있지 않다고 가정합니다. 모델에서 적절히 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 그림의 다양한 변형을 생성할 수 있습니다. 그러면 충분한 수의 라벨이 지정된 데이터가 생성되어 효과적인 학습을 지원할 수 있습니다.

DataFrame

#fundamentals

메모리에 데이터 세트를 표현하는 데 널리 사용되는 pandas 데이터 유형입니다.

DataFrame은 표나 스프레드시트와 비슷합니다. DataFrame의 각 열에는 이름 (헤더)이 있으며 각 행은 고유한 숫자로 식별됩니다.

DataFrame의 각 열은 2D 배열처럼 구성되지만 각 열에 고유한 데이터 유형을 할당할 수 있다는 점이 다릅니다.

공식 pandas.DataFrame 참조 페이지도 참고하세요.

데이터 동시 로드

전체 모델을 여러 기기에 복제한 다음 입력 데이터의 하위 집합을 각 기기에 전달하는 학습 또는 추론 확장 방법입니다. 데이터 병렬 처리를 사용하면 매우 큰 배치 크기에서 학습 및 추론을 실행할 수 있습니다. 그러나 데이터 병렬 처리를 사용하려면 모델이 모든 기기에 맞을 만큼 작아야 합니다.

데이터 동시 로드는 일반적으로 학습 및 추론 속도를 높입니다.

모델 동시 로드도 참고하세요.

Dataset API (tf.data)

#TensorFlow

데이터를 읽고 머신러닝 알고리즘이 요구하는 형태로 변환하는 상위 수준의 TensorFlow API입니다. tf.data.Dataset 객체는 요소 시퀀스를 나타내며, 각 요소는 하나 이상의 텐서를 포함합니다. tf.data.Iterator 객체는 Dataset의 요소에 대한 액세스 권한을 제공합니다.

데이터 세트(data set 또는 dataset)

#fundamentals

원시 데이터 모음으로, 일반적으로 (그러나 반드시 그런 것은 아님) 다음 형식 중 하나로 구성됩니다.

• 스프레드시트
• CSV (쉼표로 구분된 값) 형식의 파일

결정 경계

이진 클래스 또는 다중 클래스 분류 문제에서 모델이 학습한 클래스 간의 구분자입니다. 예를 들어 아래 그림과 같은 이진 분류 문제의 경우 결정 경계는 주황색 클래스와 파란색 클래스 사이의 경계선입니다.

결정 포레스트

#df

여러 개의 결정 트리에서 생성된 모델입니다. 결정 포레스트는 결정 트리의 예측을 집계하여 예측합니다. 인기 있는 의사결정 포레스트 유형에는 랜덤 포레스트와 경사 부스팅 트리가 있습니다.

자세한 내용은 결정 트리 과정의 결정 트리 섹션을 참고하세요.

결정 기준

분류 임곗값의 동의어입니다.

결정 트리

#df

계층적으로 구성된 조건 및 리프의 집합으로 구성된 지도 학습 모델입니다. 다음은 의사 결정 트리의 예입니다.

decoder

#language

일반적으로 처리된, 밀집된 또는 내부 표현을 더 원시적이고 희소하거나 외부 표현으로 변환하는 모든 ML 시스템입니다.

디코더는 더 큰 모델의 구성요소인 경우가 많으며 여기서 인코더와 자주 페어링됩니다.

시퀀스 대 시퀀스 태스크에서 디코더는 인코더가 생성한 내부 상태로 시작하여 다음 시퀀스를 예측합니다.

Transformer 아키텍처 내 디코더의 정의는 Transformer를 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 대규모 언어 모델을 참고하세요.

심층 모델

#fundamentals

숨겨진 레이어가 2개 이상 포함된 신경망입니다.

심층 모델은 심층신경망이라고도 합니다.

와이드 모델과 대비되는 개념입니다.

심층신경망

심층 모델의 동의어입니다.

DQN (Deep Q-network)

#rl

Q-학습에서 Q-함수를 예측하는 심층 신경망입니다.

Critic은 Deep Q-Network의 동의어입니다.

인구통계 동등성

#fairness

모델 분류의 결과가 주어진 민감한 속성에 종속되지 않는 경우 충족되는 공정성 측정항목입니다.

예를 들어 릴리푸티안과 브로드빙낵인이 모두 글럽두브드리브 대학에 지원하는 경우, 한 그룹이 다른 그룹보다 평균적으로 더 자격이 있는지와 관계없이 합격한 릴리푸티안의 비율이 합격한 브로드빙낵인의 비율과 동일하면 인구통계적 동질성이 달성된 것입니다.

평등한 확률 및 기회 균등성과는 대조적입니다. 이 두 가지는 집계된 분류 결과가 민감한 속성에 종속되도록 허용하지만 특정 지정된 실측값 라벨의 분류 결과가 민감한 속성에 종속되도록 허용하지 않습니다. 인구통계적 균등성을 위해 최적화할 때의 절충점을 보여주는 시각화를 확인하려면 '더 스마트한 머신러닝으로 차별을 타파하는 방법'을 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 공정성: 인구통계 균등성을 참고하세요.

노이즈 제거

#language

자체 감독 학습의 일반적인 접근 방식은 다음과 같습니다.

1. 노이즈가 데이터 세트에 인위적으로 추가됩니다.
2. 모델은 노이즈를 제거하려고 시도합니다.

노이즈 제거를 사용하면 라벨이 없는 예를 학습할 수 있습니다. 원본 데이터 세트는 타겟 또는 라벨로, 노이즈 데이터는 입력으로 사용됩니다.

일부 마스크드 언어 모델은 다음과 같이 제거를 사용합니다.

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

밀집 특성

#fundamentals

대부분의 값 또는 모든 값이 0이 아닌 특징입니다. 일반적으로 부동 소수점 값의 텐서입니다. 예를 들어 다음 10개 요소 텐서는 9개의 값이 0이 아니므로 밀집 텐서입니다.

8

3

7

5

2

4

0

4

9

6

희소 특성과 대비되는 개념입니다.

밀집 레이어

완전 연결 레이어의 동의어입니다.

깊이

#fundamentals

신경망에서 다음의 합계입니다.

• 숨겨진 레이어 수
• 출력 레이어 수(일반적으로 1)
• 임베딩 레이어 수

예를 들어 히든 레이어 5개와 출력 레이어 1개가 있는 신경망의 깊이는 6입니다.

입력 레이어는 깊이에 영향을 미치지 않습니다.

깊이별 분리 가능한 컨볼루션 신경망 (sepCNN)

#image

Inception에 기반하지만 Inception 모듈이 깊이별로 분리 가능한 컨볼루션으로 대체된 컨볼루션 신경망 아키텍처입니다. Xception이라고도 합니다.

깊이별 분리 가능한 컨볼루션 (분리 가능한 컨볼루션이라고도 함)은 표준 3D 컨볼루션을 계산상 더 효율적인 두 개의 개별 컨볼루션 작업으로 분해합니다. 첫 번째는 깊이가 1인 깊이별 컨볼루션 (n ✕ n ✕ 1)이고, 두 번째는 길이와 너비가 1인 포인트별 컨볼루션 (1 ✕ 1 ✕ n)입니다.

자세한 내용은 Xception: Depthwise Separable Convolutions를 사용한 딥 러닝을 참고하세요.

파생 라벨

유추 라벨의 동의어입니다.

기기

#TensorFlow

#GoogleCloud

다음 두 가지 정의가 가능한 중복 정의된 용어입니다.

1. CPU, GPU, TPU 등 TensorFlow 세션을 실행할 수 있는 하드웨어 카테고리입니다.
2. 가속기 칩(GPU 또는 TPU)에서 ML 모델을 학습할 때 텐서 및 임베딩을 실제로 조작하는 시스템의 일부입니다. 기기는 가속기 칩에서 실행됩니다. 반면에 호스트는 일반적으로 CPU에서 실행됩니다.

개인 정보 차등 보호

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

개인 정보 차등 보호는 머신러닝 외부에서도 사용됩니다. 예를 들어 데이터 과학자는 다양한 인구통계에 대한 제품 사용 통계를 계산할 때 개인 정보 차등 보호를 사용하여 개인 정보를 보호하는 경우가 있습니다.

차원 축소

일반적으로 임베딩 벡터로 변환하여 특징 벡터에서 특정 특성을 나타내는 데 사용되는 차원 수를 줄입니다.

측정기준

다음과 같은 정의로 중복 정의된 용어입니다.

• Tensor에서 좌표의 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 벡터에서 특정 셀을 고유하게 지정할 수 있습니다. 2차원 행렬에서 특정 셀을 고유하게 지정하려면 두 개의 좌표가 필요합니다.

• 특징 벡터의 항목 수입니다.

• 임베딩 레이어의 요소 수입니다.

직접 프롬프트

#language

#generativeAI

제로샷 프롬프팅의 동의어입니다.

불연속 특성

#fundamentals

가능한 값의 유한 집합을 갖는 특성입니다. 예를 들어 값이 animal, vegetable 또는 mineral일 수 있는 특성은 불연속 (또는 카테고리) 특성입니다.

연속 특성과 대비되는 개념입니다.

분류 모델

하나 이상의 특성 세트에서 라벨을 예측하는 모델입니다. 더 엄밀히 말하자면 분류 모델은 특성과 가중치를 고려한 출력의 조건부 확률을 정의합니다. 즉,

p(output | features, weights)

예를 들어 특성과 가중치에서 이메일이 스팸인지 여부를 예측하는 모델은 분류 모델입니다.

분류 모델과 회귀 모델을 비롯한 다양한 지도 학습 모델이 분류 모델에 해당됩니다.

생성 모델과 대비되는 개념입니다.

분류자

예가 진짜인지 가짜인지 여부를 결정하는 시스템입니다.

또는 생성형 적대 신경망 내 하위 시스템으로, 생성기에서 생성된 예시가 진짜인지 가짜인지 여부를 결정합니다.

자세한 내용은 GAN 과정의 판별자를 참고하세요.

차별적 영향

#fairness

인구 하위 그룹에 불균형하게 영향을 미치는 사람에 관한 결정을 내리는 행위 이는 일반적으로 알고리즘 기반 의사 결정 프로세스가 일부 하위 그룹에 다른 하위 그룹보다 더 많은 피해를 주거나 이익을 주는 상황을 말합니다.

예를 들어 릴리푸티안의 소형 주택 담보 대출 자격 요건을 결정하는 알고리즘이 우편 주소에 특정 우편번호가 포함된 경우 '자격 요건 미충족'으로 분류할 가능성이 더 높다고 가정해 보겠습니다. Big-Endian Lilliputians가 Little-Endian Lilliputians보다 이 우편번호가 포함된 우편 주소를 보유할 가능성이 더 높다면 이 알고리즘으로 인해 차별적인 영향을 미칠 수 있습니다.

하위 그룹 특성이 알고리즘 기반 의사 결정 프로세스에 명시적으로 입력될 때 발생하는 불균형에 초점을 맞추는 차별적 대우와는 대조적입니다.

차별적 대우

#fairness

다양한 하위 그룹을 다르게 대우하도록 알고리즘 기반 의사 결정 프로세스에 피험자의 민감한 속성을 고려하는 경우

예를 들어 대출 신청 시 제공한 데이터를 기반으로 릴리푸티안의 소형 주택 대출 자격 요건을 결정하는 알고리즘을 생각해 보세요. 알고리즘이 Lilliputian의 제휴를 Big-Endian 또는 Little-Endian으로 입력으로 사용하는 경우 해당 측정기준에 따라 차별적인 대우를 실행하는 것입니다.

이는 하위 그룹이 모델의 입력인지와 관계없이 하위 그룹에 대한 알고리즘 결정의 사회적 영향의 불균형에 초점을 맞추는 차별적 영향과는 대조적입니다.

경고: 민감한 속성은 거의 항상 데이터에 있을 수 있는 다른 기능과 상관관계가 있으므로 민감한 속성 정보를 명시적으로 삭제해도 하위 그룹이 동등하게 취급된다고 보장할 수 없습니다. 예를 들어 우편번호가 여전히 특징으로 포함된 학습 데이터 세트에서 민감한 인구통계 속성을 삭제하면 하위 그룹의 불균등한 처리를 해결할 수 있지만, 우편번호가 다른 인구통계 정보의 프록시 역할을 할 수 있으므로 이러한 그룹에 여전히 불균등한 영향을 미칠 수 있습니다.

증류

#generativeAI

하나의 모델 (티처라고 함)의 크기를 원래 모델의 예측을 최대한 충실하게 에뮬레이션하는 더 작은 모델 (스튜던트라고 함)로 줄이는 프로세스입니다. 소규모 모델은 대규모 모델 (티처)에 비해 두 가지 주요 이점이 있으므로 정제는 유용합니다.

• 더 빠른 추론 시간
• 메모리 및 에너지 사용량 감소

하지만 학생의 예측은 일반적으로 교사의 예측만큼 정확하지 않습니다.

증류는 학생 모델과 교사 모델의 예측 출력 간의 차이를 기반으로 손실 함수를 최소화하도록 학생 모델을 학습시킵니다.

다음 용어와 함께 증류를 비교 및 대조하세요.

• 미세 조정
• 프롬프트 기반 학습

자세한 내용은 머신러닝 단기집중과정의 LLM: 미세 조정, 추출, 프롬프트 엔지니어링을 참고하세요.

배포

지정된 지형지물 또는 라벨의 다양한 값의 빈도 및 범위입니다. 분포는 특정 값이 발생할 가능성을 나타냅니다.

다음 이미지는 두 가지 배포의 히스토그램을 보여줍니다.

• 왼쪽은 부의 지수 분포와 부를 보유한 사람 수를 나타냅니다.
• 오른쪽에는 신장과 해당 신장을 가진 사람의 수를 나타내는 정규 분포가 표시되어 있습니다.

각 특성 및 라벨의 분포를 이해하면 값을 정규화하고 이상치를 감지하는 방법을 결정하는 데 도움이 됩니다.

분포 외라는 문구는 데이터 세트에 표시되지 않거나 매우 드물게 발생하는 값을 나타냅니다. 예를 들어 토성의 이미지는 고양이 이미지로 구성된 데이터 세트의 경우 분포 외로 간주됩니다.

분리형 군집화

#clustering

계층적 군집화를 참고하세요.

다운샘플링

#image

중복으로 정의된 용어로서 다음 중 하나를 의미할 수 있습니다.

• 모델을 더 효율적으로 학습하기 위해 특성에서 정보의 양을 줄입니다. 예를 들어 이미지 인식 모델을 학습하기 전에 고해상도 이미지를 저해상도 형식으로 다운샘플링합니다.
• 기반이 취약한 클래스에 대한 모델 학습을 개선하기 위해 과대 표현된 클래스의 예시를 불균형적으로 낮은 비율로 학습합니다. 예를 들어 클래스 불균형 데이터 세트에서는 모델이 다수 클래스에 관해 많이 학습하고 소수 클래스에 관해 충분히 학습하지 않는 경향이 있습니다. 다운샘플링을 사용하면 다수 클래스와 소수 클래스에 대한 학습량을 균형 조정할 수 있습니다.

자세한 내용은 머신러닝 단기집중과정의 데이터 세트: 불균형 데이터 세트를 참고하세요.

DQN

#rl

딥 Q 네트워크의 약어입니다.

드롭아웃 정규화

신경망 학습에 유용한 정규화의 한 형태입니다. 드롭아웃 정규화는 단일 경사 단계에 대해 네트워크 레이어의 유닛을 고정된 개수만큼 무작위로 선택하여 삭제합니다. 드롭아웃된 단위가 많을수록 정규화가 강력해집니다. 이는 더 작은 네트워크로 이루어진 대규모 앙상블을 모방하도록 네트워크를 학습시키는 것과 비슷합니다. 자세한 내용은 드롭아웃: 신경망의 과적합을 방지하는 간단한 방법을 참고하세요.

동적

#fundamentals

자주 또는 지속적으로 실행되는 작업 동적과 온라인은 머신러닝에서 동의어입니다. 다음은 머신러닝에서 동적 및 온라인의 일반적인 사용 사례입니다.

• 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 (또는 지속적으로) 재학습되는 모델입니다. 동적 모델은 진화하는 데이터에 지속적으로 적응하는 '평생 학습자'입니다. 동적 모델은 온라인 모델이라고도 합니다.

정적 모델과 대비되는 개념입니다.

E

즉시 실행

#TensorFlow

작업이 즉시 실행되는 TensorFlow 프로그래밍 환경입니다. 반대로 지연 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 훨씬 쉽게 디버깅됩니다.

조기 중단

#fundamentals

학습 손실이 감소하기 전에 학습을 종료하는 정규화 방법입니다. 조기 중단에서는 검증 데이터 세트의 손실이 증가하기 시작하면(즉, 일반화 성능이 저하되면) 의도적으로 모델 학습을 중단합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

조기 중단은 직관에 어긋나는 것처럼 보일 수 있습니다. 결국 손실이 감소하는 동안 모델에 학습을 중단하라고 하는 것은 셰프에게 디저트가 완전히 구워지기 전에 요리를 중단하라고 하는 것과 비슷합니다. 하지만 모델을 너무 오래 학습하면 과적합이 발생할 수 있습니다. 즉, 모델을 너무 오래 학습하면 모델이 학습 데이터에 너무 근접하게 맞춰져 새 예시를 잘 예측하지 못할 수 있습니다.

---

지구 이동 거리 (EMD)

두 분포의 상대적 유사성을 나타내는 척도입니다. 지구 이동 거리가 작을수록 분포가 더 유사합니다.

수정 거리

#language

두 텍스트 문자열 간의 유사성을 측정한 값입니다. 머신러닝에서 수정 거리는 다음과 같은 이유로 유용합니다.

• 수정 거리는 계산하기 쉽습니다.
• 수정 거리를 사용하면 서로 유사한 것으로 알려진 두 문자열을 비교할 수 있습니다.
• 수정 거리를 사용하면 서로 다른 문자열이 주어진 문자열과 얼마나 유사한지 확인할 수 있습니다.

수정 거리에는 여러 정의가 있으며 각 정의는 서로 다른 문자열 연산을 사용합니다. 예를 보려면 Levenshtein 거리를 참고하세요.

Einsum 표기법

두 텐서를 결합하는 방법을 설명하는 효율적인 표기법입니다. 텐서는 한 텐서의 요소에 다른 텐서의 요소를 곱한 다음 그 곱을 더하여 결합됩니다. Einsum 표기법은 기호를 사용하여 각 텐서의 축을 식별하며, 동일한 기호가 재정렬되어 결과적으로 생성되는 새 텐서의 모양을 지정합니다.

NumPy는 일반적인 Einsum 구현을 제공합니다.

임베딩 레이어

#language

#fundamentals

고차원 카테고리 특성으로 학습하여 점진적으로 하위 차원 임베딩 벡터를 학습하는 특수한 숨겨진 레이어입니다. 임베딩 레이어를 사용하면 신경망이 고차원 카테고리 특성만으로 학습하는 것보다 훨씬 더 효율적으로 학습할 수 있습니다.

예를 들어 현재 지구에는 약 73,000가지의 수종이 생식하고 있습니다. 나무 종이 모델의 특성이므로 모델의 입력 레이어에 73,000개 요소 길이의 원-핫 벡터가 포함되어 있다고 가정해 보겠습니다. 예를 들어 baobab는 다음과 같이 표시될 수 있습니다.

73,000개 요소 배열은 매우 깁니다. 모델에 임베딩 레이어를 추가하지 않으면 72,999개의 0을 곱해야 하므로 학습에 시간이 많이 걸립니다. 임베딩 레이어를 12개의 측정기준으로 구성하도록 선택할 수 있습니다. 따라서 임베딩 레이어는 각 나무 종에 관한 새로운 임베딩 벡터를 점진적으로 학습합니다.

경우에 따라 해싱은 임베딩 레이어의 적절한 대안이 될 수 있습니다.

자세한 내용은 머신러닝 단기집중과정의 임베딩을 참고하세요.

임베딩 공간

#language

고차원 벡터 공간의 특성이 매핑되는 D차원 벡터 공간입니다. 임베딩 공간은 의도한 애플리케이션에 의미 있는 구조를 캡처하도록 학습됩니다.

두 임베딩의 내적은 유사성의 척도입니다.

임베딩 벡터

#language

대체적으로 숨겨진 레이어의 입력을 설명하는 모든 숨겨진 레이어에서 가져온 부동 소수점 수 배열입니다. 임베딩 벡터는 종종 임베딩 레이어에서 학습된 부동 소수점 수 배열입니다. 예를 들어 임베딩 레이어는 지구에 있는 73,000개의 수종 각각에 대한 임베딩 벡터를 학습해야 한다고 가정해 보겠습니다. 다음 배열은 바오밥나무의 임베딩 벡터일 수 있습니다.

임베딩 벡터는 무작위 숫자가 아닙니다. 임베딩 레이어는 학습 중에 신경망이 다른 가중치를 학습하는 방식과 마찬가지로 학습을 통해 이러한 값을 결정합니다. 배열의 각 요소는 나무 종의 특성에 따른 평가입니다. 어떤 요소가 어떤 수종의 특성을 나타내나요? 인간이 이를 판단하기는 매우 어렵습니다.

임베딩 벡터의 수학적으로 주목할 만한 부분은 유사한 항목이 유사한 부동 소수점 숫자 집합을 갖는다는 점입니다. 예를 들어 유사한 나무 종은 유사하지 않은 나무 종보다 더 유사한 부동 소수점 수를 갖습니다. 레드우드와 세쿼이어는 관련 나무 종이므로 레드우드와 코코넛 야자나무보다 유사한 부동 소수점 숫자를 갖습니다. 동일한 입력으로 모델을 재학습하더라도 임베딩 벡터의 숫자는 모델을 재학습할 때마다 변경됩니다.

경험적 누적 분포 함수 (eCDF 또는 EDF)

실제 데이터 세트의 실험적 측정값을 기반으로 하는 누적분포함수입니다. x축의 임의 지점에서 함수의 값은 지정된 값보다 작거나 같은 관측값의 비율입니다.

경험적 위험 최소화 (ERM)

학습 세트에서 손실을 최소화하는 함수를 선택합니다. 구조적 위험 최소화와 대비되는 개념입니다.

인코더

#language

일반적으로 원시, 희소 또는 외부 표현을 더 처리되고, 더 조밀하거나, 더 내부적인 표현으로 변환하는 모든 ML 시스템입니다.

인코더는 대규모 모델의 구성요소인 경우가 많으며, 여기서 디코더와 함께 사용됩니다. 일부 트랜스포머는 인코더와 디코더를 페어링하지만, 다른 트랜스포머는 인코더 또는 디코더만 사용합니다.

일부 시스템은 인코더의 출력을 분류 또는 회귀 네트워크의 입력으로 사용합니다.

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

Transformer 아키텍처의 인코더 정의는 Transformer를 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 LLM: 대규모 언어 모델이란 무엇인가요?를 참고하세요.

앙상블

독립적으로 학습된 모델 모음으로, 예측이 평균화되거나 집계됩니다. 대부분의 경우 앙상블은 단일 모델보다 더 나은 예측을 생성합니다. 예를 들어 랜덤 포레스트는 여러 결정 트리로 구성된 앙상블입니다. 모든 결정 포레스트가 앙상블은 아닙니다.

자세한 내용은 머신러닝 단기집중과정의 랜덤 포레스트를 참고하세요.

엔트로피

#df

정보 이론에서 확률 분포가 얼마나 예측할 수 없는지에 관한 설명입니다. 또는 엔트로피는 각 예시에 포함된 정보의 양으로 정의할 수도 있습니다. 확률 분포는 랜덤 변수의 모든 값이 동일한 확률을 보일 때 최대 엔트로피를 갖습니다.

가능한 두 값인 '0'과 '1'이 있는 집합의 엔트로피(예: 이진 분류 문제의 라벨)는 다음과 같은 수식을 갖습니다.

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

각 항목의 의미는 다음과 같습니다.

• H는 엔트로피입니다.
• p는 '1' 예시의 비율입니다.
• q는 '0' 예시의 비율입니다. q = (1 - p)입니다.
• log는 일반적으로 log₂입니다. 이 경우 엔트로피 단위는 비트입니다.

예를 들어 다음을 가정합니다.

• 100개의 예시가 '1' 값을 포함합니다.
• 300개의 예시가 '0' 값을 포함합니다.

따라서 엔트로피 값은 다음과 같습니다.

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

완벽하게 균형 잡힌 세트 (예: 200개의 '0'과 200개의 '1')의 경우 예당 엔트로피가 1.0비트입니다. 집합이 불균형해질수록 엔트로피는 0.0으로 이동합니다.

결정 트리에서 엔트로피는 정보 이득을 공식화하는 데 도움이 되며, 이를 통해 분할자가 분류 결정 트리가 성장하는 동안 조건을 선택할 수 있습니다.

엔트로피를 다음과 비교하세요.

• gini impurity
• 교차 엔트로피 손실 함수

엔트로피는 흔히 섀넌의 엔트로피라고 합니다.

자세한 내용은 결정 트리 과정의 숫자 특성이 있는 이진 분류를 위한 정확한 분할자를 참고하세요.

환경

#rl

강화 학습에서 에이전트가 포함되어 있고 에이전트가 해당 환경의 상태를 관찰할 수 있는 환경입니다. 예를 들어 표현된 세계는 체스와 같은 게임이거나 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 작업입니다.

에포크

#fundamentals

전체 학습 세트의 전체 학습 단계로, 각 예시가 한 번 처리됩니다.

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

예를 들어 다음을 가정해 보겠습니다.

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

따라서 단일 에포크에는 20번의 반복이 필요합니다.

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

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 초매개변수를 참고하세요.

epsilon greedy 정책

#rl

강화 학습에서 에피론 확률로 무작위 정책을 따르거나 그렇지 않으면 탐욕 정책을 따르는 정책입니다. 예를 들어 이프시론이 0.9이면 정책은 90% 의 경우 무작위 정책을 따르고 10% 의 경우 탐욕스러운 정책을 따릅니다.

연속적인 에피소드에서 알고리즘은 무작위 정책을 따르는 것에서 탐욕스러운 정책을 따르는 것으로 전환하기 위해 에피론 값을 줄입니다. 정책을 전환함으로써 에이전트는 먼저 환경을 무작위로 탐색한 다음 무작위 탐색의 결과를 탐욕스럽게 활용합니다.

기회의 평등

#fairness

모델이 민감한 속성의 모든 값에 대해 바람직한 결과를 동일하게 잘 예측하는지 평가하는 공정성 측정항목입니다. 즉, 모델의 바람직한 결과가 양성 클래스인 경우 목표는 모든 그룹에서 참양성률이 동일하도록 하는 것입니다.

기회의 균등은 평등한 확률과 관련이 있으며, 이 경우 참양성률과 거짓양성률이 모든 그룹에서 모두 동일해야 합니다.

Glubbdubdrib 대학에서 엄격한 수학 프로그램에 릴리푸티안과 브로드빙낵인 모두를 입학시키기로 했다고 가정해 보겠습니다. 릴리푸티안 중등학교에서는 수학 수업의 강력한 커리큘럼을 제공하며, 대다수의 학생이 대학 프로그램 자격 요건을 충족합니다. 브로드빙낵의 중등학교에서는 수학 수업을 전혀 제공하지 않으므로 자격 요건을 충족하는 학생이 훨씬 적습니다. 국적(Lilliputian 또는 Brobdingnagian)과 관련하여 선호되는 'admitted'(입학) 라벨에 대한 기회의 평등은 자격을 갖춘 학생이 Lilliputian인지 Brobdingnagian인지와 관계없이 동등하게 입학할 가능성이 있는 경우 충족됩니다.

예를 들어 100명의 릴리푸티안과 100명의 브로드빙낵인이 글럽두브드리브 대학에 지원하고 다음과 같이 입학 결정이 내려졌다고 가정해 보겠습니다.

표 1. Lilliputian 신청자 (90% 가 자격 요건을 충족함)

	적격성 확인됨	자격 없음
Admitted(수락됨)	45	3
거부됨	45	7
합계	90	10
자격 요건을 충족하는 학생의 합격률: 45/90 = 50% 자격 요건을 충족하지 않는 학생의 탈락률: 7/10 = 70% 리리푸티안 학생의 총 합격률: (45+3)/100 = 48%

 

표 2. Brobdingnagian 신청자 (자격 요건을 충족하는 신청자: 10%):

	적격성 확인됨	자격 없음
Admitted(수락됨)	5	9
거부됨	5	81
합계	10	90
자격 요건을 충족하는 학생 중 합격한 비율: 5/10 = 50% 자격 요건을 충족하지 않는 학생 중 탈락한 비율: 81/90 = 90% 브로드빙거니아 학생 중 합격한 총 비율: (5+9)/100 = 14%

위의 예시에서는 자격을 갖춘 릴리푸티안과 브로드빙거지안 모두 입학할 확률이 50% 이므로 자격을 갖춘 학생을 받아들이는 데 있어 기회의 평등을 충족합니다.

기회의 균등은 충족되지만 다음 두 가지 공정성 측정항목은 충족되지 않습니다.

• 인구통계 동등성: 릴리푸티안과 브로드빙낵인 학생이 대학에 합격하는 비율이 다릅니다. 릴리푸티안 학생의 48% 가 합격하지만 브로드빙낵인 학생의 경우 14% 만 합격합니다.
• 동등한 확률: 자격을 갖춘 릴리푸티안 학생과 브로드빙낵 학생 모두 합격할 확률이 동일하지만, 자격을 갖추지 못한 릴리푸티안 학생과 브로드빙낵 학생 모두 낙방할 확률이 동일하다는 추가 제약 조건은 충족되지 않습니다. 자격 요건을 충족하지 않는 릴리푸티안의 거부율은 70% 인 반면, 자격 요건을 충족하지 않는 브로드빙거인의 거부율은 90% 입니다.

자세한 내용은 머신러닝 단기집중과정의 공정성: 기회의 평등을 참고하세요.

동등한 배당률

#fairness

모델이 양성 클래스와 음성 클래스에 대해 민감한 속성의 모든 값에 대해 동일하게 잘 예측하는지 평가하는 공정성 측정항목입니다. 단지 한 클래스만이 아니라 두 클래스 모두에 대해 평가합니다. 즉, 참양성률과 거짓음성률은 모든 그룹에서 동일해야 합니다.

균등화된 확률은 단일 클래스의 오류율 (양수 또는 음수)에만 초점을 맞추는 기회의 균등과 관련이 있습니다.

예를 들어 Glubbdubdrib 대학에서 엄격한 수학 프로그램을 제공하고 있으며, Lilliputian과 Brobdingnagian 모두 이 프로그램에 참여한다고 가정해 보겠습니다. 릴리푸티안의 중등학교는 수학 수업의 강력한 커리큘럼을 제공하며, 대다수의 학생이 대학 프로그램에 참여할 자격을 갖추고 있습니다. 브로드빙낵의 중등학교에서는 수학 수업을 전혀 제공하지 않으므로 자격 요건을 충족하는 학생이 훨씬 적습니다. 신청자가 릴리푸티안이든 브로드빙낵인 이든 자격 요건을 충족하는 경우 프로그램에 합격할 가능성이 동일하고 자격 요건을 충족하지 않는 경우 거부될 가능성이 동일하다면 동등한 기회가 충족됩니다.

100명의 릴리푸티안과 100명의 브로드빙낵인이 글럽두브드리브 대학교에 지원하고 다음과 같이 입학 결정이 내려졌다고 가정해 보겠습니다.

표 3. Lilliputian 신청자 (90% 가 자격 요건을 충족함)

	적격성 확인됨	자격 없음
Admitted(수락됨)	45	2
거부됨	45	8
합계	90	10
자격 요건을 충족하여 입학한 학생의 비율: 45/90 = 50% 자격 요건을 충족하지 못하여 탈락한 학생의 비율: 8/10 = 80% 입학한 릴리푸티안 학생의 총 비율: (45+2)/100 = 47%

 

표 4. Brobdingnagian 신청자 (자격 요건을 충족하는 신청자: 10%):

	적격성 확인됨	자격 없음
Admitted(수락됨)	5	18
거부됨	5	72
합계	10	90
자격 요건을 충족하는 학생의 합격률: 5/10 = 50% 자격 요건을 충족하지 않는 학생의 탈락률: 72/90 = 80% 브로드빙거니아 학생의 총 합격률: (5+18)/100 = 23%

자격을 갖춘 릴리푸티안 학생과 브로드빙거지안 학생 모두 합격할 확률이 50% 이고 자격을 갖추지 못한 릴리푸티안 학생과 브로드빙거지안 학생은 80% 의 비율로 거부되므로 동등한 확률이 충족됩니다.

참고: 여기에서는 균등화된 확률이 충족되지만 인구통계 균등성은 충족되지 않습니다. 릴리푸티안 학생과 브로드빙낵 학생이 Glubbdubdrib 대학교에 입학하는 비율은 다릅니다. 릴리푸티안 학생의 47% 가 입학하고 브로드빙낵 학생의 23% 가 입학합니다.

동등한 확률은 '감독 학습의 기회 균등성'에서 다음과 같이 공식적으로 정의됩니다. '예측자 Ŷ가 Y에 조건부로 Ŷ와 A가 독립적인 경우 보호된 속성 A와 결과 Y에 대해 동등한 확률을 충족합니다.'

참고: 동등한 확률을 더 완화된 기회 균등성 측정항목과 비교해 보세요.

에스티메이터

#TensorFlow

지원 중단된 TensorFlow API입니다. 에스티메이터 대신 tf.keras를 사용하세요.

evals

#language

#generativeAI

주로 LLM 평가의 약어로 사용됩니다. 더 광범위하게는 evals는 모든 형태의 평가의 약어입니다.

평가

#language

#generativeAI

모델의 품질을 측정하거나 여러 모델을 서로 비교하는 프로세스입니다.

지도 학습 머신러닝 모델을 평가하려면 일반적으로 검증 세트와 테스트 세트를 기준으로 모델을 판단합니다. LLM 평가에는 일반적으로 더 광범위한 품질 및 안전 평가가 포함됩니다.

예시

#fundamentals

하나의 지형지물 행의 값과 라벨일 수 있습니다. 지도 학습의 예는 다음과 같은 두 가지 일반 범주로 나뉩니다.

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

예를 들어 날씨가 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습한다고 가정해 보겠습니다. 다음은 라벨이 지정된 세 가지 예입니다.

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

다음은 라벨이 지정되지 않은 세 가지 예입니다.

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

데이터 세트의 행은 일반적으로 예시의 원시 소스입니다. 즉, 예시는 일반적으로 데이터 세트의 열 하위 집합으로 구성됩니다. 또한 예시의 특성에는 특성 교차와 같은 합성 특성도 포함될 수 있습니다.

자세한 내용은 머신러닝 소개 과정의 지도 학습을 참고하세요.

환경 재생

#rl

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

실험자 편향

#fairness

확증 편향을 참고하세요.

폭발적인 경사 문제

#seq

심층신경망 (특히 순환 신경망)의 경사가 놀라울 정도로 가파르게 (높게) 변하는 경향입니다. 가파른 기울기는 종종 딥 신경망의 각 노드의 가중치를 매우 크게 업데이트합니다.

폭발적인 경사 문제로 인해 모델을 학습하기가 어렵거나 불가능해집니다. 그라데이션 자르기를 사용하면 이 문제를 완화할 수 있습니다.

경사 소멸 문제와 비교해 보세요.

F

F₁

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

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

아이콘을 클릭하여 예를 확인하세요.

정밀도와 재현율이 다음과 같은 값이라고 가정해 보겠습니다.

• precision = 0.6
• recall = 0.4

F₁은 다음과 같이 계산합니다.

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

정밀도와 재현율이 상당히 유사한 경우 (위 예와 같이) F₁은 평균에 가깝습니다. 정밀도와 재현율이 크게 다른 경우 F₁은 더 낮은 값에 가깝습니다. 예를 들면 다음과 같습니다.

• precision = 0.9
• recall = 0.1

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

---

사실성

#generativeAI

ML 환경 내에서 출력이 현실을 기반으로 하는 모델을 설명하는 속성입니다. 사실성은 측정항목이 아닌 개념입니다. 예를 들어 다음 프롬프트를 대규모 언어 모델에 전송한다고 가정해 보겠습니다.

식탁용 소금의 화학식은 무엇인가요?

사실성을 최적화하는 모델은 다음과 같이 응답합니다.

NaCl

모든 모델은 사실에 기반해야 한다고 가정하고 싶은 유혹이 있습니다. 그러나 다음과 같은 일부 프롬프트는 생성형 AI 모델이 사실성이 아닌 창의성을 최적화하도록 유도합니다.

우주비행사와 애벌레에 관한 리메릭을 들려줘.

이렇게 만들어진 리메릭은 현실에 기반하지 않을 가능성이 큽니다.

근거와 대비되는 개념입니다.

공정성 제약조건

#fairness

하나 이상의 공정성 정의가 충족되도록 알고리즘에 제약조건을 적용합니다. 공정성 제약 조건의 예는 다음과 같습니다.

• 모델의 출력을 사후 처리합니다.
• 공정성 측정항목 위반에 대한 페널티를 통합하도록 손실 함수를 변경합니다.
• 최적화 문제에 수학적 제약 조건을 직접 추가합니다.

공정성 측정항목

#fairness

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

• 이퀄라이즈드 오즈
• 예측 패리티
• counterfactual fairness
• 인구통계 동등성

많은 공정성 측정항목은 상호 배타적입니다. 공정성 측정항목의 비호환성을 참고하세요.

거짓음성 (FN)

#fundamentals

모델에서 네거티브 클래스로 잘못 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아님(네거티브 클래스)이라고 예측했지만 실제로는 스팸인 경우를 말합니다.

거짓음성률

모델이 네거티브 클래스로 잘못 예측한 실제 양성 예시의 비율입니다. 다음 수식은 거짓 음성 비율을 계산합니다.

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

자세한 내용은 머신러닝 단기집중과정의 임곗값 및 혼동 행렬을 참고하세요.

거짓양성 (FP)

#fundamentals

모델에서 포지티브 클래스로 잘못 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸 (포지티브 클래스)이라고 예측했지만 실제로는 스팸이 아닌 경우입니다.

자세한 내용은 머신러닝 단기집중과정의 임곗값 및 혼동 행렬을 참고하세요.

거짓양성률 (FPR)

#fundamentals

모델이 포지티브 클래스로 잘못 예측한 실제 음성 예시의 비율입니다. 다음 수식으로 거짓양성률을 계산합니다.

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

거짓양성률은 ROC 곡선의 x축입니다.

자세한 내용은 머신러닝 단기집중과정의 분류: ROC 및 AUC를 참고하세요.

특징

#fundamentals

머신러닝 모델의 입력 변수입니다. 예는 하나 이상의 지형지물로 구성됩니다. 예를 들어 날씨가 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습한다고 가정해 보겠습니다. 다음 표에는 각각 3개의 지형지물과 1개의 라벨이 포함된 세 가지 예가 나와 있습니다.

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

라벨과 대비되는 개념입니다.

자세한 내용은 머신러닝 소개 과정의 지도 학습을 참고하세요.

특성 교차

#fundamentals

범주형 또는 버케팅된 특성을 '교차'하여 형성된 합성 특성입니다.

예를 들어 다음 네 가지 버킷 중 하나로 온도를 나타내는 '기분 예측' 모델을 생각해 보겠습니다.

• freezing
• chilly
• temperate
• warm

다음 세 가지 버킷 중 하나로 풍속을 나타냅니다.

• still
• light
• windy

특성 교차가 없으면 선형 모델은 앞의 7가지 다양한 버킷 각각에 대해 독립적으로 학습합니다. 따라서 모델은 예를 들어 windy의 학습과는 별개로 freezing에서 학습합니다.

또는 온도와 풍속의 지형지물 교차를 만들 수 있습니다. 이 합성 기능에는 다음과 같은 12가지 값이 있을 수 있습니다.

• 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 교차를 통해 모델은 freezing-windy일과 freezing-still일 간의 기분 차이를 학습할 수 있습니다.

각각 다양한 버킷이 많은 두 특성으로 합성 특성을 만들면 결과 특성 교차에는 가능한 조합이 엄청나게 많습니다. 예를 들어 한 특성에 버킷이 1,000개 있고 다른 특성에 버킷이 2,000개 있는 경우 결과 특성 교차에는 버킷이 2,000,000개 있습니다.

공식적으로 교차는 카티전 곱입니다.

특성 교차는 주로 선형 모델과 함께 사용되며 신경망에서는 거의 사용되지 않습니다.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터: 특성 교차를 참고하세요.

특성 추출 단계를 포함합니다

#fundamentals

#TensorFlow

다음 단계를 포함하는 프로세스입니다.

1. 모델을 학습시키는 데 유용할 특성을 결정합니다.
2. 데이터 세트의 원시 데이터를 이러한 기능의 효율적인 버전으로 변환합니다.

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

특성 추출을 특징 추출 또는 특성화라고도 합니다.

TensorFlow에 관한 추가 메모를 보려면 아이콘을 클릭합니다.

TensorFlow에서 특성 추출은 일반적으로 원시 로그 파일 항목을 tf.Example 프로토콜 버퍼로 변환하는 것을 의미합니다. tf.Transform도 참고하세요.

---

자세한 내용은 머신러닝 단기집중과정에서 숫자 데이터: 모델이 특성 벡터를 사용하여 데이터를 처리하는 방법을 참고하세요.

특성 추출

다음과 같은 정의로 중복 정의된 용어입니다.

• 비감독 학습 또는 사전 학습된 모델에서 계산된 중간 특성 표현(예: 신경망의 숨겨진 레이어 값)을 검색하여 다른 모델에서 입력으로 사용합니다.
• 특성 추출의 동의어입니다.

특성 중요도

#df

변수 중요도의 동의어입니다.

기능 세트

#fundamentals

머신러닝 모델에서 학습에 사용하는 특성 그룹입니다. 예를 들어 우편번호, 주택 크기, 주택 상태는 주택 가격을 예측하는 모델의 간단한 특성 집합을 구성할 수 있습니다.

특성 사양

#TensorFlow

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

• 추출할 데이터 (즉, 지형지물의 키)
• 데이터 유형 (예: 부동 소수점 수 또는 정수)
• 길이 (고정 또는 가변)

특성 벡터

#fundamentals

예를 구성하는 특성 값 배열입니다. 특성 벡터는 학습 및 추론 중에 입력됩니다. 예를 들어 두 개의 개별 특성이 있는 모델의 특성 벡터는 다음과 같습니다.

[0.92, 0.56]

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

[0.73, 0.49]

특성 추출은 특성 벡터에서 특성을 나타내는 방법을 결정합니다. 예를 들어 가능한 값이 5개인 이진 범주형 특성은 원-핫 인코딩으로 표현할 수 있습니다. 이 경우 특정 예시의 특징 벡터 부분은 다음과 같이 4개의 0과 세 번째 위치의 단일 1.0으로 구성됩니다.

[0.0, 0.0, 1.0, 0.0, 0.0]

또 다른 예로 모델이 다음과 같은 세 가지 특성으로 구성되어 있다고 가정해 보겠습니다.

• 원-핫 인코딩으로 표현되는 가능한 값이 5개인 바이너리 범주형 특성입니다(예: [0.0, 1.0, 0.0, 0.0, 0.0]).
• 원-핫 인코딩으로 나타낼 수 있는 세 가지 값이 있는 다른 이진 범주형 특성입니다(예: [0.0, 0.0, 1.0]).
• 부동 소수점 지형지물(예: 8.3)

이 경우 각 예시의 특성 벡터는 9개의 값으로 표시됩니다. 위 목록의 예시 값을 고려할 때 특성 벡터는 다음과 같습니다.

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

자세한 내용은 머신러닝 단기집중과정에서 숫자 데이터: 모델이 특성 벡터를 사용하여 데이터를 처리하는 방법을 참고하세요.

기능화

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

일부 ML 전문가는 특성화를 특성 추출 또는 특징 추출의 동의어로 사용합니다.

제휴 학습

스마트폰과 같은 기기에 상주하는 분산화된 예시를 사용하여 머신러닝 모델을 학습하는 분산식 머신러닝 접근방식입니다. 제휴 학습에서는 기기의 하위 집합이 중앙 조정 서버에서 현재 모델을 다운로드합니다. 기기는 기기에 저장된 예시를 사용하여 모델을 개선합니다. 그런 다음 기기는 모델 개선사항 (학습 예시 제외)을 조정 서버에 업로드하고, 여기서 다른 업데이트와 함께 집계되어 개선된 글로벌 모델이 생성됩니다. 집계 후에는 기기에서 계산한 모델 업데이트가 더 이상 필요하지 않으며 삭제할 수 있습니다.

학습 예시는 업로드되지 않으므로 제휴 학습은 집중적인 데이터 수집 및 데이터 최소화의 개인 정보 보호 원칙을 따릅니다.

제휴 학습에 관한 자세한 내용은 이 튜토리얼을 참고하세요.

피드백 루프

#fundamentals

머신러닝에서 모델의 예측이 동일한 모델 또는 다른 모델의 학습 데이터에 영향을 미치는 상황입니다. 예를 들어 영화를 추천하는 모델은 사용자가 보는 영화에 영향을 미치고 이는 후속 영화 추천 모델에 영향을 미칩니다.

자세한 내용은 머신러닝 단기집중과정의 프로덕션 ML 시스템: 물어볼 질문을 참고하세요.

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 예시만으로 효과적인 분류기를 학습하도록 설계되었습니다.

원샷 학습 및 제로샷 학습도 참고하세요.

퓨샷 프롬프팅

#language

#generativeAI

대규모 언어 모델이 응답하는 방식을 보여주는 두 개 이상의 예시('몇 개')가 포함된 프롬프트입니다. 예를 들어 다음과 같은 긴 프롬프트에는 대규모 언어 모델이 쿼리에 답변하는 방법을 보여주는 두 가지 예시가 포함되어 있습니다.

하나의 프롬프트의 일부	참고
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문
프랑스: 유로	한 가지 예를 들어 보겠습니다.
영국: GBP	다른 예시를 들어보겠습니다.
인도:	실제 쿼리입니다.

퓨샷 프롬프트는 일반적으로 제로샷 프롬프트 및 원샷 프롬프트보다 바람직한 결과를 얻습니다. 그러나 퓨샷 프롬프트에는 더 긴 프롬프트가 필요합니다.

퓨샷 프롬프트 작성은 프롬프트 기반 학습에 적용되는 퓨샷 학습의 한 형태입니다.

자세한 내용은 머신러닝 단기집중과정의 프롬프트 설계를 참고하세요.

바이올린

#language

침습적인 코드나 인프라 없이 함수와 클래스의 값을 설정하는 Python 우선 구성 라이브러리입니다. Pax 및 기타 ML 코드베이스의 경우 이러한 함수와 클래스는 모델 및 학습 초매개변수를 나타냅니다.

Fiddle은 머신러닝 코드베이스가 일반적으로 다음과 같이 분류된다고 가정합니다.

• 레이어와 최적화 도구를 정의하는 라이브러리 코드
• 라이브러리를 호출하고 모든 것을 연결하는 데이터 세트 '글루' 코드

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

미세 조정

#language

#image

#generativeAI

사전 학습된 모델에서 수행되는 두 번째 태스크별 학습 패스로, 특정 사용 사례에 맞게 매개변수를 미세 조정합니다. 예를 들어 일부 대규모 언어 모델의 전체 학습 시퀀스는 다음과 같습니다.

1. 선행 학습: 모든 영어 위키백과 페이지와 같은 방대한 일반 데이터 세트에서 대규모 언어 모델을 학습합니다.
2. 미세 조정: 의료 관련 질문에 답변하는 등 특정 태스크를 수행하도록 사전 학습된 모델을 학습합니다. 미세 조정에는 일반적으로 특정 작업에 중점을 둔 수백 또는 수천 개의 예시가 포함됩니다.

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

1. 선행 학습: Wikimedia Commons의 모든 이미지와 같은 방대한 일반 이미지 데이터 세트에서 대규모 이미지 모델을 학습합니다.
2. 미세 조정: 선행 학습된 모델을 훈련하여 범고래 이미지 생성과 같은 특정 작업을 실행합니다.

미세 조정에는 다음 전략을 조합하여 적용할 수 있습니다.

• 선행 학습된 모델의 기존 매개변수를 모두 수정합니다. 이를 전체 미세 조정이라고도 합니다.
• 선행 학습된 모델의 기존 매개변수 중 일부(일반적으로 출력 레이어에 가장 가까운 레이어)만 수정하고 다른 기존 매개변수 (일반적으로 입력 레이어에 가장 가까운 레이어)는 변경하지 않습니다. 파라미터 효율적인 튜닝을 참고하세요.
• 일반적으로 출력 레이어에 가장 가까운 기존 레이어 위에 레이어를 추가합니다.

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

미세 조정을 다음 용어와 비교 및 대조하세요.

• distillation
• 프롬프트 기반 학습

자세한 내용은 머신러닝 단기집중과정의 미세 조정을 참고하세요.

플랙스

#language

JAX를 기반으로 빌드된 딥 러닝을 위한 고성능 오픈소스 라이브러리입니다. Flax는 신경망 학습을 위한 함수와 성능을 평가하는 메서드를 제공합니다.

Flaxformer

#language

Transformer를 기반으로 빌드된 오픈소스 Transformer 라이브러리로, 주로 자연어 처리 및 다중 모달 연구를 위해 설계되었습니다.

forget gate

#seq

장기 단기 기억 세포의 일부로, 세포를 통한 정보 흐름을 조절합니다. 잊어버리기 게이트는 셀 상태에서 삭제할 정보를 결정하여 컨텍스트를 유지합니다.

성공 비율

#generativeAI

ML 모델의 생성된 텍스트를 평가하기 위한 측정항목입니다. 성공 비율은 '성공'한 생성된 텍스트 출력 수를 총 생성된 텍스트 출력 수로 나눈 값입니다. 예를 들어 대규모 언어 모델이 10개의 코드 블록을 생성했는데 그중 5개가 성공했다면 성공 비율은 50%입니다.

성공률은 통계 전반에서 광범위하게 유용하지만 ML 내에서는 코드 생성이나 수학 문제와 같이 검증 가능한 작업을 측정하는 데 주로 유용합니다.

전체 소프트맥스

softmax의 동의어입니다.

후보 샘플링과 대비되는 개념입니다.

자세한 내용은 머신러닝 단기집중과정의 신경망: 다중 클래스 분류를 참고하세요.

완전 연결 레이어

각 노드가 후속 히든 레이어의 모든 노드에 연결된 히든 레이어입니다.

완전 연결 레이어를 밀집 레이어라고도 합니다.

함수 변환

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

G

GAN

생성적 적대 신경망의 약어입니다.

Gemini

#language

#image

#generativeAI

Google의 가장 진보된 AI로 구성된 생태계입니다. 이 생태계의 요소는 다음과 같습니다.

• 다양한 Gemini 모델
• Gemini 모델의 대화형 대화 인터페이스입니다. 사용자가 프롬프트를 입력하면 Gemini가 해당 프롬프트에 응답합니다.
• 다양한 Gemini API
• Gemini 모델을 기반으로 하는 다양한 비즈니스 제품(예: Google Cloud용 Gemini)

Gemini 모델

#language

#image

#generativeAI

Google의 최첨단 Transformer 기반 멀티모달 모델입니다. Gemini 모델은 상담사와 통합되도록 특별히 설계되었습니다.

사용자는 대화형 대화상자 인터페이스, SDK 등을 통해 다양한 방식으로 Gemini 모델과 상호작용할 수 있습니다.

일반화

#fundamentals

이전에 접하지 못한 새로운 데이터에 대해 올바른 예측을 수행하는 모델의 능력입니다. 일반화할 수 있는 모델은 과적합하는 모델과는 반대입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

학습 세트의 예시를 사용하여 모델을 학습시킵니다. 따라서 모델은 학습 세트의 데이터 특성을 학습합니다. 일반화는 기본적으로 모델이 학습 세트에 없는 예시를 잘 예측할 수 있는지 묻는 것입니다.

일반화를 촉진하기 위해 정규화는 모델이 학습 세트의 데이터 특성에 덜 정확하게 학습하도록 도와줍니다.

---

자세한 내용은 머신러닝 단기집중과정의 일반화를 참고하세요.

일반화 곡선

#fundamentals

반복 횟수의 함수로 학습 손실과 검증 손실을 모두 표시한 그래프입니다.

일반화 곡선을 사용하면 가능한 과적합을 감지하는 데 도움이 됩니다. 예를 들어 다음 일반화 곡선은 검증 손실이 학습 손실보다 훨씬 높아지므로 과적합을 암시합니다.

자세한 내용은 머신러닝 단기집중과정의 일반화를 참고하세요.

일반화 선형 모델

가우스 소음을 기반으로 하는 최소 제곱 회귀 모델을 포아송 소음 또는 카테고리 소음과 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 모델에는 다음과 같은 속성이 있습니다.

• 최적화된 최소 제곱 회귀 모델의 평균적인 예측은 학습 데이터의 평균 라벨과 동일합니다.
• 최적화된 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'하지 못합니다.

생성된 텍스트

#language

#generativeAI

일반적으로 ML 모델이 출력하는 텍스트입니다. 대규모 언어 모델을 평가할 때 일부 측정항목은 생성된 텍스트를 참조 텍스트와 비교합니다. 예를 들어 ML 모델이 프랑스어에서 네덜란드어로 번역하는 효율성을 확인하려고 한다고 가정해 보겠습니다. 이 경우에는 다음과 같습니다.

• 생성된 텍스트는 ML 모델이 출력하는 네덜란드어 번역입니다.
• 참조 텍스트는 사람이나 소프트웨어가 생성한 네덜란드어 번역입니다.

일부 평가 전략에는 참조 텍스트가 포함되지 않습니다.

생성적 적대 신경망 (GAN)

생성기가 데이터를 생성하고 분류자가 생성된 데이터가 유효한지 여부를 결정하는 새 데이터 생성 시스템입니다.

자세한 내용은 생성형 대립 학습 네트워크 과정을 참고하세요.

생성형 AI의

#language

#image

#generativeAI

공식적인 정의가 없는 신흥 혁신 분야입니다. 하지만 대부분의 전문가는 생성형 AI 모델이 다음을 모두 충족하는 콘텐츠를 만들 수 있다고 동의합니다.

• 복잡한
• 일관된
• 원본

예를 들어 생성형 AI 모델은 정교한 에세이나 이미지를 만들 수 있습니다.

LSTM 및 RNN을 비롯한 일부 이전 기술도 독창적이고 일관된 콘텐츠를 생성할 수 있습니다. 일부 전문가는 이러한 이전 기술을 생성형 AI로 간주하는 반면, 진정한 생성형 AI에는 이전 기술에서 생성할 수 있는 것보다 더 복잡한 출력이 필요하다고 생각하는 전문가도 있습니다.

예측 ML과 대비되는 개념입니다.

생성 모델

다음 중 하나를 수행하는 모델입니다.

• 학습 데이터 세트로부터 새 예제를 생성합니다. 예를 들어 생성형 모델은 시 데이터 세트를 학습한 후 시를 작성할 수 있습니다. 생성적 적대 신경망의 생성기 부분이 이 카테고리에 속합니다.
• 새로운 예가 학습 세트에서 생성되거나 학습 세트를 생성한 것과 동일한 메커니즘을 통해 생성되었을 확률을 결정합니다. 예를 들어 영어 문장으로 구성된 데이터 세트를 학습한 후 생성 모델은 새 입력이 유효한 영어 문장일 확률을 결정합니다.

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

p(examples)

비지도 학습 모델은 생성 모델입니다.

분류 모델과 대비되는 개념입니다.

생성기

새 예시를 생성하는 생성적 적대 신경망 내의 하위 시스템입니다.

분류 모델과 대비되는 개념입니다.

gini impurity

#df

엔트로피와 유사한 측정항목입니다. 분할자는 지니 불순도 또는 엔트로피에서 파생된 값을 사용하여 분류 의사결정 트리의 조건을 구성합니다. 정보 이득은 엔트로피에서 파생됩니다. 지니 불순도에서 파생된 측정항목에 대해 보편적으로 인정되는 등가 용어는 없습니다. 그러나 이 이름 없는 측정항목은 정보 이득만큼이나 중요합니다.

지니 불순도는 지니 계수 또는 간단히 지니라고도 합니다.

지니 불순도에 관한 수학적 세부정보를 보려면 아이콘을 클릭하세요.

지니 불순도는 동일한 분포에서 가져온 새 데이터를 잘못 분류할 가능성입니다. 가능한 값이 '0'과 '1'인 집합의 지니 불순도(예: 이진 분류 문제의 라벨)는 다음 수식으로 계산됩니다.

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

각 항목의 의미는 다음과 같습니다.

• I는 지니 불순도입니다.
• p는 '1' 예시의 비율입니다.
• q는 '0' 예시의 비율입니다. q = 1-p

예를 들어 다음 데이터 세트를 고려해 보겠습니다.

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

따라서 지니 불순도는 다음과 같습니다.

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

따라서 동일한 데이터 세트의 임의 라벨은 잘못 분류될 확률이 37.5% 이고 올바르게 분류될 확률이 62.5% 입니다.

완벽하게 균형 잡힌 라벨 (예: '0' 200개와 '1' 200개)의 지니 불순도는 0.5입니다. 불균형 라벨이 있으면 지니 불순도가 0.0에 가까워집니다.

---

골드 데이터 세트

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

일부 골드 데이터 세트는 실측값의 여러 하위 도메인을 캡처합니다. 예를 들어 이미지 분류를 위한 골드 데이터 세트는 조명 조건과 이미지 해상도를 캡처할 수 있습니다.

황금 응답

#language

#generativeAI

좋은 것으로 알려진 답변입니다. 예를 들어 다음과 같은 프롬프트가 있다고 가정해 보겠습니다.

2 + 2

이상적인 응답은 다음과 같습니다.

4

참고: 일부 조직에서는 골드 응답보다 낮거나 높은 품질의 응답에 실버 응답 및 플래티넘 응답과 같은 추가 용어를 정의합니다. 예를 들어 조직에서 플래티넘 응답을 사용하여 전문가가 생성한 골드 응답을 나타낸 후 다른 전문가가 추가로 검증할 수 있습니다.

이상적인 응답 및 참조 텍스트에 관한 메모를 보려면 여기를 클릭하세요.

ROUGE와 같은 일부 평가 측정항목은 참조 텍스트를 모델의 생성된 텍스트와 비교합니다. 프롬프트에 대한 올바른 답변이 하나인 경우 일반적으로 이상적인 응답이 참조 텍스트로 사용됩니다.

일부 프롬프트에는 정답이 하나도 없습니다. 예를 들어 이 문서 요약 프롬프트에는 정답이 여러 개 있을 수 있습니다. 이러한 프롬프트의 경우 모델이 매우 광범위한 요약을 생성할 수 있으므로 참조 텍스트가 실용적이지 않은 경우가 많습니다. 하지만 이 상황에서는 골드 응답이 도움이 될 수 있습니다. 예를 들어 우수한 문서 요약이 포함된 골드 응답은 자동 평가 도구를 학습하여 우수한 문서 요약의 패턴을 찾는 데 도움이 될 수 있습니다.

---

GPT (Generative Pre-trained Transformer)

#language

OpenAI에서 개발한 Transformer 기반 대규모 언어 모델 제품군입니다.

GPT 변형은 다음을 포함한 여러 모달에 적용할 수 있습니다.

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

gradient

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

그라데이션 누적

반복당 한 번이 아니라 에포크당 한 번만 매개변수를 업데이트하는 백프로파게이션 기법입니다. 각 미니 배치를 처리한 후 기울기 누적은 실행 중인 총 기울기를 업데이트하기만 합니다. 그런 다음 시스템은 에포크의 마지막 미니 배치를 처리한 후 모든 기울기 변경사항의 합계를 기반으로 매개변수를 업데이트합니다.

기울기 누적은 배치 크기가 학습에 사용할 수 있는 메모리 양에 비해 매우 클 때 유용합니다. 메모리가 문제가 되는 경우 자연스럽게 배치 크기를 줄이게 됩니다. 그러나 일반 역전파에서 배치 크기를 줄이면 매개변수 업데이트 수가 증가합니다. 기울기 누적을 사용하면 모델이 메모리 문제를 방지하면서도 효율적으로 학습할 수 있습니다.

그래디언트 부스팅 (의사 결정) 트리 (GBT)

#df

다음과 같은 결정 포레스트 유형입니다.

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

자세한 내용은 결정 트리 과정의 경사 부스트 결정 트리를 참고하세요.

경사 부스팅

#df

약한 모델을 학습하여 강한 모델의 품질을 반복적으로 개선 (손실 감소)하는 학습 알고리즘입니다. 예를 들어 선형 모델이나 소규모 결정 트리 모델은 약한 모델일 수 있습니다. 강력한 모델은 이전에 학습된 모든 약한 모델의 합계가 됩니다.

가장 단순한 형태의 경사 부스팅에서는 각 반복마다 약한 모델이 강한 모델의 손실 경사를 예측하도록 학습됩니다. 그런 다음 경사 하강과 마찬가지로 예측된 경사를 빼서 강력한 모델의 출력이 업데이트됩니다.

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

각 항목의 의미는 다음과 같습니다.

• $F_{0}$ 은 시작 강력한 모델입니다.
• $F_{i+1}$ 은 다음 강력한 모델입니다.
• $F_{i}$ 는 현재 강력한 모델입니다.
• $\xi$ 는 0.0과 1.0 사이의 값으로 축소라고 하며, 이는 경사 하강의 학습률과 유사합니다.
• $f_{i}$ 는 $F_{i}$의 손실 기울기를 예측하도록 학습된 약한 모델입니다.

최신 변형의 경사 부스팅은 계산에 손실의 2차 미분(헤시안)도 포함합니다.

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

그라데이션 제한

#seq

경사하강법을 사용하여 모델을 학습할 때 경사의 최대값을 인위적으로 제한 (클리핑)하여 경사 폭발 문제를 완화하는 데 일반적으로 사용되는 메커니즘입니다.

경사하강법

#fundamentals

손실을 최소화하는 수학적 기법입니다. 경사하강법은 가중치와 편향을 반복적으로 조정하여 손실을 최소화하는 최적의 조합을 점진적으로 찾습니다.

경사 하강은 머신러닝보다 훨씬 오래된 기법입니다.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 경사 하강을 참고하세요.

그래프

#TensorFlow

TensorFlow에서는 계산 사양을 의미합니다. 그래프의 노드는 작업을 나타냅니다. 가장자리는 방향성을 가지며, 연산의 결과 (Tensor)를 다른 연산의 피연산자로 전달함을 나타냅니다. TensorBoard를 사용하여 그래프를 시각화할 수 있습니다.

그래프 실행

#TensorFlow

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

즉시 실행과 대비되는 개념입니다.

탐욕스러운 정책

#rl

강화 학습에서 항상 예상 수익이 가장 높은 작업을 선택하는 정책입니다.

groundedness

출력이 특정 소스 자료를 기반으로 하는('기초를 두는') 모델의 속성입니다. 예를 들어 전체 물리학 교과서를 대규모 언어 모델에 입력 ('맥락')으로 제공한다고 가정해 보겠습니다. 그런 다음 대규모 언어 모델에 물리학 질문을 프롬프트합니다. 모델의 대답이 해당 교과서의 정보를 반영하는 경우 해당 모델은 해당 교과서에 근거가 있는 것입니다.

근거 기반 모델이 항상 사실 기반 모델은 아닙니다. 예를 들어 입력된 물리학 교과서에 오류가 있을 수 있습니다.

정답

#fundamentals

현실입니다.

실제로 발생한 상황

예를 들어 대학 1학년 학생이 6년 이내에 졸업할지 예측하는 이진 분류 모델을 생각해 보세요. 이 모델의 정답은 학생이 6년 이내에 실제로 졸업했는지 여부입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

Google에서는 정답을 기준으로 모델 품질을 평가합니다. 하지만 실측 정보가 항상 완전히 사실인 것은 아닙니다. 예를 들어 다음은 실제 정보에 잠재적인 결함이 있을 수 있는 예시입니다.

• 졸업 예시에서 각 학생의 졸업 기록이 항상 정확하다고 확신할 수 있나요? 대학의 기록 보관이 완벽한가요?
• 라벨이 기기(예: 기압계)로 측정된 부동 소수점 값이라고 가정해 보겠습니다. 각 기기가 동일하게 보정되었거나 각 측정값이 동일한 상황에서 측정되었는지 어떻게 알 수 있나요?
• 라벨이 인간의 의견에 따라 달라진다면 각 평가자가 동일한 방식으로 이벤트를 평가하고 있는지 어떻게 알 수 있을까요? 일관성을 개선하기 위해 전문가 인간 평가자가 개입하는 경우도 있습니다.

---

그룹 귀인 편향

#fairness

특정 개인의 진실이 해당 그룹에 속한 모든 사람에게도 진실일 것이라고 가정합니다. 데이터 수집을 위해 간편 샘플링을 사용할 경우 그룹 귀인 편향 효과가 악화될 수 있습니다. 대표성이 없는 샘플에서 현실을 반영하지 않는 귀인이 생성될 수 있습니다.

외부 집단 동질화 편향 및 내집단 편향도 참고하세요. 자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

H

할루시네이션

#language

실제 세계에 관해 주장하는 것으로 보이는 생성형 AI 모델이 타당해 보이지만 실제로는 잘못된 출력을 생성하는 경우 예를 들어 버락 오바마가 1865년에 사망했다고 주장하는 생성형 AI 모델은 환각을 일으키는 것입니다.

해싱

머신러닝에서 범주형 데이터를 버케팅하는 메커니즘으로, 특히 카테고리 수는 많지만 데이터 세트에 실제로 나타나는 카테고리 수는 상대적으로 적은 경우에 사용됩니다.

예를 들어 지구에는 약 73,000가지의 수종이 생식하고 있습니다. 73,000개의 개별 범주형 버킷에서 73,000가지 수종을 각각 나타낼 수 있습니다. 또는 이러한 수종 중 200종만 데이터 세트에 실제로 나타나는 경우 해싱을 사용하여 수종을 500개 버킷으로 나눌 수 있습니다.

단일 버킷에 여러 수종이 포함될 수 있습니다. 예를 들어 해싱은 유전적으로 유사한 수종인 바오밥과 홍단풍을 동일한 버킷에 배치할 수 있습니다. 그럼에도 불구하고 해싱은 많은 범주형 세트를 선택한 수의 버킷으로 매핑하는 데 유용한 방식입니다. 해싱은 결정적인 방식으로 값을 그룹화하여 많은 수의 가능한 값을 가진 범주형 특성을 훨씬 적은 수의 값으로 변환합니다.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터: 어휘 및 원-핫 인코딩을 참고하세요.

휴리스틱

문제에 대한 간단하고 빠르게 구현할 수 있는 해결책입니다. 예를 들어 "휴리스틱을 통해 86% 의 정확성을 실현했습니다. 심층신경망으로 전환한 후 정확성이 최대 98%로 향상되었습니다."

히든 레이어

#fundamentals

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

심층신경망에는 두 개 이상의 히든 레이어가 포함되어 있습니다. 예를 들어 위의 그림은 모델에 숨겨진 레이어가 두 개 포함되어 있으므로 심층신경망입니다.

자세한 내용은 머신러닝 단기집중과정의 신경망: 노드 및 숨겨진 레이어를 참고하세요.

계층적 군집화

#clustering

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

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

중심 기반 군집화와 대비되는 개념입니다.

자세한 내용은 클러스터링 과정의 클러스터링 알고리즘을 참고하세요.

언덕 오르기

모델의 개선이 중지될 때까지 ('언덕 정상에 도달') ML 모델을 반복적으로 개선 ('언덕을 오르기')하는 알고리즘입니다. 알고리즘의 일반적인 형식은 다음과 같습니다.

1. 시작 모델을 빌드합니다.
2. 학습 또는 미세 조정 방식을 약간 조정하여 새로운 후보 모델을 만듭니다. 약간 다른 학습 세트 또는 다른 초매개변수를 사용해야 할 수도 있습니다.
3. 새 후보 모델을 평가하고 다음 작업 중 하나를 실행합니다.
   • 후보 모델이 시작 모델보다 성능이 우수하면 해당 후보 모델이 새 시작 모델이 됩니다. 이 경우 1, 2, 3단계를 반복합니다.
   • 시작 모델보다 성능이 우수한 모델이 없으면 최적의 모델에 도달한 것이므로 반복을 중지해야 합니다.

참고: 언덕 꼭대기는 꼭 전역 최대값이 아닌 로컬 최대값으로 간주합니다. 즉, 언덕 오르기를 사용하면 현재 제약 조건 내에서 최적의 모델을 찾을 수 있습니다. 하지만 새로운 접근 방식으로 다시 시작하면 더 나은 모델을 구축할 수 있습니다.

초매개변수 조정에 관한 안내는 딥 러닝 조정 플레이북을 참고하세요. 특성 추출에 관한 안내는 머신러닝 단기집중과정의 데이터 모듈을 참고하세요.

힌지 손실

각 학습 예시에서 최대한 멀리 떨어진 결정 경계를 찾아 예시와 경계 간의 마진을 극대화하도록 설계된 분류용 손실 함수 계열입니다. KSVM은 힌지 손실을 사용하거나 제곱 힌지 손실 등의 관련 함수를 사용합니다. 바이너리 분류의 경우 힌지 손실 함수는 다음과 같이 정의됩니다.

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

여기서 y는 -1 또는 +1의 참 라벨이고 y'는 분류 모델의 원시 출력입니다.

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

따라서 힌지 손실과 (y * y')의 그래프는 다음과 같습니다.

과거 편향

#fairness

이미 세상에 존재하고 데이터 세트로 유입된 편향의 한 유형입니다. 이러한 편향은 기존의 문화적 고정관념, 인구통계적 불평등, 특정 사회 집단에 대한 편견을 반영하는 경향이 있습니다.

예를 들어 두 지역의 현지 은행에서 1980년대의 대출 채무 불이행 관련 데이터를 바탕으로 학습하여 대출 신청자가 대출을 불이행할지 예측하는 분류 모델을 생각해 보겠습니다. 과거에 커뮤니티 A의 신청자가 커뮤니티 B의 신청자보다 6배 더 자주 대출을 연체했다면 모델은 과거의 편향을 학습하여 커뮤니티 A의 대출 승인 가능성을 낮추게 될 수 있습니다. 이때 커뮤니티 A의 높은 연체율을 초래한 과거 조건이 더 이상 관련이 없더라도 마찬가지입니다.

자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

홀드아웃 데이터

학습 중에 의도적으로 사용하지 않은 ('홀드아웃된') 예입니다. 검증 데이터 세트 및 테스트 데이터 세트는 홀드아웃 데이터의 예입니다. 홀드아웃 데이터는 학습에 사용하지 않은 데이터를 일반화하는 모델의 능력을 평가하는 데 도움이 됩니다. 홀드아웃 세트의 손실은 학습 세트의 손실보다 이전에 접하지 못한 데이터의 손실을 더 효과적으로 예측합니다.

호스트

#TensorFlow

#GoogleCloud

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

• 코드의 전반적인 흐름입니다.
• 입력 파이프라인의 추출 및 변환

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

검토자 평가

#language

#generativeAI

사람이 ML 모델의 출력물 품질을 판단하는 절차입니다. 예를 들어 이중 언어 사용자가 ML 번역 모델의 품질을 판단하는 경우가 여기에 해당합니다. 사람 평가는 정답이 하나도 없는 모델을 판단하는 데 특히 유용합니다.

자동 평가 및 자동 평가 도구 평가와는 대조됩니다.

인간 참여형 (HITL)

#generativeAI

다음 중 하나를 의미할 수 있는 느슨하게 정의된 관용어입니다.

• 생성형 AI 출력을 비판적으로 또는 회의적으로 보는 정책입니다. 예를 들어 이 ML 용어집을 작성하는 인간은 대규모 언어 모델이 할 수 있는 일에 놀라지만 대규모 언어 모델이 저지르는 실수에 유의합니다.
• 사용자가 모델의 동작을 형성, 평가, 미세 조정하는 데 도움을 주는 전략 또는 시스템입니다. 인간을 참여시키면 AI가 머신 지능과 인간 지능의 이점을 모두 누릴 수 있습니다. 예를 들어 AI가 코드를 생성하고 소프트웨어 엔지니어가 검토하는 시스템은 인간이 참여하는 시스템입니다.

하이퍼파라미터

#fundamentals

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

반면 매개변수는 모델이 학습 중에 학습하는 다양한 가중치와 편향입니다.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 초매개변수를 참고하세요.

초평면

공간을 두 개의 하위 공간으로 구분하는 경계입니다. 예를 들어 선은 2차원의 초평면이고 평면은 3차원의 초평면입니다. 머신러닝에서는 초평면이 고차원 공간을 구분하는 경계입니다. 커널 서포트 벡터 머신은 초평면을 사용하여 포지티브 클래스와 네거티브 클래스를 구분합니다. 이때 초평면은 초고차원 공간에 있는 경우가 많습니다.

I

i.i.d.

독립적이고 동일한 분포의 약어입니다.

이미지 인식

#image

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

자세한 내용은 ML 실습: 이미지 분류를 참고하세요.

자세한 내용은 ML 실습: 이미지 분류 과정을 참고하세요.

불균형 데이터 세트

클래스 불균형 데이터 세트의 동의어입니다.

내재적 편향

#fairness

자신의 정신적 모델 및 기억을 바탕으로 자동으로 연관 또는 가정합니다. 내재적 편향은 다음에 영향을 줄 수 있습니다.

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

예를 들어 결혼사진을 식별하기 위해 분류기를 만들 때 엔지니어는 사진에 나타나는 흰색 드레스를 특성으로 사용할 수 있습니다. 하지만 흰색 드레스는 특정 시대와 특정 문화에서만 관례적으로 사용됩니다.

확증 편향도 참고하세요.

대치

값 보간의 약어입니다.

공정성 측정항목의 비호환성

#fairness

일부 공정성 개념은 서로 호환되지 않으며 동시에 충족할 수 없다는 생각입니다. 따라서 모든 ML 문제에 적용할 수 있는 공정성을 수치화하는 단일 보편적인 측정항목은 없습니다.

공정성 측정항목이 호환되지 않는다고 해서 공정성 노력이 무익하다는 의미는 아닙니다. 대신 공정성은 사용 사례에 따른 피해를 방지하는 것을 목표로 주어진 ML 문제에 맞는 맥락 속에서 정의되어야 한다고 제안합니다.

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

맥락적 학습

#language

#generativeAI

퓨샷 프롬프팅의 동의어입니다.

독립적이고 동일한 분포 (i.i.d)

#fundamentals

변경되지 않고 그려진 각 값이 이전에 그려진 값에 종속되지 않는 분포에서 가져온 데이터입니다. 독립 이분변량은 머신러닝의 이상기체입니다. 유용한 수학적 구조이지만 현실에서는 거의 찾아볼 수 없습니다. 예를 들어 웹페이지의 방문자 분포는 짧은 기간에는 i.i.d.일 수 있습니다. 즉, 짧은 기간에는 분포가 변하지 않으며 각 사용자의 방문은 일반적으로 서로 독립적입니다. 하지만 기간을 늘리면 웹페이지 방문자 수가 계절에 따라 달라질 수 있습니다.

비정상 상태도 참고하세요.

개인 공정성

#fairness

유사한 개인이 유사하게 분류되는지 확인하는 공정성 측정항목입니다. 예를 들어 Brobdingnagian Academy는 동일한 성적과 표준화된 시험 점수를 가진 두 학생이 동등하게 입학할 수 있도록 하여 개인의 공정성을 충족하고자 할 수 있습니다.

개인 공정성은 '유사성'(이 경우 성적 및 시험 점수)을 정의하는 방식에 전적으로 의존하며, 유사성 측정항목에서 중요한 정보 (예: 학생의 커리큘럼의 엄격도)를 놓치면 새로운 공정성 문제가 발생할 수 있습니다.

개인 공정성에 관한 자세한 내용은 '인식 기반 공정성'을 참고하세요.

추론

#fundamentals

머신러닝에서 학습된 모델을 라벨이 없는 예에 적용하여 예측을 수행하는 과정입니다.

통계에서 추론은 다소 다른 의미를 갖습니다. 자세한 내용은 통계적 추론에 관한 위키백과 문서를 참고하세요.

지도 학습 시스템에서 추론의 역할을 확인하려면 ML 소개 과정에서 지도 학습을 참고하세요.

추론 경로

#df

결정 트리에서 추론 중에 특정 예시가 루트에서 다른 조건으로 이동하는 경로로, 잎으로 끝납니다. 예를 들어 다음 결정 트리에서 더 두꺼운 화살표는 다음과 같은 특성 값이 있는 예시의 추론 경로를 보여줍니다.

• x = 7
• y = 12
• z = -3

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

굵은 화살표 세 개는 추론 경로를 나타냅니다.

자세한 내용은 결정 트리 과정의 결정 트리를 참고하세요.

정보 획득

#df

의사결정 트리에서 노드의 엔트로피와 하위 노드의 엔트로피의 가중치 (예수에 따라) 합계 간의 차이입니다. 노드의 엔트로피는 해당 노드의 예시의 엔트로피입니다.

예를 들어 다음 엔트로피 값을 고려해 보겠습니다.

• 상위 노드의 엔트로피 = 0.6
• 관련 예시가 16개인 하위 노드의 엔트로피 = 0.2
• 관련 예시가 24개인 다른 하위 노드의 엔트로피 = 0.1

따라서 예시의 40% 는 한 하위 노드에 있고 60% 는 다른 하위 노드에 있습니다. 따라서 날짜는 다음과 같이 계산합니다.

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

따라서 정보 이득은 다음과 같습니다.

• 정보 이득 = 상위 노드의 엔트로피 - 하위 노드의 가중치 엔트로피 합계
• 정보 이득 = 0.6 - 0.14 = 0.46

대부분의 분할자는 정보 이득을 극대화하는 조건을 만들려고 합니다.

내집단 편향

#fairness

자신이 속한 그룹이나 자신이 갖고 있는 특성을 편애하는 경향을 나타냅니다. 테스터 또는 평가자가 머신러닝 개발자의 친구, 가족 또는 동료들로 구성된다면 내집단 편향으로 인해 제품 테스트 또는 데이터 세트가 무효화될 수 있습니다.

내집단 편향은 그룹 귀인 편향의 한 형태입니다. 외부 집단 동질화 편향도 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

입력 생성기

데이터가 신경망에 로드되는 메커니즘입니다.

입력 생성기는 학습, 평가, 추론을 위한 일괄 처리를 위해 반복되는 텐서로 원시 데이터를 처리하는 구성요소로 생각할 수 있습니다.

입력 레이어

#fundamentals

특성 벡터를 보유하는 신경망의 레이어입니다. 즉, 입력 레이어는 학습 또는 추론을 위한 예시를 제공합니다. 예를 들어 다음 신경망의 입력층은 두 가지 기능으로 구성됩니다.

in-set 조건

#df

결정 트리에서 항목 집합에 항목 하나가 있는지 테스트하는 조건입니다. 예를 들어 다음은 인셋 조건입니다.

  house-style in [tudor, colonial, cape]

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

인셋 조건은 일반적으로 원-핫 인코딩된 특성을 테스트하는 조건보다 더 효율적인 결정 트리를 생성합니다.

인스턴스

예의 동의어입니다.

지침 조정

#generativeAI

생성형 AI 모델의 안내를 따르는 기능을 개선하는 미세 조정의 한 형태입니다. 안내 조정에는 일반적으로 다양한 태스크를 다루는 일련의 안내 프롬프트에서 모델을 학습하는 것이 포함됩니다. 그러면 결과적으로 얻은 안내 조정 모델은 다양한 작업에서 제로샷 프롬프트에 유용한 대답을 생성하는 경향이 있습니다.

다음과 비교 및 대조

• 매개변수 효율적인 조정
• 프롬프트 조정

해석 가능성

#fundamentals

인간이 이해할 수 있는 용어로 ML 모델의 추론을 설명하거나 제시하는 기능입니다.

예를 들어 대부분의 선형 회귀 모델은 해석 가능성이 매우 높습니다. 각 기능에 대해 학습된 가중치만 보면 됩니다. 또한 의사결정 포레스트는 해석하기가 매우 쉽습니다. 그러나 일부 모델은 정교한 시각화를 통해서만 해석 가능합니다.

LIT (Learning Interpretability Tool)를 사용하여 ML 모델을 해석할 수 있습니다.

평가자 간 동의

인간 평가자가 태스크를 수행할 때 동의하는 빈도를 측정합니다. 평가자가 동의하지 않는 경우 태스크 안내를 개선해야 할 수 있습니다. 평정자 간 동의 또는 평가자 간 신뢰성이라고도 합니다. 가장 널리 사용되는 평가자 간 동의 측정 방식 중 하나인 Cohen's kappa를 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터: 일반적인 문제를 참고하세요.

교집합 (IoU)

#image

두 집합의 교집합을 합집합으로 나눈 값입니다. 머신러닝 이미지 감지 작업에서 IoU는 정답 경계 상자에 대해 모델의 예측 경계 상자의 정확도를 측정하는 데 사용됩니다. 이 경우 두 상자의 IoU는 겹치는 영역과 총 영역의 비율이며, 값의 범위는 0 (예측 경계 상자와 실제 경계 상자 간의 겹침 없음)~1 (예측 경계 상자와 실제 경계 상자의 좌표가 정확히 동일함)입니다.

예를 들어 아래 이미지에서

• 예측된 경계 상자 (모델이 그림의 침대 위치를 예측하는 곳을 정의하는 좌표)는 보라색으로 표시됩니다.
• 실측 경계 상자 (그림의 야간 조명이 실제로 위치한 곳을 구분하는 좌표)는 녹색으로 표시됩니다.

여기서 예측과 정답의 경계 상자 교차 영역(왼쪽 아래)은 1이고 예측과 정답의 경계 상자 합집합 (오른쪽 아래)은 7이므로 IoU는 \(\frac{1}{7}\)입니다.

IoU

intersection over union의 약어입니다.

항목 행렬

#recsystems

추천 시스템에서 각 항목에 관한 잠재 신호를 보유하고 있는 행렬 분해에 의해 생성된 임베딩 벡터의 행렬입니다. 항목 행렬의 각 행에는 모든 항목에 대한 단일 잠재적 특성 값이 있습니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 항목 행렬의 각 열은 단일 영화를 나타냅니다. 잠재 신호는 장르를 나타내거나, 장르, 스타, 영화 시대 등 복잡한 상호작용을 포함하는 해석하기 어려운 신호일 수 있습니다.

항목 행렬은 인수 분해되는 대상 행렬과 동일한 수의 열을 포함합니다. 예를 들어 10,000개의 영화 타이틀을 평가하는 영화 추천 시스템의 경우 항목 행렬은 10,000개의 열을 포함합니다.

항목

#recsystems

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

반복

#fundamentals

학습 중에 모델의 매개변수(모델의 가중치 및 편향)를 단일로 업데이트하는 작업입니다. 배치 크기는 모델이 단일 반복에서 처리하는 예시의 수를 결정합니다. 예를 들어 배치 크기가 20이면 모델은 매개변수를 조정하기 전에 20개의 예시를 처리합니다.

신경망을 학습할 때 단일 반복에는 다음 두 가지 패스가 포함됩니다.

1. 단일 배치에서 손실을 평가하는 전진 패스입니다.
2. 손실과 학습률을 기반으로 모델의 매개변수를 조정하는 역전 패스 (백프로파게이션)입니다.

J

JAX

고성능 수치 컴퓨팅을 위해 XLA (가속 선형 대수학)와 자동 미분을 결합한 배열 컴퓨팅 라이브러리입니다. JAX는 구성 가능한 변환으로 가속된 수치 코드를 작성하기 위한 간단하고 강력한 API를 제공합니다. JAX는 다음과 같은 기능을 제공합니다.

• grad (자동 차별화)
• jit (실시간 컴파일)
• vmap (자동 벡터화 또는 일괄 처리)
• pmap (병렬 처리)

JAX는 수치 코드의 변환을 표현하고 구성하기 위한 언어로, Python의 NumPy 라이브러리와 유사하지만 범위가 훨씬 넓습니다. 실제로 JAX의 .numpy 라이브러리는 기능적으로 동일하지만 Python NumPy 라이브러리의 완전히 재작성된 버전입니다.

JAX는 특히 모델과 데이터를 GPU 및 TPU 가속기 칩 전반에서의 병렬 처리에 적합한 형식으로 변환하여 여러 머신러닝 작업의 속도를 높이는 데 적합합니다.

Flax, Optax, Pax 및 기타 여러 라이브러리는 JAX 인프라를 기반으로 빌드됩니다.

K

Keras

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

커널 서포트 벡터 머신 (KSVM)

입력 데이터 벡터를 더 높은 차원 공간에 매핑하여 양성 및 음성 클래스 사이의 간격을 최대화하는 것을 목표로 하는 분류 알고리즘입니다. 예를 들어 입력 데이터 세트가 특성 100개로 이루어진 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.

keypoints

#image

이미지의 특정 지형지물의 좌표입니다. 예를 들어 꽃 종을 구분하는 이미지 인식 모델의 경우 각 꽃잎의 중심, 줄기, 암술 등이 키포인트가 될 수 있습니다.

k-fold 교차 검증

모델이 새 데이터에 일반화하는 능력을 예측하는 알고리즘입니다. k-fold의 k는 데이터 세트의 예시를 분할하는 동일한 그룹의 수를 나타냅니다. 즉, 모델을 k번 학습하고 테스트합니다. 학습 및 테스트를 진행할 때마다 다른 그룹이 테스트 세트가 되고 나머지 모든 그룹이 학습 세트가 됩니다. k번의 학습 및 테스트 라운드 후에 선택한 테스트 측정항목의 평균과 표준 편차를 계산합니다.

예를 들어 데이터 세트가 120개의 예로 구성되어 있다고 가정해 보겠습니다. 또한 k를 4로 설정하기로 결정했다고 가정해 보겠습니다. 따라서 예시를 셔플한 후 데이터 세트를 30개 예시로 구성된 4개의 동일한 그룹으로 나누고 4번의 학습 및 테스트 라운드를 실행합니다.

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

k-평균

#clustering

비지도 학습의 한 방법으로 데이터를 그룹화하는 데 널리 사용되는 클러스터링 알고리즘입니다. k-평균 알고리즘은 기본적으로 다음과 같은 일을 합니다.

• 최고의 중심점 (중심이라고 함)들을 반복적으로 결정합니다.
• 각 예를 가장 가까운 중심에 배정합니다. 같은 중심에 가장 가까운 예는 같은 그룹에 속합니다.

k-평균 알고리즘은 각 예가 가장 가까운 중심과 각 예 사이 거리의 누적 제곱을 최소화할 수 있는 중심의 위치를 선택합니다.

예를 들어 다음과 같이 강아지 높이 대 강아지 너비의 그래프를 살펴보겠습니다.

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

제조업체에서 강아지용 스웨터의 S, M, L 사이즈에 가장 적합한 크기를 결정하려고 한다고 가정해 보겠습니다. 세 개의 중심점은 해당 클러스터에 있는 각 강아지의 평균 높이와 평균 너비를 나타냅니다. 따라서 제조업체는 이러한 세 개의 중심점을 기준으로 스웨터 크기를 정해야 합니다. 클러스터의 중심점은 일반적으로 클러스터의 예시가 아닙니다.

위의 그림은 두 가지 특성 (높이 및 너비)만 있는 예시의 K-means를 보여줍니다. k-means는 여러 특성 간에 예시를 그룹화할 수 있습니다.

k-중앙값

#clustering

k-평균과 밀접한 관련이 있는 클러스터링 알고리즘입니다. 이 두 가지 방법의 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 거리값의 합계를 최소화하는 방식으로 중심을 결정합니다.

거리의 정의도 다릅니다.

• k-평균 알고리즘에서는 중심에서 예까지의 유클리드 거리를 사용합니다. 2차원에서 유클리드 거리는 피타고라스 정리를 사용하여 빗변의 길이를 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 차원 값 차의 절대값의 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 가중치가 11개인 모델은 0이 아닌 가중치가 10개인 유사한 모델보다 더 큰 불이익을 받습니다.

L₀ 정규화를 L0-norm 정규화라고도 합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

L₀ 정규화는 학습을 볼록 최적화 문제로 전환하므로 대규모 모델에서는 일반적으로 실용적이지 않습니다.

---

L₁ 손실

#fundamentals

실제 라벨 값과 모델이 예측하는 값 간의 차이의 절대값을 계산하는 손실 함수입니다. 예를 들어 다음은 예 5개로 구성된 배치의 L₁ 손실 계산입니다.

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

L₁ 손실은 L₂ 손실보다 이상치에 둔감합니다.

평균 절대 오류는 예시당 평균 L₁ 손실입니다.

아이콘을 클릭하면 수학 공식을 확인할 수 있습니다.

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

각 항목의 의미는 다음과 같습니다.

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

---

L₁ 정규화

#fundamentals

가중치의 절대값 합에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L₁ 정규화는 관련성이 없거나 매우 낮은 특성의 가중치를 정확히 0으로 유도하는 데 도움이 됩니다. 가중치가 0인 기능은 모델에서 사실상 삭제됩니다.

L₂ 정규화와 대비되는 개념입니다.

L₂ 손실

#fundamentals

실제 라벨 값과 모델이 예측하는 값 간의 차이의 제곱을 계산하는 손실 함수입니다. 예를 들어 다음은 예 5개로 구성된 배치의 L₂ 손실 계산입니다.

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

제곱을 구하므로 L₂ 손실은 이상치의 영향을 증폭합니다. 즉, L₂ 손실은 L₁ 손실보다 잘못된 예측에 더 민감하게 반응합니다. 예를 들어 이전 배치의 L₁ 손실은 16이 아닌 8이 됩니다. 단일 외부값이 16개 중 9개를 차지합니다.

회귀 모델은 일반적으로 L₂ 손실을 손실 함수로 사용합니다.

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

아이콘을 클릭하면 수학 공식을 확인할 수 있습니다.

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

각 항목의 의미는 다음과 같습니다.

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

---

L₂ 정규화

#fundamentals

가중치의 제곱 합에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L₂ 정규화는 높은 긍정 값 또는 낮은 부정 값을 갖는 이상점 가중치를 0은 아니지만 0에 가깝게 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 '답' 또는 '결과' 부분을 의미합니다.

각 라벨이 지정된 예는 하나 이상의 특성과 라벨로 구성됩니다. 예를 들어 스팸 감지 데이터 세트의 경우 라벨은 '스팸' 또는 '스팸 아님'일 가능성이 높습니다. 강우량 데이터 세트에서 라벨은 특정 기간 동안 내린 비의 양일 수 있습니다.

라벨이 있는 예

#fundamentals

하나 이상의 특성과 라벨이 포함된 예시입니다. 예를 들어 다음 표에는 주택 감정 모델의 라벨이 지정된 세 가지 예시가 나와 있으며, 각각 세 가지 특성과 하나의 라벨이 있습니다.

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

지도 머신러닝에서는 모델이 라벨이 지정된 예시를 학습하고 라벨이 지정되지 않은 예시를 예측합니다.

라벨이 지정된 예시와 라벨이 지정되지 않은 예시를 대비합니다.

라벨 유출

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

람다

#fundamentals

정규화율의 동의어입니다.

람다는 오버로드된 용어입니다. 여기에서는 정규화 맥락의 용어 정의에 집중합니다.

LaMDA (대화형 애플리케이션을 위한 언어 모델)

#language

Google에서 개발한 변환기 기반 대규모 언어 모델로, 대규모 대화 데이터 세트를 기반으로 학습하여 사실적인 대화 응답을 생성할 수 있습니다.

LaMDA: Google의 혁신적인 대화 기술에서 개요를 확인하세요.

landmarks

#image

키포인트의 동의어입니다.

언어 모델

#language

더 긴 토큰 시퀀스에서 토큰 또는 토큰 시퀀스가 발생할 가능성을 추정하는 모델입니다.

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

최소한 파라미터가 매우 많은 언어 모델입니다. 더 비공식적으로는 Gemini 또는 GPT와 같은 Transformer 기반 언어 모델을 의미합니다.

잠재 공간

#language

임베딩 공간의 동의어입니다.

레이어

#fundamentals

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

• 모든 지형지물의 값을 제공하는 입력 레이어
• 특성과 라벨 간의 비선형 관계를 찾는 하나 이상의 숨겨진 레이어
• 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 취하고 다른 텐서를 출력하는 Python 함수이기도 합니다.

레이어 API(Layers API)(tf.layers)

#TensorFlow

여러 레이어를 조합하여 심층신경망을 구축하는 TensorFlow API입니다. 레이어 API를 사용하면 다음과 같은 다양한 유형의 레이어를 만들 수 있습니다.

• tf.layers.Dense - 완전 연결 레이어
• tf.layers.Conv2D - 컨볼루션 레이어

레이어 API는 Keras 레이어 API 규약을 따릅니다. 즉, 접두사가 다르다는 점을 제외하고 Layers API의 모든 함수는 Keras Layers API의 해당 함수와 동일한 이름과 서명을 갖습니다.

잎

#df

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

예를 들어 다음 결정 트리에는 세 개의 리프가 포함되어 있습니다.

LIT(Learning Interpretability Tool)

시각적이고 대화형인 모델 이해 및 데이터 시각화 도구입니다.

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

학습률

#fundamentals

경사하강법 알고리즘에 각 반복에서 가중치와 편향을 얼마나 강하게 조정할지 알려주는 부동 소수점 수입니다. 예를 들어 학습률이 0.3이면 학습률이 0.1일 때보다 가중치와 편향을 세 배 더 강력하게 조정합니다.

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

아이콘을 클릭하면 수학적 설명을 확인할 수 있습니다.

각 반복에서 경사하강법 알고리즘은 학습률을 경사에 곱합니다. 결과 제품을 경사 단계라고 합니다.

---

최소 제곱 회귀

L₂ 손실을 최소화하여 학습시킨 선형 회귀 모델입니다.

Levenshtein Distance

#language

#metric

한 단어를 다른 단어로 바꾸는 데 필요한 최소 삭제, 삽입, 대체 작업을 계산하는 수정 거리 측정항목입니다. 예를 들어 'heart'와 'darts'의 레벤슈테인 거리는 3입니다. 다음 세 가지 수정사항이 한 단어를 다른 단어로 바꾸는 데 필요한 최소 변경사항이기 때문입니다.

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

위의 시퀀스는 세 번의 수정 중 유일한 경로가 아닙니다.

선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 있는 두 개 이상의 변수 간의 관계입니다.

선형 관계의 플롯은 선입니다.

비선형과 대비되는 개념입니다.

선형 모델

#fundamentals

예측을 위해 특성당 하나의 가중치를 할당하는 모델입니다. 선형 모델은 편향도 포함합니다. 반면 심층 모델에서 특성과 예측의 관계는 일반적으로 비선형입니다.

선형 모델은 일반적으로 심층 모델보다 학습하기 쉽고 해석하기 쉽습니다. 하지만 딥 모델은 특성 간의 복잡한 관계를 학습할 수 있습니다.

선형 회귀와 로지스틱 회귀는 두 가지 유형의 선형 모델입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

선형 모델은 다음 수식을 따릅니다.

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

각 항목의 의미는 다음과 같습니다.

• y'는 원시 예측입니다. 특정 유형의 선형 모델에서는 이 원시 예측이 추가로 수정됩니다. 예를 들어 로지스틱 회귀를 참고하세요.
• b는 편향입니다.
• w는 가중치이므로 w₁은 첫 번째 특성의 가중치이고 w₂는 두 번째 특성의 가중치입니다.
• x는 특성이므로 x₁은 첫 번째 특성의 값이고 x₂는 두 번째 특성의 값입니다.

예를 들어 세 가지 특성에 관한 선형 모델이 다음과 같은 편향과 가중치를 학습한다고 가정합니다.

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

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

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

특정 예시가 다음 값을 포함한다고 가정해 보겠습니다.

• x₁ = 4
• x₂ = -10
• x₃ = 5

이 값을 수식에 넣으면 이 예시의 예측이 나옵니다.

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

선형 모델에는 선형 방정식만 사용하여 예측하는 모델뿐만 아니라 선형 방정식을 예측을 실행하는 수식의 한 구성요소로 사용하는 더 광범위한 모델도 포함됩니다. 예를 들어 로지스틱 회귀는 원시 예측(y')을 후처리하여 0과 1 사이의 최종 예측 값을 생성합니다(양 끝값 제외).

---

선형 회귀

#fundamentals

다음 두 가지가 모두 참인 머신러닝 모델 유형입니다.

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

선형 회귀와 로지스틱 회귀를 비교합니다. 또한 회귀와 분류를 비교해 보세요.

LIT

이전에는 언어 통역 도구로 알려졌던 학습 해석 가능성 도구 (LIT)의 약어입니다.

LLM

#language

#generativeAI

대규모 언어 모델의 약어입니다.

LLM 평가 (evals)

#language

#generativeAI

대규모 언어 모델 (LLM)의 성능을 평가하기 위한 일련의 측정항목 및 벤치마크입니다. LLM 평가는 대략적으로 다음과 같은 작업을 실행합니다.

• 연구원이 LLM을 개선해야 하는 영역을 파악하도록 지원합니다.
• 다양한 LLM을 비교하고 특정 작업에 가장 적합한 LLM을 식별하는 데 유용합니다.
• LLM을 안전하고 윤리적으로 사용할 수 있도록 지원합니다.

로지스틱 회귀

#fundamentals

확률을 예측하는 회귀 모델의 한 유형입니다. 로지스틱 회귀 모델의 특성은 다음과 같습니다.

• 라벨은 범주형입니다. 로지스틱 회귀라는 용어는 일반적으로 이진 로지스틱 회귀, 즉 가능한 두 값이 있는 라벨의 확률을 계산하는 모델을 나타냅니다. 덜 일반적인 변형인 다항식 로지스틱 회귀는 가능한 값이 2개 이상인 라벨의 확률을 계산합니다.
• 학습 중 손실 함수는 로그 손실입니다. 값이 2개 이상인 라벨의 경우 여러 개의 Log Loss 단위를 동시에 배치할 수 있습니다.
• 이 모델은 심층신경망이 아닌 선형 아키텍처를 사용합니다. 그러나 이 정의의 나머지 부분은 카테고리 라벨의 확률을 예측하는 딥 모델에도 적용됩니다.

예를 들어 입력 이메일이 스팸일 확률을 계산하는 로지스틱 회귀 모델을 생각해 보겠습니다. 추론 중에 모델이 0.72를 예측한다고 가정해 보겠습니다. 따라서 모델은 다음을 추정합니다.

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

로지스틱 회귀 모델은 다음과 같은 두 단계 아키텍처를 사용합니다.

1. 모델은 입력 특성의 선형 함수를 적용하여 원시 예측 (y')을 생성합니다.
2. 모델은 이 원시 예측을 시그모이드 함수의 입력으로 사용합니다. 이 함수는 원시 예측을 0과 1 사이의 값(양 끝값 제외)으로 변환합니다.

다른 회귀 모델과 마찬가지로 로지스틱 회귀 모델은 숫자를 예측합니다. 그러나 이 숫자는 일반적으로 다음과 같이 바이너리 분류 모델의 일부가 됩니다.

• 예측 숫자가 분류 임곗값보다 크면 이진 분류 모델은 양성 클래스를 예측합니다.
• 예측 수가 분류 임계값보다 작으면 이진 분류 모델은 음성 클래스를 예측합니다.

로지트

분류 모델에서 생성하는 원시 (정규화되지 않음) 예측의 벡터로, 일반적으로 정규화 함수에 전달됩니다. 모델이 다중 클래스 분류 문제를 해결하는 경우 로짓은 일반적으로 소프트맥스 함수의 입력이 됩니다. 그런 다음 소프트맥스 함수는 가능한 각 클래스에 대해 하나의 값을 갖는 (정규화된) 확률 벡터를 생성합니다.

로그 손실

#fundamentals

바이너리 로지스틱 회귀에 사용되는 손실 함수입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

다음 수식으로 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 \((x,y)\) 쌍과 같이 여러 라벨이 지정된 예가 포함된 데이터 세트입니다.
• \(y\) 는 라벨이 지정된 예의 라벨입니다. 로지스틱 회귀이므로 \(y\) 값은 모두 0 또는 1이어야 합니다.
• \(y'\) 는 \(x\)의 특성 세트에 대한 예측값 (0과 1 사이의 값, 양 끝값 제외)입니다.

---

로그 오즈

#fundamentals

특정 사건의 확률 로그입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

이벤트가 이진 확률인 경우 오즈는 성공 확률 (p)과 실패 확률 (1-p)의 비율을 나타냅니다. 예를 들어 특정 이벤트의 성공 확률이 90%이고 실패 확률이 10% 라고 가정해 보겠습니다. 이 경우 배당률은 다음과 같이 계산됩니다.

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

로그 오즈는 단순히 오즈의 대수입니다. 관례에 따라 '대수'는 자연 대수를 의미하지만, 대수는 실제로 1보다 큰 모든 밑을 가질 수 있습니다. 따라서 관례에 따라 이 예시의 로그 오즈는 다음과 같습니다.

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

로그 오즈 함수는 시그모이드 함수의 역입니다.

---

장단기 메모리 (LSTM)

#seq

필기 인식, 머신 번역, 이미지 자막과 같은 애플리케이션에서 데이터 시퀀스를 처리하는 데 사용되는 회귀형 신경망의 셀 유형입니다. LSTM은 긴 데이터 시퀀스로 인해 RNN을 학습할 때 발생하는 소멸 기울기 문제를 해결합니다. 이를 위해 RNN의 이전 셀의 새 입력과 컨텍스트를 기반으로 내부 메모리 상태에서 기록을 유지합니다.

LoRA

#language

#generativeAI

Low-Rank Adaptability(낮은 순위 적응성)의 약어입니다.

손실

#fundamentals

지도 학습 모델의 학습 중에 모델의 예측이 라벨에서 얼마나 먼지를 나타내는 척도입니다.

손실 함수는 손실을 계산합니다.

손실 애그리게이터

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

손실 곡선

#fundamentals

학습 반복 횟수의 함수로 손실을 표시한 그래프입니다. 다음 플롯은 일반적인 손실 곡선을 보여줍니다.

손실 곡선을 사용하면 모델이 수렴 중이거나 과적합한지 확인할 수 있습니다.

손실 곡선은 다음과 같은 모든 유형의 손실을 표시할 수 있습니다.

• 학습 손실
• 검증 손실
• 테스트 손실

일반화 곡선도 참고하세요.

손실 함수

#fundamentals

학습 또는 테스트 중에 예시의 배치에서 손실을 계산하는 수학 함수입니다. 손실 함수는 잘 예측하는 모델의 경우 잘못 예측하는 모델보다 낮은 손실을 반환합니다.

학습의 목표는 일반적으로 손실 함수가 반환하는 손실을 최소화하는 것입니다.

다양한 종류의 손실 함수가 있습니다. 빌드하는 모델 유형에 적합한 손실 함수를 선택합니다. 예를 들면 다음과 같습니다.

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

손실 곡면

가중치 그래프 vs. 손실 그래프입니다. 경사하강법의 목표는 손실 곡면이 국소 최소점에 위치하는 가중치를 찾는 데 있습니다.

LoRA (Low-Rank Adaptation)

#language

#generativeAI

모델의 사전 학습된 가중치를 '고정'하여 더 이상 수정할 수 없게 만든 다음 학습 가능한 가중치의 작은 집합을 모델에 삽입하는 미세 조정을 위한 매개변수 효율적인 기법입니다. 학습 가능한 가중치 집합('업데이트 행렬'이라고도 함)은 기본 모델보다 훨씬 작으므로 학습 속도가 훨씬 빠릅니다.

LoRA는 다음과 같은 이점을 제공합니다.

• 미세 조정이 적용되는 도메인에 대한 모델 예측의 품질을 개선합니다.
• 모델의 모든 매개변수를 미세 조정해야 하는 기법보다 빠르게 미세 조정합니다.
• 동일한 기본 모델을 공유하는 여러 전문 모델을 동시에 제공할 수 있도록 하여 추론의 계산 비용을 줄입니다.

LoRA의 업데이트 매트릭스에 대해 자세히 알아보려면 아이콘을 클릭하세요.

LoRA에 사용되는 업데이트 매트릭스는 노이즈를 제거하고 모델의 가장 중요한 특성에 학습을 집중하는 데 도움이 되도록 기본 모델에서 파생된 순위 분해 매트릭스로 구성됩니다.

---

LSTM

#seq

장단기 메모리의 약어입니다.

M

머신러닝

#fundamentals

입력 데이터에서 모델을 학습하는 프로그램 또는 시스템입니다. 학습된 모델은 모델 학습에 사용된 것과 동일한 분포에서 가져온 새로운 (이전에 보지 못한) 데이터에서 유용한 예측을 할 수 있습니다.

머신러닝은 이러한 프로그램 또는 시스템과 관련된 학문 분야를 가리키는 용어이기도 합니다.

기계 번역

#generativeAI

소프트웨어(일반적으로 머신러닝 모델)를 사용하여 텍스트를 한 인간 언어에서 다른 인간 언어로 변환합니다(예: 영어에서 일본어로).

다수 클래스

#fundamentals

클래스 불균형 데이터 세트에서 더 일반적으로 사용되는 라벨입니다. 예를 들어 99% 의 부정 라벨과 1% 의 긍정 라벨이 포함된 데이터 세트의 경우 부정 라벨이 다수 클래스입니다.

소수 클래스와 대비되는 개념입니다.

마르코프 결정 프로세스 (MDP)

#rl

마르코프 속성이 적용된다고 가정하고 결정(또는 작업)을 통해 상태의 시퀀스를 탐색하는 의사결정 모델을 나타내는 그래프입니다. 강화 학습에서 이러한 상태 간 전환은 숫자 보상을 반환합니다.

마르코프 속성

#rl

특정 환경의 속성으로, 여기서 상태 전환은 현재 상태 및 에이전트의 작업에 암시적으로 포함된 정보에 의해 완전히 결정됩니다.

마스크드 언어 모델

#language

후보 토큰이 시퀀스의 빈칸을 채울 확률을 예측하는 언어 모델입니다. 예를 들어 마스킹된 언어 모델은 다음 문장에서 밑줄을 대체할 후보 단어의 확률을 계산할 수 있습니다.

모자의 ____가 돌아왔습니다.

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

모자의 'MASK'가 다시 표시되었습니다.

대부분의 최신 마스크 처리된 언어 모델은 양방향입니다.

matplotlib

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

행렬 분해

#recsystems

수학에서 내적이 대상 행렬에 근접한 행렬을 찾는 메커니즘입니다.

추천 시스템에서 대상 행렬은 종종 항목에 대한 사용자 평점을 보유합니다. 예를 들어 영화 추천 시스템의 대상 행렬이 다음과 같이 표시될 수 있습니다. 여기서 양의 정수는 사용자 평점이고 0은 사용자가 해당 영화에 대해 평가하지 않은 것을 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 평가되지 않은 영화에 대한 사용자 평점을 예측하는 것을 목표로 합니다. 예를 들어 사용자 1은 블랙 팬서를 좋아할까요?

추천 시스템에 대한 한 가지 접근법은 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 3명의 사용자와 5개 항목에 대한 행렬 분해를 사용하여 다음과 같은 사용자 행렬과 항목 행렬을 얻을 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 평점과 각 사용자가 보지 않은 영화에 대한 예측을 포함하는 추천 행렬을 생성합니다. 예를 들어 Casablanca에 대한 사용자 1의 평점(5.0)을 고려합니다. 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 사용하여 예측 평점 4.3을 산출합니다.

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

행렬 분해는 일반적으로 대상 행렬보다 훨씬 간결한 사용자행렬 및 항목 행렬을 생성합니다.

평균 절대 오차 (MAE)

L₁ 손실을 사용할 때의 예시당 평균 손실입니다. 다음과 같이 평균 절대 오차를 계산합니다.

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

아이콘을 클릭하면 수학 공식을 확인할 수 있습니다.

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

각 항목의 의미는 다음과 같습니다.

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

---

예를 들어 다음과 같은 5개 예시의 일괄에서 L₁ 손실을 계산해 보겠습니다.

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

따라서 L₁ 손실은 8이고 예시 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 오차를 평균 제곱 오차 및 평균 제곱근 오차와 비교합니다.

k에서의 평균 정밀도 (mAP@k)

#language

#generativeAI

검증 데이터 세트에서 모든 k 기준 평균 정밀도 점수의 통계적 평균입니다. k에서의 평균 평균 정밀도의 한 가지 용도는 추천 시스템에서 생성된 맞춤 콘텐츠의 품질을 판단하는 것입니다.

'평균 평균'이라는 문구는 중복된 것처럼 들리지만 측정항목의 이름은 적절합니다. 이 측정항목은 여러 k에서의 평균 정밀도 값의 평균을 구합니다.

아이콘을 클릭하여 예를 확인하세요.

각 사용자에게 맞춤 추천 소설 목록을 생성하는 맞춤 추천 시스템을 빌드한다고 가정해 보겠습니다. 선택한 사용자의 의견을 바탕으로 k 점수 (사용자당 1점)에서 다음 5가지 평균 정밀도를 계산합니다.

• 0.73
• 0.77
• 0.67
• 0.82
• 0.76

따라서 K의 평균 정밀도는 다음과 같습니다.

$$\text{mean } = \frac{\text{0.73 + 0.77 + 0.67 + 0.82 + 0.76}} {\text{5}} = \text{0.75}$$

---

평균 제곱 오차 (MSE)

L₂ 손실을 사용할 때의 예시당 평균 손실입니다. 다음과 같이 평균 제곱 오차를 계산합니다.

1. 일괄의 L₂ 손실을 계산합니다.
2. L₂ 손실을 배치의 예 수로 나눕니다.

아이콘을 클릭하면 수학 공식을 확인할 수 있습니다.

$$\text{Mean Squared Error} = \frac{1}{n}\sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$ 여기서:

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

---

예를 들어 다음과 같은 5개 예시의 배치에서 손실을 고려해 보겠습니다.

실제 금액	모델의 예측	손실	제곱 손실
7	6	1	1
5	4	1	1
8	11	3	9
4	6	2	4
9	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 특히 선형 회귀에 많이 사용되는 학습 최적화 도구입니다.

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

TensorFlow 플레이그라운드는 평균 제곱 오차를 사용하여 손실 값을 계산합니다.

아이콘을 클릭하면 이상치에 대한 자세한 내용을 확인할 수 있습니다.

외부값은 평균 제곱 오차에 큰 영향을 미칩니다. 예를 들어 손실이 1이면 제곱 손실은 1이지만 손실이 3이면 제곱 손실은 9입니다. 위 표에서 손실이 3인 예시는 평균 제곱 오류의 약 56% 를 차지하는 반면, 손실이 1인 각 예시는 평균 제곱 오류의 6% 만 차지합니다.

이상치는 평균 제곱 오차만큼 평균 절대 오차에 영향을 미치지 않습니다. 예를 들어 손실된 계정 수는 평균 절대 오류의 약 38% 에 해당합니다.

경사 제한은 극단적인 이상치가 모델의 예측 능력을 손상시키지 못하도록 하는 한 가지 방법입니다.

---

메시

#TensorFlow

#GoogleCloud

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

메시는 중복으로 정의된 용어로서 다음 중 하나를 의미할 수 있습니다.

• TPU 칩의 물리적 레이아웃입니다.
• 데이터와 모델을 TPU 칩에 매핑하기 위한 추상적인 논리적 구성입니다.

두 경우 모두 메시는 셰이프로 지정됩니다.

메타 학습

#language

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

• 수동으로 설계된 기능 (예: 이니셜라이저 또는 최적화 도구)을 개선하거나 학습합니다.
• 데이터 효율성과 컴퓨팅 효율성을 높입니다.
• 일반화 개선

메타 학습은 퓨샷 학습과 관련이 있습니다.

측정항목

#TensorFlow

중요한 의미가 있는 통계입니다.

목표는 머신러닝 시스템에서 최적화하려는 측정항목입니다.

측정항목 API(Metrics API)(tf.metrics)

모델을 평가하기 위한 TensorFlow API입니다. 예를 들어 tf.metrics.accuracy는 모델의 예측이 라벨과 일치하는 빈도를 결정합니다.

미니 배치

#fundamentals

한 번의 반복에서 처리되는 배치의 무작위로 선택된 소규모 하위 집합입니다. 미니 배치의 배치 크기는 일반적으로 예 10개부터 1,000개에 이릅니다.

예를 들어 전체 학습 세트 (전체 배치)가 1,000개의 예시로 구성되어 있다고 가정해 보겠습니다. 또한 각 미니 배치의 배치 크기를 20으로 설정한다고 가정해 보겠습니다. 따라서 각 반복은 1,000개의 예 중 무작위로 선택한 20개의 예에서 손실을 결정한 다음 가중치와 편향을 적절하게 조정합니다.

전체 배치의 모든 예시에서 손실을 계산하는 것보다 미니 배치에서 손실을 계산하는 것이 훨씬 효율적입니다.

미니 배치 확률적 경사하강법

미니 배치를 사용하는 경사하강법 알고리즘입니다. 즉, 미니 배치 확률적 경사하강법은 학습 데이터 중 작은 부분집합을 기반으로 경사를 예측합니다. 일반 확률적 경사하강법은 크기가 1인 미니 배치를 사용합니다.

미니맥스 손실

생성된 데이터의 분포와 실제 데이터의 분포 간의 교차 엔트로피를 기반으로 하는 생성형 대립 네트워크의 손실 함수입니다.

Minimax 손실은 생성형 적대적 네트워크를 설명하는 첫 번째 논문에서 사용됩니다.

소수 클래스

#fundamentals

클래스 불균형 데이터 세트의 덜 일반적인 라벨입니다. 예를 들어 99% 의 부정 라벨과 1% 의 긍정 라벨이 포함된 데이터 세트의 경우 긍정 라벨이 소수 클래스입니다.

다수 클래스와 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

100만 개의 예시가 포함된 학습 세트는 인상적입니다. 하지만 소수 클래스가 제대로 표현되지 않으면 매우 큰 학습 세트도 충분하지 않을 수 있습니다. 데이터 세트의 총 예시 수보다는 소수 클래스의 예시 수에 더 중점을 둡니다.

데이터 세트에 소수 클래스 예시가 충분하지 않은 경우 다운샘플링 (두 번째 글머리기호의 정의)을 사용하여 소수 클래스를 보완해 보세요.

---

전문가의 조합

#language

#generativeAI

매개변수의 하위 집합 (전문가라고 함)만 사용하여 주어진 입력 토큰 또는 예시를 처리하여 뉴런 네트워크 효율성을 높이는 스킴입니다. 게이팅 네트워크는 각 입력 토큰 또는 예시를 적절한 전문가에게 라우팅합니다.

자세한 내용은 다음 논문 중 하나를 참고하세요.

• 엄청나게 큰 신경망: 희소 게이트 전문가 집합 레이어
• 전문가 선택 라우팅을 사용한 전문가 집단

ML

머신러닝의 약어입니다.

MMIT

#language

#image

#generativeAI

멀티모달 명령어 조정의 약어입니다.

MNIST

#image

LeCun, Cortes, Burges 등이 컴파일한 공개 도메인 데이터 세트이며,60, 000개의 이미지가 포함됩니다. 각 이미지는 사람이 0~9 사이의 특정 숫자를 쓰는 방법을 보여줍니다. 각 이미지는 28x28 정수 배열로 저장되며, 각 정수는 0과 255 사이의 그레이 스케일 값입니다.

MNIST는 머신러닝을 위한 표준 데이터 세트이며, 주로 새 머신러닝 접근법을 테스트하는 데 사용됩니다. 자세한 내용은 필기 입력된 숫자의 MNIST 데이터베이스를 참고하세요.

modality

#language

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

모델

#fundamentals

일반적으로 입력 데이터를 처리하고 출력을 반환하는 모든 수학적 구성입니다. 달리 표현하면 모델은 시스템이 예측하는 데 필요한 매개변수 및 구조의 집합입니다. 지도 머신러닝에서 모델은 예시를 입력으로 받아 예측을 출력으로 추론합니다. 지도 학습 머신러닝 내에서도 모델은 약간 다릅니다. 예를 들면 다음과 같습니다.

• 선형 회귀 모델은 가중치 집합과 편향으로 구성됩니다.
• 신경망 모델은 다음으로 구성됩니다.
  • 하나 이상의 뉴런을 포함하는 히든 레이어 집합입니다.
  • 각 뉴런과 연결된 가중치 및 편향입니다.
• 결정 트리 모델은 다음으로 구성됩니다.
  • 트리의 모양입니다. 즉, 조건과 리프가 연결된 패턴입니다.
  • 조건 및 잎

모델을 저장, 복원 또는 사본으로 만들 수 있습니다.

비지도 머신러닝은 모델도 생성합니다. 일반적으로 입력 예시를 가장 적절한 클러스터에 매핑할 수 있는 함수입니다.

아이콘을 클릭하여 대수 및 프로그래밍 함수를 ML 모델과 비교합니다.

다음과 같은 대수 함수는 모델입니다.

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

위의 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 이전 Python 함수에 인수를 전달하고 Python 함수는 return 문을 통해 출력을 생성합니다.

심층신경망은 대수학 또는 프로그래밍 함수와는 매우 다른 수학적 구조를 가지고 있지만, 심층신경망은 여전히 입력 (예시)을 받아 출력 (예측)을 반환합니다.

인간 프로그래머가 프로그래밍 함수를 수동으로 코딩합니다. 반면 머신러닝 모델은 자동화된 학습 중에 최적의 매개변수를 점진적으로 학습합니다.

---

모델 용량

모델이 학습할 수 있는 문제의 복잡성입니다. 모델이 학습할 수 있는 문제가 복잡할수록 모델 용량은 더 큽니다. 일반적으로 모델의 매개변수 수가 많을수록 모델 용량은 더 커집니다. 분류기 용량의 공식 정의는 VC 차원을 참고하세요.

모델 계층 구조

#generativeAI

특정 추론 쿼리에 가장 적합한 모델을 선택하는 시스템입니다.

매우 큰 모델 (매개변수가 많음)부터 훨씬 작은 모델 (매개변수가 훨씬 적음)까지 다양한 모델 그룹을 생각해 보세요. 매우 큰 모델은 소형 모델보다 추론 시 컴퓨팅 리소스를 더 많이 사용합니다. 그러나 매우 큰 모델은 일반적으로 더 작은 모델보다 더 복잡한 요청을 추론할 수 있습니다. 모델 계층화는 추론 쿼리의 복잡성을 결정한 후 추론을 실행할 적절한 모델을 선택합니다. 모델 계층화를 사용하는 주된 이유는 일반적으로 더 작은 모델을 선택하고 더 복잡한 쿼리의 경우에만 더 큰 모델을 선택하여 추론 비용을 줄이기 위함입니다.

작은 모델이 휴대전화에서 실행되고 더 큰 버전의 모델이 원격 서버에서 실행된다고 가정해 보겠습니다. 적절한 모델 계층 구조는 소형 모델이 간단한 요청을 처리하고 원격 모델을 호출하여 복잡한 요청만 처리하도록 하여 비용과 지연 시간을 줄입니다.

모델 라우터도 참고하세요.

모델 동시 로드

#language

하나의 모델의 여러 부분을 서로 다른 기기에 배치하여 학습 또는 추론을 확장하는 방법입니다. 모델 병렬 처리를 사용하면 너무 커서 단일 기기에 맞지 않는 모델을 사용할 수 있습니다.

모델 병렬화를 구현하기 위해 시스템은 일반적으로 다음을 실행합니다.

1. 모델을 더 작은 부분으로 샤딩합니다.
2. 이러한 소규모 부분의 학습을 여러 프로세서에 분산합니다. 각 프로세서는 모델의 자체 부분을 학습합니다.
3. 결과를 결합하여 단일 모델을 만듭니다.

모델 병렬 처리는 학습 속도를 느리게 합니다.

데이터 병렬 처리도 참고하세요.

모델 라우터

#generativeAI

모델 계단식 적용에서 추론에 적합한 모델을 결정하는 알고리즘입니다. 모델 라우터는 일반적으로 특정 입력에 가장 적합한 모델을 선택하는 방법을 점진적으로 학습하는 머신러닝 모델입니다. 하지만 모델 라우터는 머신러닝이 아닌 더 간단한 알고리즘일 수도 있습니다.

모델 학습

최상의 모델을 결정하는 과정입니다.

MOE

#language

#image

#generativeAI

전문가 집단의 약어입니다.

모멘텀

학습 단계가 현재 단계의 미분뿐만 아니라 바로 앞 단계의 미분에도 종속되는 정교한 경사하강법 알고리즘입니다. 모멘텀은 물리학의 모멘텀과 마찬가지로 시간 경과에 따른 기울기의 지수 가중 이동 평균을 계산하는 것을 말합니다. 모멘텀은 학습이 국소 최솟값에 멈추지 않도록 하는 데 도움이 될 수 있습니다.

MT

#generativeAI

기계 번역의 약어입니다.

다중 클래스 분류

#fundamentals

지도 학습에서 데이터 세트에 2개가 넘는 클래스의 라벨이 포함된 분류 문제입니다. 예를 들어 Iris 데이터 세트의 라벨은 다음 세 가지 클래스 중 하나여야 합니다.

• Iris setosa
• 아이리스 버지니카
• Iris versicolor

Iris 데이터 세트에서 학습되어 새 예시에서 Iris 유형을 예측하는 모델은 다중 클래스 분류를 실행하고 있습니다.

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 2개 이상의 클러스터를 의미합니다.

멀티클래스 로지스틱 회귀

다중 클래스 분류 문제에서 로지스틱 회귀를 사용합니다.

멀티 헤드 자기 주목

#language

입력 시퀀스의 각 위치에 자체 주목 메커니즘을 여러 번 적용하는 자체 주목의 확장입니다.

Transformers에서는 멀티헤드 자체 주목을 도입했습니다.

멀티모달 명령 조정

#language

이미지, 동영상, 오디오와 같이 텍스트 이외의 입력을 처리할 수 있는 명령어 조정 모델입니다.

멀티모달 모델

#language

입력 또는 출력에 두 개 이상의 모달이 포함된 모델입니다. 예를 들어 이미지와 텍스트 설명 (두 가지 모달)을 모두 특성으로 취하고 텍스트 설명이 이미지에 얼마나 적합한지 나타내는 점수를 출력하는 모델을 생각해 보세요. 따라서 이 모델의 입력은 멀티모달이고 출력은 모노모달입니다.

다항 분류

다중 클래스 분류의 동의어입니다.

다항 회귀

멀티클래스 로지스틱 회귀의 동의어입니다.

멀티태스킹

단일 모델이 여러 작업을 실행하도록 학습되는 머신러닝 기법입니다.

멀티태스킹 모델은 각기 다른 태스크에 적합한 데이터를 학습하여 만듭니다. 이렇게 하면 모델이 여러 작업 간에 정보를 공유하는 방법을 학습할 수 있으므로 모델이 더 효과적으로 학습할 수 있습니다.

여러 태스크에 대해 학습된 모델은 일반화 능력이 향상되고 다양한 유형의 데이터를 더 강력하게 처리할 수 있습니다.

N

NaN 트랩

모델의 숫자 중 하나가 학습 중에 NaN이 됨으로 인해 모델의 다른 여러 숫자 또는 모든 숫자가 결국 NaN이 되는 상황입니다.

NaN은 숫자가 아닌 숫자의 약어입니다.

자연어 처리

#language

컴퓨터에 언어적 규칙을 사용하여 사용자가 말하거나 입력한 내용을 처리하도록 가르치는 분야입니다. 거의 모든 현대 자연어 처리는 머신러닝을 사용합니다.

자연어 이해

#language

말하거나 입력한 내용의 의도를 결정하는 자연어 처리의 하위 집합입니다. 자연어 이해는 자연어 처리를 넘어 맥락, 비꼬음, 감정과 같은 언어의 복잡한 측면을 고려할 수 있습니다.

음성 클래스

#fundamentals

이진 분류에서는 클래스 중 하나는 양성으로, 다른 하나는 음성으로 규정됩니다. 포지티브 클래스는 모델에서 테스트하는 대상이나 이벤트이고, 네거티브 클래스는 그와 다른 가능성입니다. 예를 들면 다음과 같습니다.

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

양성 클래스와 대비되는 개념입니다.

제외 샘플링

후보 샘플링의 동의어입니다.

Neural Architecture Search (NAS)

신경망의 아키텍처를 자동으로 설계하는 기술입니다. NAS 알고리즘은 신경망을 학습하는 데 필요한 시간과 리소스를 줄일 수 있습니다.

NAS는 일반적으로 다음을 사용합니다.

• 가능한 아키텍처의 집합인 검색 공간
• 적합성 함수: 특정 아키텍처가 특정 작업에서 얼마나 잘 수행하는지를 나타내는 측정항목입니다.

NAS 알고리즘은 가능한 아키텍처의 작은 집합으로 시작하는 경우가 많으며, 알고리즘이 효과적인 아키텍처에 대해 더 많이 학습함에 따라 검색 공간을 점차 확장합니다. 적합도 함수는 일반적으로 학습 세트에서 아키텍처의 성능을 기반으로 하며, 알고리즘은 일반적으로 강화 학습 기법을 사용하여 학습됩니다.

NAS 알고리즘은 이미지 분류, 텍스트 분류, 머신 번역을 비롯한 다양한 작업에 적합한 고성능 아키텍처를 찾는 데 효과적임이 입증되었습니다.

출력은

#fundamentals

숨겨진 레이어가 하나 이상 포함된 모델입니다. 심층신경망은 히든 레이어가 2개 이상인 신경망의 한 유형입니다. 예를 들어 다음 다이어그램은 숨겨진 레이어가 두 개인 딥 신경망을 보여줍니다.

신경망의 각 뉴런은 다음 레이어의 모든 노드에 연결됩니다. 예를 들어 위의 다이어그램에서 첫 번째 히든 레이어의 세 뉴런은 각각 두 번째 히든 레이어의 두 뉴런에 개별적으로 연결됩니다.

컴퓨터에 구현된 신경망은 뇌 및 기타 신경계에서 발견되는 신경망과 구별하기 위해 인공 신경망이라고도 합니다.

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

컨볼루셔널 신경망 및 순환 신경망도 참고하세요.

뉴런

#fundamentals

머신러닝에서 신경망의 숨겨진 레이어 내의 고유한 단위입니다. 각 뉴런은 다음과 같은 두 단계 작업을 실행합니다.

1. 입력 값에 해당 가중치를 곱한 가중치 합계를 계산합니다.
2. 가중 합계를 활성화 함수에 입력으로 전달합니다.

첫 번째 히든 레이어의 뉴런은 입력 레이어의 특성 값에서 입력을 받습니다. 첫 번째 레이어 이후의 히든 레이어에 있는 뉴런은 이전 히든 레이어의 뉴런에서 입력을 받습니다. 예를 들어 두 번째 히든 레이어의 뉴런은 첫 번째 히든 레이어의 뉴런에서 입력을 수신합니다.

다음 그림은 두 개의 뉴런과 입력을 강조 표시합니다.

신경망의 뉴런은 뇌 및 신경계의 다른 부분에 있는 뉴런의 동작을 모방합니다.

N-그램

#seq

#language

순서가 있는 N개 단어의 시퀀스입니다. 예를 들어 truly madly는 2-그램입니다. 순서는 의미가 있으므로 madly truly는 truly madly와 다른 2-그램입니다.

N	이 종류의 N-그램에 대한 이름	예
2	바이그램 또는 2-그램	to go, go to, eat lunch, eat dinner
3	트라이그램 또는 3-그램	ate too much, three blind mice, the bell tolls
4	4-그램	walk in the park, dust in the wind, the boy ate lentils

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

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

NLP

#language

자연어 처리의 약어입니다.

NLU

#language

자연어 이해의 약어입니다.

노드 (결정 트리)

#df

결정 트리의 조건 또는 리프

노드(node)(신경망)

#fundamentals

숨겨진 레이어의 뉴런

노드(node)(TensorFlow 그래프)

#TensorFlow

TensorFlow 그래프의 연산

노이즈

대체적으로 데이터 세트에서 신호를 확인하기 어렵게 하는 모든 것을 말합니다. 노이즈가 데이터에 다양한 방식으로 적용될 수 있습니다. 예를 들면 다음과 같습니다.

• 사용자 평가자가 라벨을 잘못 지정합니다.
• 사용자 및 기기에서 특성 값을 잘못 기록하거나 누락합니다.

논바이너리 조건

#df

가능한 결과가 2개 이상인 조건입니다. 예를 들어 다음과 같은 비바이너리 조건에는 세 가지 가능한 결과가 포함됩니다.

비선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 없는 두 개 이상의 변수 간의 관계입니다. 선형 관계는 선으로 표현할 수 있습니다. 비선형 관계는 선으로 표현할 수 없습니다. 예를 들어 각각 단일 특성을 단일 라벨과 연결하는 두 모델을 생각해 보겠습니다. 왼쪽 모델은 선형이고 오른쪽 모델은 비선형입니다.

무응답 편향

#fairness

표본 선택 편향을 참고하세요.

비정상성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되는 지형지물입니다. 예를 들어 다음과 같은 비정상 상태를 생각해 보세요.

• 특정 매장에서 판매되는 수영복의 수는 시즌에 따라 다릅니다.
• 특정 지역에서 수확되는 특정 과일의 양은 대부분의 경우 0이지만 짧은 기간 동안은 많습니다.
• 기후 변화로 인해 연평균 기온이 변하고 있습니다.

정상성과 대비되는 개념입니다.

정답이 없는 문제 (NORA)

#language

#generativeAI

적절한 응답이 여러 개인 프롬프트 예를 들어 다음 프롬프트에는 정답이 없습니다.

코끼리 관련 농담 한마디 해 줘.

정답이 없는 프롬프트를 평가하는 것은 쉽지 않을 수 있습니다.

NORA

#language

#generativeAI

정답이 없음의 약어입니다.

정규화

#fundamentals

대략적으로 말해 변수의 실제 값 범위를 표준 값 범위로 변환하는 프로세스입니다. 예를 들면 다음과 같습니다.

• -1~+1
• 0~1
• Z 점수 (대략 -3~+3)

예를 들어 특정 지형지물의 실제 값 범위가 800~2,400이라고 가정해 보겠습니다. 기능 엔지니어링의 일환으로 실제 값을 -1~+1과 같은 표준 범위로 표준화할 수 있습니다.

정규화는 기능 엔지니어링에서 일반적인 작업입니다. 일반적으로 특성 벡터의 모든 숫자 특성이 대략 동일한 범위를 가지면 모델이 더 빠르게 학습하고 더 나은 예측을 생성합니다.

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터 작업 모듈을 참고하세요. Z-점수 정규화도 참고하세요.

신기성 감지

새로운 (신규) 예가 학습 세트와 동일한 분포에서 비롯되었는지 확인하는 과정입니다. 즉, 학습 세트에서 학습한 후 신규성 감지는 (추론 중 또는 추가 학습 중) 새 예시가 이상치인지 여부를 결정합니다.

이상치 감지와 대비되는 개념입니다.

수치 데이터

#fundamentals

정수 또는 실수로 나타낸 특성입니다. 예를 들어 주택 감정 모델은 주택 크기 (제곱피트 또는 제곱미터)를 숫자 데이터로 나타낼 수 있습니다. 특성을 숫자 데이터로 나타내면 특성 값이 라벨과 수학적 관계가 있음을 나타냅니다. 즉, 주택의 면적은 주택 가격과 수학적 관계가 있을 수 있습니다.

모든 정수 데이터를 숫자 데이터로 표현할 필요는 없습니다. 예를 들어 일부 지역의 우편번호는 정수이지만 정수 우편번호는 모델에서 숫자 데이터로 표현되어서는 안 됩니다. 이는 20000 우편번호가 10000 우편번호의 두 배 (또는 절반)가 아니기 때문입니다. 또한 우편번호가 다르면 부동산 가치가 달라지지만 우편번호 20000의 부동산 가치가 우편번호 10000의 부동산 가치의 두 배라고 가정할 수는 없습니다. 따라서 우편번호는 범주형 데이터로 표현되어야 합니다.

수치 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 최적화하고자 하는 수학 공식 또는 측정항목입니다. 예를 들어 선형 회귀의 목적 함수는 일반적으로 평균 제곱 손실입니다. 따라서 선형 회귀 모델을 학습시킬 때 학습의 목표는 평균 제곱 오차를 최소화하는 것입니다.

목적 함수를 최대화하는 것이 목표인 경우도 있습니다. 예를 들어 목적 함수가 정확도인 경우 목표는 정확도를 극대화하는 것입니다.

손실도 참고하세요.

경사 조건

#df

결정 트리에서 두 개 이상의 기능이 포함된 조건입니다. 예를 들어 높이와 너비가 모두 지형지물인 경우 다음은 경사 조건입니다.

  height > width

축에 정렬된 조건과 대비되는 개념입니다.

오프라인

#fundamentals

정적의 동의어입니다.

오프라인 추론

#fundamentals

모델이 일련의 예측을 생성한 후 이러한 예측을 캐시 (저장)하는 프로세스입니다. 그러면 앱은 모델을 다시 실행하는 대신 캐시에서 추론된 예측에 액세스할 수 있습니다.

예를 들어 4시간마다 지역 일기 예보(예측)를 생성하는 모델을 생각해 보세요. 각 모델 실행 후 시스템은 모든 현지 일기 예보를 캐시합니다. 날씨 앱은 캐시에서 예측을 가져옵니다.

오프라인 추론을 정적 추론이라고도 합니다.

온라인 추론과 대비되는 개념입니다.

원-핫 인코딩

#fundamentals

다음과 같이 범주형 데이터를 벡터로 표현합니다.

• 하나의 요소가 1로 설정됩니다.
• 다른 모든 요소는 0으로 설정됩니다.

원-핫 인코딩은 가능한 값의 유한집합을 갖는 문자열 또는 식별자를 표현하는 데 널리 사용됩니다. 예를 들어 Scandinavia라는 특정 범주형 특성에 가능한 값이 5개 있다고 가정해 보겠습니다.

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

원핫 인코딩은 다음과 같이 다섯 가지 값을 각각 나타낼 수 있습니다.

국가	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 인코딩을 사용하면 모델이 5개 국가 각각을 기반으로 서로 다른 연결을 학습할 수 있습니다.

특성을 숫자 데이터로 나타내는 것은 원-핫 인코딩의 대안입니다. 안타깝게도 스칸디나비아 국가를 숫자로 표시하는 것은 좋은 선택이 아닙니다. 예를 들어 다음 숫자 표현을 살펴보겠습니다.

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

숫자 인코딩을 사용하면 모델이 원시 숫자를 수학적으로 해석하고 이러한 숫자로 학습하려고 시도합니다. 하지만 아이슬란드는 실제로 노르웨이의 두 배 (또는 절반)가 아니므로 모델은 이상한 결론을 내리게 됩니다.

원샷 학습

단일 학습 예시에서 효과적인 분류기를 학습하도록 설계된 머신러닝 접근 방식으로, 객체 분류에 자주 사용됩니다.

퓨샷 학습 및 제로샷 학습도 참고하세요.

원샷 프롬프팅

#language

#generativeAI

대규모 언어 모델이 응답하는 방식을 보여주는 하나의 예시가 포함된 프롬프트입니다. 예를 들어 다음 프롬프트에는 대규모 언어 모델이 쿼리에 대답하는 방법을 보여주는 예시가 하나 포함되어 있습니다.

하나의 프롬프트의 일부	참고
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문
프랑스: 유로	한 가지 예를 들어 보겠습니다.
인도:	실제 쿼리입니다.

원샷 프롬프트를 다음 용어와 비교 및 대조하세요.

• 제로샷 프롬프팅
• 퓨샷 프롬프팅

일대다

#fundamentals

클래스가 N개인 분류 문제에서, 솔루션은 가능한 각 결과에 하나씩 서로 다른 N개의 이진 분류자로 구성됩니다. 예를 들어 예시를 동물, 채소, 광물로 분류하는 모델이 있는 경우 일대다 솔루션은 다음과 같은 세 가지 이진 분류자를 제공합니다.

• 동물과 동물이 아닌 것
• 채소와 채소가 아닌 것
• 광물과 비광물

online

#fundamentals

동적의 동의어입니다.

온라인 추론

#fundamentals

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

오프라인 추론과 대비되는 개념입니다.

작업 (op)

#TensorFlow

TensorFlow에서는 Tensor를 만들거나 조작하거나 삭제하는 모든 절차를 작업으로 간주합니다. 예를 들어 행렬 곱셈은 두 개의 텐서를 입력으로 취하고 하나의 텐서를 출력으로 생성하는 연산입니다.

Optax

JAX용 경사 처리 및 최적화 라이브러리입니다. Optax는 심층신경망과 같은 매개변수 모델을 최적화하기 위해 맞춤 방식으로 재조합할 수 있는 빌딩 블록을 제공하여 연구를 용이하게 합니다. 기타 목표는 다음과 같습니다.

• 읽기 쉽고 테스트가 잘 진행되었으며 효율적인 핵심 구성요소 구현을 제공합니다.
• 하위 수준 구성요소를 맞춤 최적화 도구 (또는 기타 그라디언트 처리 구성요소)에 결합할 수 있도록 하여 생산성을 개선합니다.
• 누구나 쉽게 참여할 수 있도록 하여 새로운 아이디어의 채택 속도를 높이는 것입니다.

옵티마이저

경사하강법 알고리즘의 구체적인 구현입니다. 많이 사용되는 최적화 도구는 다음과 같습니다.

• AdaGrad: ADAptive GRADient descent의 약자입니다.
• Adam은 ADAptive with Momentum의 약자입니다.

외부 집단 동질화 편향

#fairness

태도, 가치, 성격 특성 및 기타 특성을 비교할 때 외부 집단 구성원을 내집단 구성원과 유사한 것으로 간주하는 경향입니다. 내집단은 정기적으로 상호작용하는 사람을 말하고, 외부 집단은 정기적으로 상호작용하지 않는 사람을 말합니다. 외부 집단에 대한 속성을 제공하도록 사람들에게 요청하여 데이터 세트를 생성하는 경우 이러한 속성은 참여자가 내집단에 해당하는 사람들에 대해 나열하는 속성보다 덜 미묘하고 더 진부할 수 있습니다.

예를 들어 난쟁이가 건축 스타일, 창, 문, 크기 등 작은 차이를 인용하면서 다른 난쟁이의 주택을 자세히 설명할 수 있습니다. 하지만 동일한 난쟁이가 거인들은 모두 같은 집에 산다고 단언할 수도 있습니다.

외부 집단 동질화 편향은 그룹 귀인 편향의 한 형태입니다.

내집단 편향도 참고하세요.

이상치 감지

학습 세트에서 이상치를 식별하는 프로세스입니다.

신기성 감지와 대비되는 개념입니다.

연구

다른 대부분의 값과 거리가 먼 값 머신러닝에서 다음은 모두 이상치입니다.

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

예를 들어 widget-price이 특정 모델의 특징이라고 가정해 보겠습니다. 평균 widget-price이 7유로이고 표준 편차가 1유로라고 가정합니다. 따라서 widget-price가 12유로 또는 2유로인 예시는 각 가격이 평균에서 5개의 표준 편차 떨어져 있으므로 외부값으로 간주됩니다.

예외치는 오타나 기타 입력 실수로 인해 발생하는 경우가 많습니다. 다른 경우에는 특이값이 실수가 아닙니다. 결국 평균에서 5개의 표준 편차 떨어진 값은 드물지만 불가능하지는 않습니다.

이상치는 모델 학습에서 문제를 일으키는 경우가 많습니다. 경사 제한은 이상점을 관리하는 방법의 하나입니다.

오프백 평가 (OOB 평가)

#df

각 결정 트리를 해당 결정 트리의 학습 중에 사용되지 않은 예시를 기준으로 테스트하여 학습 포레스트의 품질을 평가하는 메커니즘입니다. 예를 들어 다음 다이어그램에서 시스템은 약 3분의 2의 예시에서 각 결정 트리를 학습한 후 나머지 3분의 1의 예시를 기준으로 평가합니다.

오프백 평가는 교차 검증 메커니즘의 계산상 효율적이고 보수적인 근사치입니다. 교차 검증에서는 교차 검증 라운드마다 하나의 모델이 학습됩니다(예: 10배 교차 검증에서는 10개의 모델이 학습됨). OOB 평가에서는 단일 모델이 학습됩니다. 배깅은 학습 중에 각 트리의 일부 데이터를 보류하므로 OOB 평가에서 이 데이터를 사용하여 교차 검증을 추정할 수 있습니다.

출력 레이어

#fundamentals

신경망의 '최종' 레이어입니다. 출력 레이어에는 예측이 포함됩니다.

다음 그림은 입력 레이어, 히든 레이어 2개, 출력 레이어가 있는 소형 심층 신경망을 보여줍니다.

과적합

#fundamentals

생성된 모델이 학습 데이터와 지나치게 일치하여 새 데이터를 올바르게 예측하지 못하는 경우입니다.

정규화를 사용하면 과적합을 줄일 수 있습니다. 다양하고 대규모인 학습 세트에서 학습하면 과적합을 줄일 수도 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

오버피팅은 좋아하는 선생님의 조언만 엄격하게 따르는 것과 같습니다. 이 선생님의 수업에서는 성공할 수 있지만, 이 선생님의 아이디어에 '오버핏'되어 다른 수업에서는 실패할 수 있습니다. 여러 선생님의 조언을 따르다 보면 새로운 상황에 더 잘 적응할 수 있습니다.

---

오버샘플링

클래스 불균형 데이터 세트에서 소수 클래스의 예시를 재사용하여 더 균형 잡힌 학습 세트를 만듭니다.

예를 들어 다수 클래스와 소수 클래스의 비율이 5,000:1인 이진 분류 문제를 생각해 보겠습니다. 데이터 세트에 예시가 100만 개 포함되어 있다면 소수 클래스의 예시가 약 200개만 포함되어 있으므로 효과적인 학습을 위해 예시가 너무 적을 수 있습니다. 이 단점을 극복하기 위해 이러한 200개의 예시를 여러 번 오버샘플링 (재사용)하여 유용한 학습에 충분한 예시를 얻을 수 있습니다.

오버샘플링할 때는 과적합에 주의해야 합니다.

샘플링 부족과 대비되는 개념입니다.

P

패킹된 데이터

데이터를 더 효율적으로 저장하는 접근 방식입니다.

패킹된 데이터는 압축된 형식을 사용하거나 더 효율적으로 액세스할 수 있는 다른 방법으로 데이터를 저장합니다. 패킹된 데이터는 데이터에 액세스하는 데 필요한 메모리와 계산량을 최소화하므로 더 빠른 학습과 더 효율적인 모델 추론을 가능하게 합니다.

패킹된 데이터는 데이터 증강 및 정규화와 같은 다른 기술과 함께 사용되어 모델의 성능을 더욱 개선합니다.

pandas

#fundamentals

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

parameter

#fundamentals

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

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

반면 초매개변수는 사용자 (또는 초매개변수 조정 서비스)가 모델에 제공하는 값입니다. 예를 들어 학습률은 초매개변수 중 하나입니다.

매개변수 효율적인 튜닝

#language

#generativeAI

전체 미세 조정보다 효율적으로 대규모 선행 학습된 언어 모델 (PLM)을 미세 조정하는 일련의 기법입니다. 매개변수 효율적 조정은 일반적으로 전체 미세 조정보다 훨씬 적은 수의 매개변수를 미세 조정하지만 일반적으로 전체 미세 조정에서 빌드된 대규모 언어 모델과 거의 동일한 성능을 발휘하는 대규모 언어 모델을 생성합니다.

매개변수 효율적인 튜닝을 다음과 비교 및 대조하세요.

• instruction tuning
• 프롬프트 조정

매개변수 효율적인 조정은 매개변수 효율적인 미세 조정이라고도 합니다.

매개변수 서버 (PS)

#TensorFlow

모델의 매개변수를 분산형 환경에서 추적하는 작업입니다.

매개변수 업데이트

학습 중에 모델의 매개변수를 조정하는 작업으로, 일반적으로 경사 하강의 단일 반복 내에서 이루어집니다.

편미분

변수 중 하나를 제외한 모든 변수가 상수로 간주되는 미분입니다. 예를 들어 x에 대한 f(x, y)의 편미분은 y를 상수로 두고 f를 x만의 함수로 간주한 도함수입니다. x에 대한 f의 편미분은 방정식의 다른 변수를 모두 무시하고 x의 변화에만 집중합니다.

응답 참여 편향

#fairness

무응답 편향의 동의어입니다. 표본 선택 편향을 참고하세요.

분할 전략

매개변수 서버 전반에서 여러 변수를 분할하는 알고리즘입니다.

k에서 패스 (pass@k)

대규모 언어 모델이 생성하는 코드 (예: Python)의 품질을 결정하는 측정항목입니다. 더 구체적으로, k에서 통과하면 생성된 k개의 코드 블록 중 하나 이상이 모든 단위 테스트를 통과할 가능성을 나타냅니다.

대규모 언어 모델은 복잡한 프로그래밍 문제에 적합한 코드를 생성하는 데 어려움을 겪는 경우가 많습니다. 소프트웨어 엔지니어는 대규모 언어 모델에 동일한 문제에 대한 다수 (k)의 솔루션을 생성하도록 요청하여 이 문제에 적응합니다. 그런 다음 소프트웨어 엔지니어가 단위 테스트를 기준으로 각 솔루션을 테스트합니다. k에서 통과 여부를 계산하는 방법은 단위 테스트의 결과에 따라 다릅니다.

• 이러한 솔루션 중 하나 이상이 단위 테스트를 통과하면 LLM은 해당 코드 생성 챌린지를 통과합니다.
• 솔루션 중 하나도 단위 테스트를 통과하지 못하면 LLM은 해당 코드 생성 과제를 실패합니다.

k에서 패스의 공식은 다음과 같습니다.

$$\text{pass at k} = \frac{\text{total number of passes}} {\text{total number of challenges}}$$

일반적으로 k 값이 클수록 k 점수에서 통과율이 높아집니다. 하지만 k 값이 클수록 더 많은 대규모 언어 모델과 단위 테스트 리소스가 필요합니다.

예시를 보려면 아이콘을 클릭하세요.

소프트웨어 엔지니어가 대규모 언어 모델에 n=50개의 어려운 코딩 문제에 대한 k=10개의 솔루션을 생성해 달라고 요청한다고 가정해 보겠습니다. 결과는 다음과 같습니다.

• 30개 패스
• 20개 실패

따라서 10점 기준의 합격 점수는 다음과 같습니다.

$$\text{pass at 10} = \frac{\text{30}} {\text{50}} = 0.6$$

---

Pax

대규모 신경망 모델을 학습하도록 설계된 프로그래밍 프레임워크로, 규모가 너무 커서 여러 TPU 가속기 칩 슬라이스 또는 포드에 걸쳐 있습니다.

Pax는 JAX를 기반으로 빌드된 Flax를 기반으로 빌드됩니다.

퍼셉트론

하나 이상의 입력 값을 취하고, 입력 가중 합계로 함수를 실행하고, 단일 출력 값을 계산하는 시스템 (하드웨어 또는 소프트웨어)입니다. 머신러닝에서 이 함수는 일반적으로 ReLU, 시그모이드, 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 세 입력을 취합니다. 각 입력은 퍼셉트론에 입력되기 전에 가중치를 적용하여 수정됩니다.

퍼셉트론은 신경망의 뉴런입니다.

performance

다음과 같은 의미로 중복 정의된 용어입니다.

• 소프트웨어 공학에서 표준으로 사용되는 의미입니다. 즉, 특정 소프트웨어가 얼마나 빠르게 또는 효율적으로 실행되는지를 의미합니다.
• 머신러닝에서의 의미 여기서 성능은 다음 질문에 답합니다. 이 모델이 얼마나 정확한가요? 즉, 모델의 예측이 얼마나 효과적인지를 나타냅니다.

순열 변수 중요도

#df

특성 값을 순열한 후 모델의 예측 오류 증가를 평가하는 변수 중요도의 한 유형입니다. 순열 변수 중요도는 모델과 무관한 측정항목입니다.

퍼플렉시티

모델의 작업 수행 능력을 나타내는 척도입니다. 예를 들어 사용자가 휴대전화 키보드에서 입력하는 단어의 처음 몇 글자를 읽고 가능한 완성 단어 목록을 제공하는 작업을 해야 한다고 가정해 보겠습니다. 이 작업의 혼동도(P)는 목록에 사용자가 입력하려는 실제 단어가 포함되도록 하기 위해 제공해야 하는 대략적인 추측 수입니다.

퍼플렉시티와 교차 엔트로피의 관계는 다음과 같습니다.

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

pipeline

머신러닝 알고리즘을 둘러싼 인프라입니다. 파이프라인에는 데이터 수집, 데이터를 학습 데이터 파일에 저장, 하나 이상의 모델 학습, 모델을 프로덕션으로 내보내기가 포함됩니다.

파이프라인

#language

모델 처리가 연속적인 단계로 나뉘고 각 단계가 다른 기기에서 실행되는 모델 병렬 처리의 한 형태입니다. 한 단계에서 하나의 일괄 처리를 처리하는 동안 이전 단계에서 다음 일괄 처리를 처리할 수 있습니다.

단계별 학습도 참고하세요.

pjit

여러 가속기 칩에서 실행되도록 코드를 분할하는 JAX 함수입니다. 사용자는 pjit에 함수를 전달합니다. 그러면 pjit는 동등한 시맨틱을 보유하지만 여러 기기(예: GPU 또는 TPU 코어)에서 실행되는 XLA 연산으로 컴파일된 함수를 반환합니다.

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

2023년 3월부터 pjit가 jit와 병합되었습니다. 자세한 내용은 분산 배열 및 자동 병렬 처리를 참고하세요.

PLM

#language

#generativeAI

선행 학습된 언어 모델의 약어입니다.

pmap

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

정책

#rl

강화 학습에서 상태에서 작업으로의 에이전트의 확률적 매핑입니다.

풀링

#image

이전의 컨볼루셔널 레이어에서 생성된 행렬을 작은 행렬로 줄이는 과정입니다. 풀링에는 일반적으로 풀링된 영역에서 최대값 또는 평균값을 취하는 작업이 포함됩니다. 예를 들어 다음과 같은 3x3 행렬이 있다고 가정해 보겠습니다.

풀링 연산에서는 컨볼루션 연산에서와 마찬가지로 행렬을 슬라이스로 나눈 다음 스트라이드 보폭으로 슬라이드하면서 컨볼루션 연산을 수행합니다. 예를 들어 풀링 연산이 컨볼루션 행렬을 1x1 스트라이드로 2x2 슬라이스로 나눈다고 가정해 보겠습니다. 다음 다이어그램과 같이 4개의 풀링 작업이 실행됩니다. 각 풀링 작업이 해당 슬라이스의 4개 값 중 최대 값을 선택한다고 가정해 보겠습니다.

풀링을 사용하면 입력 행렬에서 병진 불변을 적용할 수 있습니다.

비전 애플리케이션의 풀링은 더 공식적으로 공간 풀링이라고 합니다. 시계열 애플리케이션에서는 일반적으로 풀링을 시간 풀링이라고 합니다. 풀링을 덜 형식적으로 하위 샘플링 또는 다운샘플링이라고도 합니다.

위치 인코딩

#language

시퀀스에서 토큰의 위치에 관한 정보를 토큰의 임베딩에 추가하는 기법입니다. 변환 모델은 위치 인코딩을 사용하여 시퀀스의 여러 부분 간의 관계를 더 잘 이해합니다.

위치 인코딩의 일반적인 구현은 사인 함수를 사용합니다. 특히, 정현파 함수의 주파수와 진폭은 시퀀스에서 토큰의 위치에 따라 결정됩니다. 이 기법을 사용하면 Transformer 모델이 위치에 따라 시퀀스의 여러 부분에 주의를 기울이는 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.

양성 클래스라는 용어는 혼란스러울 수 있습니다. 많은 테스트의 '양성' 결과가 바람직하지 않은 결과인 경우가 많기 때문입니다. 예를 들어 많은 의료 검사의 포지티브 클래스는 종양 또는 질병에 해당합니다. 일반적으로 의사가 '축하합니다. 검사 결과가 음성입니다.' 어쨌든 포지티브 클래스는 테스트에서 찾으려는 이벤트입니다.

물론 양성 클래스와 음성 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 양성 예측률이 속성의 모든 값에 대해 동일한지 확인하여 일부 속성에 대해 기회 균등성이 유지되도록 분류 기준을 설정하여 이진 분류기에 후처리를 적용할 수 있습니다.

학습 후 모델

#language

#image

#generativeAI

일반적으로 다음 중 하나 이상의 후처리를 거친 사전 학습된 모델을 나타내는 느슨하게 정의된 용어입니다.

• 증류
• 미세 조정
• 명령어 조정

PR AUC (PR 곡선 아래 영역)

보간된 정밀도-재현율 곡선 아래의 면적으로, 분류 임계값의 다양한 값에 대한 (재현율, 정밀도) 점을 표시하여 얻습니다.

Praxis

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

Praxis에는 레이어 클래스의 정의뿐만 아니라 다음을 비롯한 대부분의 지원 구성요소도 포함되어 있습니다.

• 데이터 입력
• 구성 라이브러리 (HParam 및 Fiddle)
• 최적화 도구

Praxis는 Model 클래스의 정의를 제공합니다.

precision

다음 질문에 답하는 분류 모델의 측정항목입니다.

모델이 양성 클래스를 예측했을 때 올바른 예측의 비율은 얼마였나요?

공식은 다음과 같습니다.

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

각 항목의 의미는 다음과 같습니다.

• 참양성은 모델이 포지티브 클래스를 정확하게 예측했음을 의미합니다.
• 거짓양성은 모델이 포지티브 클래스를 잘못 예측했음을 의미합니다.

예를 들어 모델이 200개의 긍정 예측을 했다고 가정해 보겠습니다. 이러한 200개의 긍정적인 예측 중:

• 참양성은 150개였습니다.
• 50건은 거짓양성이었습니다.

이 경우에는 다음과 같습니다.

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

정확성 및 재현율과 대비됩니다.

자세한 내용은 분류: 정확성, 재현율, 정밀도, 관련 측정항목을 참고하세요.

k 기준 정밀도 (precision@k)

#language

순위가 지정된 (정렬된) 항목 목록을 평가하는 측정항목입니다. k의 정밀도는 해당 목록의 첫 번째 k개 항목 중 '관련성'이 있는 항목의 비율을 나타냅니다. 이는 다음과 같은 의미입니다.

\[\text{precision at k} = \frac{\text{relevant items in first k items of the list}} {\text{k}}\]

k 값은 반환된 목록의 길이보다 작거나 같아야 합니다. 반환된 목록의 길이는 계산에 포함되지 않습니다.

관련성은 주관적인 경우가 많습니다. 전문가 인간 평가자들조차 관련성 있는 항목에 동의하지 않는 경우가 많습니다.

비교 대상:

• k에서의 평균 정밀도
• k의 평균 정밀도

아이콘을 클릭하여 예를 확인하세요.

대규모 언어 모델에 다음 쿼리가 주어졌다고 가정해 보겠습니다.

List the 6 funniest movies of all time in order.

대규모 언어 모델은 다음 표의 처음 두 열에 표시된 목록을 반환합니다.

위치	영화	관련성 있나요?
1	장군	예
2	Mean Girls	예
3	Platoon	아니요
4	내 여자친구의 결혼식	예
5	Citizen Kane	아니요
6	스파이널 탭입니다.	예

처음 세 영화 중 두 편이 관련이 있으므로 정밀도는 3입니다.

$$\text{precision at 3} = \frac{\text{2}} {\text{3}} = 0.67$$

처음 5편의 영화 중 4편이 매우 재미있으므로 5에서의 정밀도는 다음과 같습니다.

$$\text{precision at 5} = \frac{\text{4}} {\text{5}} = 0.8$$

---

정밀도-재현율 곡선

다양한 분류 임곗값에서 정밀도와 재현율의 곡선

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

예측의 평균이 데이터 세트의 라벨 평균과 얼마나 다른지 나타내는 값입니다.

머신러닝 모델의 바이어스 항 또는 윤리학 및 공정성의 편향과 혼동하지 마시기 바랍니다.

예측 ML

모든 표준 ('기존') 머신러닝 시스템

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

예측 패리티

#fairness

주어진 분류기에 대해 고려 중인 하위 그룹의 정밀도 비율이 동일한지 확인하는 공정성 측정항목입니다.

예를 들어 대학 합격을 예측하는 모델은 정밀도가 릴리푸티안과 브로드빙낵인에서 동일하면 국적에 대한 예측 패리티를 충족합니다.

예측 동등성을 예측 요금 동등성이라고도 합니다.

예측 동등성에 관한 자세한 내용은 '공정성 정의 설명' (3.2.1 섹션)을 참고하세요.

예측 가격 패리티

#fairness

예측 패리티의 다른 이름입니다.

전처리

#fairness

모델을 학습하는 데 사용하기 전에 데이터를 처리합니다. 사전처리는 영어 사전에 없는 단어를 영어 텍스트 자료에서 삭제하는 것처럼 간단할 수도 있고, 민감한 속성과 관련된 속성을 최대한 많이 제거하는 방식으로 데이터 포인트를 다시 표현하는 것처럼 복잡할 수도 있습니다. 사전 처리는 공정성 제약조건을 충족하는 데 도움이 될 수 있습니다.

선행 학습된 모델

#language

#image

#generativeAI

일반적으로 이미 학습된 모델입니다. 이 용어는 이전에 학습된 임베딩 벡터를 의미할 수도 있습니다.

사전 학습된 언어 모델이라는 용어는 일반적으로 이미 학습된 대규모 언어 모델을 나타냅니다.

사전 학습

#language

#image

#generativeAI

대규모 데이터 세트에서 모델을 초기 학습하는 작업입니다. 일부 사전 학습된 모델은 거대하지만 부정확하므로 일반적으로 추가 학습을 통해 미세 조정해야 합니다. 예를 들어 ML 전문가는 위키피디아의 모든 영어 페이지와 같은 방대한 텍스트 데이터 세트에서 대규모 언어 모델을 사전 학습할 수 있습니다. 선행 학습 후에는 다음 기법 중 하나를 통해 결과 모델을 추가로 미세 조정할 수 있습니다.

• distillation
• 미세 조정
• instruction tuning
• 매개변수 효율적인 조정
• prompt-tuning

사전 믿음

학습을 시작하기 전에 데이터에 대해 갖는 견해입니다. 예를 들어 L₂ 정규화는 가중치가 작으며 보통 0 근처에 분포한다는 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 모델은 표준 편차가 12인 325의 예측을 산출할 수 있습니다. 확률적 회귀 모델에 관한 자세한 내용은 이 tensorflow.org의 Colab을 참고하세요.

확률 밀도 함수

특정 값을 정확히 갖는 데이터 샘플의 빈도를 식별하는 함수입니다. 데이터 세트의 값이 연속 부동 소수점 수인 경우 정확한 일치는 거의 발생하지 않습니다. 그러나 값 x에서 값 y까지 확률 밀도 함수를 적분하면 x과 y 사이의 데이터 샘플의 예상 빈도가 나옵니다.

예를 들어 평균이 200이고 표준 편차가 30인 정규 분포를 생각해 보겠습니다. 211.4~218.7 범위에 포함되는 데이터 샘플의 예상 빈도를 확인하려면 211.4~218.7에서 정규 분포의 확률 밀도 함수를 통합하면 됩니다.

프롬프트

#language

#generativeAI

대규모 언어 모델의 입력으로 입력되어 모델이 특정 방식으로 작동하도록 조정하는 텍스트입니다. 프롬프트는 문구처럼 짧을 수도 있고 소설의 전체 텍스트처럼 임의로 길 수도 있습니다. 프롬프트는 다음 표에 표시된 카테고리를 비롯하여 여러 카테고리로 분류됩니다.

프롬프트 카테고리	예	참고
질문	비둘기는 얼마나 빨리 날 수 있나요?
안내	차익거래에 관한 재미있는 시를 써 줘.	대규모 언어 모델에 무언가를 수행하도록 요청하는 프롬프트입니다.
예	마크다운 코드를 HTML로 변환합니다. 예: 마크다운: * 목록 항목 HTML: <ul> <li>목록 항목</li> </ul>	이 프롬프트의 첫 번째 문장은 안내입니다. 나머지 프롬프트는 예시입니다.
역할	물리학 박사 과정에 있는 학생에게 머신러닝 학습에 경사하강법이 사용되는 이유를 설명합니다.	문장의 첫 부분은 안내입니다. '물리학 박사'라는 문구는 역할 부분입니다.
모델이 완료할 부분 입력	영국 총리는	부분 입력 프롬프트는 갑자기 끝날 수도 있고 (이 예와 같이) 밑줄로 끝날 수도 있습니다.

생성형 AI 모델은 텍스트, 코드, 이미지, 임베딩, 동영상 등 거의 모든 것으로 프롬프트에 응답할 수 있습니다.

프롬프트 기반 학습

#language

#generativeAI

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 제3법칙을 요약하세요.

프롬프트 기반 학습을 할 수 있는 모델은 이전 프롬프트에 응답하도록 구체적으로 학습되지 않습니다. 오히려 모델은 물리학에 관한 많은 사실, 일반적인 언어 규칙에 관한 많은 사실, 일반적으로 유용한 답변을 구성하는 요소에 관한 많은 사실을 '알고' 있습니다. 이 지식은 유용한 답변을 제공하기에 충분합니다. 추가적인 인간의 피드백(예: '답변이 너무 복잡했습니다.' 또는 '어떤 반응이 있나요?')을 통해 일부 프롬프트 기반 학습 시스템은 답변의 유용성을 점진적으로 개선할 수 있습니다.

프롬프트 설계

#language

#generativeAI

프롬프트 엔지니어링의 동의어입니다.

프롬프트 엔지니어링

#language

#generativeAI

대규모 언어 모델에서 원하는 응답을 유도하는 프롬프트를 만드는 기술입니다. 사람이 프롬프트 엔지니어링을 실행합니다. 체계적인 메시지 작성은 대규모 언어 모델에서 유용한 응답을 보장하는 데 필수적인 부분입니다. 프롬프트 엔지니어링은 다음을 비롯한 여러 요인에 따라 달라집니다.

• 대규모 언어 모델을 사전 학습하고 경우에 따라 미세 조정하는 데 사용되는 데이터 세트입니다.
• 모델이 응답을 생성하는 데 사용하는 강도 및 기타 디코딩 매개변수입니다.

유용한 프롬프트 작성에 관한 자세한 내용은 프롬프트 설계 소개를 참고하세요.

프롬프트 설계는 프롬프트 엔지니어링의 동의어입니다.

프롬프트 조정

#language

#generativeAI

시스템이 실제 프롬프트 앞에 추가하는 '접두사'를 학습하는 매개변수 효율적인 조정 메커니즘입니다.

프롬프트 조정의 한 가지 변형(접두사 조정이라고도 함)은 모든 레이어에 접두사를 추가하는 것입니다. 반면 대부분의 프롬프트 조정은 입력 레이어에 접두사만 추가합니다.

접두사에 대해 자세히 알아보려면 아이콘을 클릭하세요.

프롬프트 조정의 경우 '접두사'('소프트 프롬프트'라고도 함)는 학습된 태스크별 벡터로, 실제 프롬프트의 텍스트 토큰 임베딩 앞에 추가됩니다. 시스템은 다른 모든 모델 매개변수를 고정하고 특정 작업에서 미세 조정하여 조용한 프롬프트를 학습합니다.

---

프록시 (민감한 속성)

#fairness

민감한 속성의 대체용으로 사용되는 속성입니다. 예를 들어 개인의 우편번호가 개인의 소득, 인종 또는 민족을 나타내는 대리 변수로 사용될 수 있습니다.

유추 라벨

#fundamentals

데이터 세트에서 직접 사용할 수 없는 라벨을 대략적으로 지정하는 데 사용되는 데이터입니다.

예를 들어 직원의 스트레스 수준을 예측하는 모델을 학습해야 한다고 가정해 보겠습니다. 데이터 세트에 많은 예측 기능이 포함되어 있지만 스트레스 수준이라는 라벨은 포함되어 있지 않습니다. 실망하지 않고 '직장 사고'를 스트레스 수준의 대리 라벨로 선택합니다. 결국 스트레스가 심한 직원은 침착한 직원보다 사고를 더 많이 겪게 됩니다. 아니면 그렇지 않나요? 직장 사고는 여러 가지 이유로 실제로 증가하거나 감소할 수 있습니다.

두 번째 예로, is it raining?을 데이터 세트의 불리언 라벨로 지정하려고 하지만 데이터 세트에 비 데이터가 없다고 가정해 보겠습니다. 사진을 사용할 수 있는 경우 우산을 들고 있는 사람의 사진을 is it raining?에 대한 유추 라벨로 지정할 수 있습니다. 좋은 대리 라벨인가요? 그럴 수도 있지만, 어떤 문화에서는 비보다 햇빛을 가리기 위해 우산을 들고 다니는 경우가 더 많을 수 있습니다.

프록시 라벨은 종종 불완전합니다. 가능하면 프록시 라벨보다 실제 라벨을 선택하세요. 하지만 실제 라벨이 없는 경우 가장 나쁜 프록시 라벨 후보를 선택하여 프록시 라벨을 매우 신중하게 선택합니다.

순수 함수

출력이 입력에만 기반하고 부수 효과가 없는 함수입니다. 특히 순수 함수는 파일의 콘텐츠나 함수 외부의 변수 값과 같은 전역 상태를 사용하거나 변경하지 않습니다.

순수 함수를 사용하여 스레드 안전 코드를 만들 수 있습니다. 이는 여러 가속기 칩에 걸쳐 모델 코드를 샤딩할 때 유용합니다.

JAX 함수 변환 메서드에서는 입력 함수가 순수 함수여야 합니다.

Q

Q 함수

#rl

강화 학습에서 상태에서 작업을 실행한 후 지정된 정책을 따르는 경우 예상되는 반환을 예측하는 함수입니다.

Q 함수는 상태-작업 값 함수라고도 합니다.

Q-학습

#rl

강화 학습에서 에이전트가 벨만 방정식을 적용하여 마르코프 결정 프로세스의 최적 Q 함수를 학습할 수 있는 알고리즘입니다. 마르코프 결정 프로세스는 환경을 모델링합니다.

분위수

분위수 버케팅의 각 버킷입니다.

분위수 버케팅

각 버킷에 동일하거나 거의 동일한 수의 예제가 포함되도록 특성 값을 버킷에 배포합니다. 예를 들어 다음 그림에서는 44개의 점을 4개의 버킷으로 분할하여 각 버킷에 11개의 점이 포함되도록 합니다. 그림의 각 버킷에 동일한 수의 점이 포함되도록 하기 위해 일부 버킷은 다른 너비의 x값에 걸쳐 있습니다.

양자화

다음과 같은 방법으로 사용할 수 있는 중복으로 정의된 용어입니다.

• 특정 특성에 분위수 버케팅을 구현합니다.
• 더 빠른 저장, 학습, 추론을 위해 데이터를 0과 1로 변환합니다. 불리언 데이터는 다른 형식보다 노이즈와 오류에 강하므로 정량화하면 모델 정확성을 개선할 수 있습니다. 양자화 기법에는 반올림, 자르기, 비닝이 포함됩니다.

• 모델의 매개변수를 저장하는 데 사용되는 비트 수를 줄입니다. 예를 들어 모델의 매개변수가 32비트 부동 소수점 수로 저장되었다고 가정해 보겠습니다. 양자화는 이러한 매개변수를 32비트에서 4비트, 8비트 또는 16비트로 변환합니다. 정규화는 다음을 줄입니다.

  • 컴퓨팅, 메모리, 디스크, 네트워크 사용량
  • 예측 추론 시간
  • 전력 소모량

  하지만 양자화로 인해 모델 예측의 정확성이 떨어지는 경우도 있습니다.

큐

#TensorFlow

대기열 데이터 구조를 구현하는 TensorFlow 작업입니다. 일반적으로 I/O에 사용됩니다.

R

RAG

#fundamentals

검색 증강 생성의 약어입니다.

랜덤 포레스트

#df

각 결정 트리가 백깅과 같은 특정 무작위 노이즈로 학습되는 결정 트리의 앙상블입니다.

랜덤 포레스트는 결정 포레스트의 한 유형입니다.

무작위 정책

#rl

강화 학습에서 작업을 무작위로 선택하는 정책입니다.

순위 (순위, 순서수)

클래스를 오름차순으로 분류하는 머신러닝 문제에서 클래스의 서수 위치입니다. 예를 들어 행동 순위 시스템은 강아지의 보상에 가장 높은 순위 (스테이크)부터 가장 낮은 순위 (시든 양배추)까지 매길 수 있습니다.

순위 (rank, 텐서)

#TensorFlow

Tensor의 차원 수입니다. 예를 들어 스칼라의 순위는 0이고, 벡터의 순위는 1이고, 행렬의 순위는 2입니다.

순위 (순서수)와 혼동하지 마시기 바랍니다.

순위

항목 목록을 정렬하는 것을 목표로 하는 지도 학습의 한 유형입니다.

평가자

#fundamentals

예시에 라벨을 제공하는 사람입니다. 'Annotator'는 평가자의 다른 이름입니다.

recall

다음 질문에 답하는 분류 모델의 측정항목입니다.

실제값이 양성 클래스인 경우 모델이 양성 클래스로 올바르게 식별한 예측의 비율은 얼마인가요?

공식은 다음과 같습니다.

\[\text{Recall} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}} \]

각 항목의 의미는 다음과 같습니다.

• 참양성은 모델이 포지티브 클래스를 정확하게 예측했음을 의미합니다.
• 거짓음성은 모델이 네거티브 클래스를 잘못 예측했음을 의미합니다.

예를 들어 모델이 참값이 포지티브 클래스인 예시에서 200번 예측했다고 가정해 보겠습니다. 이 200개의 예측 중

• 참양성은 180개였습니다.
• 거짓음성은 20건이었습니다.

이 경우에는 다음과 같습니다.

\[\text{Recall} = \frac{\text{180}} {\text{180} + \text{20}} = 0.9 \]

클래스 불균형 데이터 세트에 관한 메모 아이콘을 클릭합니다.

재현율은 양성 클래스가 드문 분류 모델의 예측력을 결정하는 데 특히 유용합니다. 예를 들어 특정 질병의 양성 클래스가 100만 명 중 10명에게만 발생하는 클래스 불균형 데이터 세트를 생각해 보겠습니다. 모델이 500만 번 예측하여 다음과 같은 결과를 얻었다고 가정해 보겠습니다.

• 참양성 30개
• 거짓음성 20개
• 참음성 4,999,000개
• 거짓양성 950건

따라서 이 모델의 재현율은 다음과 같습니다.

recall = TP / (TP + FN)
recall = 30 / (30 + 20) = 0.6 = 60%

이와 달리 이 모델의 정확도는 다음과 같습니다.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (30 + 4,999,000) / (30 + 4,999,000 + 950 + 20) = 99.98%

높은 정확성 값은 인상적이긴 하지만 본질적으로 의미가 없습니다. 재현율은 클래스 불균형 데이터 세트에서 정확도보다 훨씬 더 유용한 측정항목입니다.

---

자세한 내용은 분류: 정확성, 재현율, 정밀도, 관련 측정항목을 참고하세요.

k 기준 재현율 (recall@k)

#language

순위가 지정된 (정렬된) 항목 목록을 출력하는 시스템을 평가하기 위한 측정항목입니다. k의 재현율은 반환된 총 관련 항목 수 중 해당 목록의 첫 번째 k개 항목에 있는 관련 항목의 비율을 나타냅니다.

\[\text{recall at k} = \frac{\text{relevant items in first k items of the list}} {\text{total number of relevant items in the list}}\]

k 기준 정밀도와 대비되는 개념입니다.

아이콘을 클릭하여 예를 확인하세요.

대규모 언어 모델에 다음 쿼리가 주어졌다고 가정해 보겠습니다.

List the 10 funniest movies of all time in order.

대규모 언어 모델은 첫 번째 두 열에 표시된 목록을 반환합니다.

위치	영화	관련성 있나요?
1	장군	예
2	Mean Girls	예
3	Platoon	아니요
4	내 여자친구의 결혼식	예
5	스파이널 탭입니다.	예
6	비행기!	예
7	Groundhog Day	예
8	몬티 파이튼의 성배	예
9	오펜하이머	아니요
10	클루리스	예

위 목록의 영화 중 8편은 매우 재미있으므로 '목록의 관련 항목'입니다. 따라서 8은 k에서의 모든 검색 정확도 계산에서 분모가 됩니다. 분자는 어떨까요? 첫 4개 항목 중 3개가 관련이 있으므로 4에서의 재현율은 다음과 같습니다.

$$\text{recall at 4} = \frac{\text{3}} {\text{8}} = 0.375$$

처음 8편의 영화 중 7편이 매우 재미있으므로 8번 째 시점의 회상은 다음과 같습니다.

$$\text{recall at 8} = \frac{\text{7}} {\text{8}} = 0.875$$

---

추천 시스템

#recsystems

각 사용자와 관련해 큰 코퍼스에서 상대적으로 적은 항목 세트를 선택하는 시스템입니다. 예를 들어 비디오 추천 시스템은 100,000개 비디오 코퍼스에서 2개의 동영상을 추천할 수 있습니다. 예를 들어 한 사용자에게는 카사블랑카와 필라델피아 이야기를 추천하고 다른 사용자에게는 원더 우먼과 블랙 팬서를 추천할 수 있습니다. 동영상 추천 시스템은 다음과 같은 요소를 기반으로 추천할 수 있습니다.

• 비슷한 사용자가 평가하거나 본 영화
• 장르, 감독, 배우, 타겟 인구통계...

정류 선형 유닛 (ReLU)

#fundamentals

다음과 같은 동작을 하는 활성화 함수입니다.

• 입력이 음수 또는 0이면 출력은 0입니다.
• 입력이 양수이면 출력은 입력과 같습니다.

예를 들면 다음과 같습니다.

• 입력이 -3이면 출력은 0입니다.
• 입력이 +3이면 출력은 3.0입니다.

다음은 ReLU의 그래프입니다.

ReLU는 매우 인기 있는 활성화 함수입니다. ReLU는 단순한 동작에도 불구하고 신경망이 특성과 라벨 간의 비선형 관계를 학습할 수 있도록 합니다.

순환 신경망(RNN)

#seq

의도적으로 여러 번 실행되는 신경망으로 각 실행의 일부가 다음 실행으로 유입됩니다. 특히 이전 실행의 히든 레이어가 다음 실행의 동일한 히든 레이어에 입력의 일부를 제공합니다. 순환 신경망(RNN)은 시퀀스를 평가할 때 특히 유용하며, 히든 레이어가 시퀀스의 이전 부분에 대한 신경망의 이전 실행으로부터 학습할 수 있습니다.

예를 들어 다음 그림은 네 번 실행되는 recurrent neural network(RNN)을 보여줍니다. 첫 번째 실행에서 히든 레이어에 학습된 값이 두 번째 실행에서 동일한 히든 레이어에 입력의 일부로 제공됩니다. 마찬가지로 두 번째 실행에서 히든 레이어에 학습된 값이 세 번째 실행에서 동일한 히든 레이어에 입력의 일부로 제공됩니다. 이러한 방식으로 순환 신경망(RNN)은 개별 단어를 측정하지 않고 점진적으로 학습하여 전체 시퀀스의 의미를 예측합니다.

참조 텍스트

#language

#generativeAI

프롬프트에 대한 전문가의 대답입니다. 예를 들어 다음과 같은 프롬프트가 표시될 수 있습니다.

'이름이 뭐야?'라는 질문을 영어에서 프랑스어로 번역하세요.

전문가의 응답은 다음과 같습니다.

Comment vous appelez-vous?

다양한 측정항목 (예: ROUGE)은 참조 텍스트가 ML 모델의 생성된 텍스트와 일치하는 정도를 측정합니다.

참고: 전문가는 일반적으로 사람이지만 ML 모델일 수도 있습니다.

회귀 모델

#fundamentals

비공식적으로는 숫자 예측을 생성하는 모델을 의미합니다. 반면 분류 모델은 클래스 예측을 생성합니다. 예를 들어 다음은 모두 회귀 모델입니다.

• 특정 주택의 가격(예: 423,000유로)을 유로로 예측하는 모델
• 특정 나무의 수명을 연 단위(예: 23.2)로 예측하는 모델입니다.
• 다음 6시간 동안 특정 도시에 내릴 강우량(인치)을 예측하는 모델(예: 0.18)

일반적인 두 가지 회귀 모델 유형은 다음과 같습니다.

• 선형 회귀: 라벨 값을 특성에 가장 잘 맞는 선을 찾습니다.
• 로지스틱 회귀: 시스템이 일반적으로 클래스 예측에 매핑하는 0.0과 1.0 사이의 확률을 생성합니다.

수치 예측을 출력하는 모든 모델이 회귀 모델은 아닙니다. 숫자 예측이 숫자 클래스 이름을 가진 분류 모델일 때도 있습니다. 예를 들어 숫자 우편번호를 예측하는 모델은 회귀 모델이 아니라 분류 모델입니다.

정규화

#fundamentals

과적합을 줄이는 모든 메커니즘 많이 사용되는 정규화 유형은 다음과 같습니다.

• L₁ 정규화
• L₂ 정규화
• 드롭아웃 정규화
• 조기 중단 (정식으로 인정되는 정규화 방식은 아니지만 과적합을 효과적으로 제한할 수 있음)

정규화는 모델 복잡성에 대한 불이익으로 정의할 수도 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

정규화는 직관에 어긋납니다. 정규화를 늘리면 일반적으로 학습 손실이 증가합니다. 학습 손실을 최소화하는 것이 목표가 아닌가요?

실제로는 그렇지 않습니다. 학습 손실을 최소화하는 것이 목표가 아닙니다. 목표는 실제 예시를 기반으로 우수한 예측을 하는 것입니다. 놀랍게도 정규화를 늘리면 학습 손실이 증가하지만 일반적으로 모델이 실제 예시를 더 잘 예측하는 데 도움이 됩니다.

---

정규화율

#fundamentals

학습 중 정규화의 상대적 중요도를 지정하는 숫자입니다. 정규화 비율을 높이면 과적합이 줄어들지만 모델의 예측력이 저하될 수 있습니다. 반대로 정규화 비율을 줄이거나 생략하면 과적합이 증가합니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

정규화 비율은 일반적으로 그리스 문자 람다로 표시됩니다. 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

최적의 정책을 학습하는 알고리즘 계열로, 환경과 상호작용할 때 수익을 극대화하는 것을 목표로 합니다. 예를 들어 게임 대부분의 궁극적 보상은 승리입니다. 강화 학습 시스템은 이전 게임 동작에서 승리로 이어진 시퀀스와 패배로 이어진 시퀀스를 평가하여 복잡한 게임을 할 때 전문가가 될 수 있습니다.

인간 피드백 기반 강화 학습 (RLHF)

#generativeAI

#rl

인간 평가자의 의견을 사용하여 모델의 대답 품질을 개선합니다. 예를 들어 RLHF 메커니즘은 사용자에게 👍 또는 👎 그림 이모티콘으로 모델의 대답 품질을 평가해 달라고 요청할 수 있습니다. 그러면 시스템은 이 의견을 바탕으로 향후 응답을 조정할 수 있습니다.

ReLU

#fundamentals

정류 선형 유닛의 약어입니다.

리플레이 버퍼

#rl

DQN과 유사한 알고리즘에서 에이전트가 경험 재생에 사용할 상태 전환을 저장하는 데 사용하는 메모리입니다.

복제본

일반적으로 다른 머신에 있는 학습 세트 또는 모델의 사본입니다. 예를 들어 시스템은 데이터 동시 로드를 구현하기 위해 다음 전략을 사용할 수 있습니다.

1. 여러 머신에 기존 모델의 복제본을 배치합니다.
2. 각 복제본에 학습 세트의 서로 다른 하위 집합을 전송합니다.
3. 매개변수 업데이트를 집계합니다.

보고 편향

#fairness

사용자가 작업, 결과 또는 속성에 관해 쓰는 빈도가 실제 빈도나 속성이 개인 클래스의 특징이 되는 정도를 반영하지 않는다는 사실입니다. 보고 편향은 머신러닝 시스템이 학습하는 데이터의 구성에 영향을 줄 수 있습니다.

예를 들어 책에서 웃음이라는 단어가 호흡보다 더 많이 나옵니다. 책 코퍼스에서 웃음과 호흡의 상대적 빈도를 예측하는 머신러닝 모델은 웃음이 호흡보다 더 일반적이라고 판단할 수 있습니다.

벡터 표현이

데이터를 유용한 특성에 매핑하는 과정입니다.

재정렬

#recsystems

추천 시스템의 최종 단계이며 이 단계 중에 다른(비 ML) 알고리즘에 따라 채점된 항목을 다시 평가할 수 있습니다. 재정렬에서는 다음과 같이 조치하여 스코어링 단계에서 생성되는 항목 목록을 평가합니다.

• 사용자가 이미 구매한 항목 제거
• 새로운 항목의 점수 상향

검색 증강 생성 (RAG)

#fundamentals

모델이 학습된 후에 검색된 지식 소스로 대규모 언어 모델 (LLM) 출력을 기반으로 하여 품질을 개선하는 기법입니다. RAG는 학습된 LLM에 신뢰할 수 있는 기술 자료 또는 문서에서 검색된 정보에 대한 액세스 권한을 제공하여 LLM 응답의 정확성을 개선합니다.

검색 증강 생성을 사용하는 일반적인 동기는 다음과 같습니다.

• 모델의 생성된 응답의 사실적 정확성을 높이는 것입니다.
• 모델이 학습하지 않은 지식에 액세스할 수 있도록 허용
• 모델이 사용하는 지식을 변경합니다.
• 모델이 출처를 인용하도록 사용 설정

예를 들어 화학 앱에서 PaLM API를 사용하여 사용자 검색어와 관련된 요약을 생성한다고 가정해 보겠습니다. 앱의 백엔드가 쿼리를 수신하면 백엔드는 다음을 실행합니다.

1. 사용자의 검색어와 관련된 데이터를 검색 ('검색')합니다.
2. 관련 화학 데이터를 사용자의 쿼리에 추가 ('증강')합니다.
3. 추가된 데이터를 기반으로 요약을 생성하도록 LLM에 지시합니다.

리턴

#rl

강화 학습에서 특정 정책과 특정 상태가 주어지면 수익은 에이전트가 상태에서 에피소드의 끝까지 정책을 따를 때 받을 것으로 예상되는 모든 리워드의 합계입니다. 상담사는 리워드를 얻는 데 필요한 상태 전환에 따라 리워드를 할인하여 예상 리워드의 지연된 특성을 고려합니다.

따라서 할인 계수가 \(\gamma\)이고 \(r_0, \ldots, r_{N}\)이 에피소드 종료까지의 보상을 나타내는 경우 수익 계산은 다음과 같습니다.

$$\text{Return} = r_0 + \gamma r_1 + \gamma^2 r_2 + \ldots + \gamma^{N-1} r_{N-1}$$

리워드가

#rl

강화 학습에서 환경에 의해 정의된 상태에서 작업을 수행한 결과의 숫자입니다.

능형 정규화

L₂ 정규화의 동의어입니다. 능형 정규화라는 용어는 순수 통계 환경에서 더 자주 사용되고, L₂ 정규화는 머신러닝에서 더 자주 사용됩니다.

RNN

#seq

recurrent neural networks의 약어입니다.

수신자 조작 특성 곡선 (ROC 곡선, Receiver Operating Characteristic curve)

#fundamentals

이진 분류에서 다양한 분류 기준에 대한 참양성률과 거짓양성률의 그래프입니다.

ROC 곡선의 모양은 이진 분류 모델이 양성 클래스를 음성 클래스와 구분하는 능력을 나타냅니다. 예를 들어 이진 분류 모델이 모든 음성 클래스를 모든 양성 클래스와 완벽하게 구분한다고 가정해 보겠습니다.

위의 모델의 ROC 곡선은 다음과 같습니다.

반대로 다음 그림은 음성 클래스를 양성 클래스와 전혀 구분할 수 없는 형편없는 모델의 원시 로지스틱 회귀 값을 그래프로 보여줍니다.

이 모델의 ROC 곡선은 다음과 같습니다.

한편 실제 환경에서는 대부분의 이진 분류 모델이 포지티브 클래스와 네거티브 클래스를 어느 정도 구분하지만 일반적으로 완벽하지는 않습니다. 따라서 일반적인 ROC 곡선은 두 극단 사이에 있습니다.

(0.0,1.0)에 가장 가까운 ROC 곡선의 점은 이론적으로 이상적인 분류 기준점을 나타냅니다. 그러나 이상적인 분류 기준을 선택하는 데는 다른 여러 실제 문제가 영향을 미칩니다. 예를 들어 거짓음성이 거짓양성보다 훨씬 더 큰 문제를 일으킬 수 있습니다.

AUC라는 수치 측정항목은 ROC 곡선을 단일 부동 소수점 값으로 요약합니다.

역할 프롬프트

#language

#generativeAI

생성형 AI 모델의 응답에 대한 공유 대상 그룹을 식별하는 프롬프트의 선택적 부분입니다. 역할 프롬프트가 없으면 대규모 언어 모델은 질문하는 사람에게 유용하거나 유용하지 않을 수 있는 답변을 제공합니다. 역할 프롬프트를 사용하면 대규모 언어 모델이 특정 타겟층에 더 적합하고 유용한 방식으로 응답할 수 있습니다. 예를 들어 다음 프롬프트의 역할 프롬프트 부분은 굵은 글꼴로 표시됩니다.

• 경제학 박사 과정을 위해 이 도움말을 요약해 줘.
• 10세 아이에게 조수의 작동 원리를 설명합니다.
• 2008년 금융 위기 설명 어린 아이나 골든 리트리버에게 말하는 것처럼 말합니다.

root

#df

의사결정 트리의 시작 노드 (첫 번째 조건)입니다. 일반적으로 다이어그램은 루트를 결정 트리의 맨 위에 배치합니다. 예를 들면 다음과 같습니다.

루트 디렉터리

#TensorFlow

여러 모델의 TensorFlow 체크포인트 및 이벤트 파일의 하위 디렉터리를 호스팅하도록 지정된 디렉터리입니다.

평균 제곱근 오차(RMSE)

#fundamentals

평균 제곱 오차의 제곱근입니다.

회전 불변

#image

이미지 분류 문제에서 이미지의 방향이 변경되더라도 이미지를 성공적으로 분류하는 알고리즘의 능력입니다. 예를 들어 이러한 능력을 갖춘 알고리즘은 테니스 라켓이 위쪽을 향하고 있든, 옆을 향하고 있든, 아래쪽을 향하고 있든 간에 테니스 라켓을 식별해 낼 수 있습니다. 회전 불변이 항상 바람직한 것은 아닙니다. 예를 들어 거꾸로 된 9는 9로 분류되어서는 안 됩니다.

변환 불변성 및 크기 불변성도 참고하세요.

ROUGE (Recall-Oriented Understudy for Gisting Evaluation)

#language

자동 요약 및 기계 번역 모델을 평가하는 측정항목 계열입니다. ROUGE 측정항목은 참조 텍스트가 ML 모델의 생성된 텍스트와 겹치는 정도를 결정합니다. ROUGE 계열의 각 요소는 다른 방식으로 중복을 측정합니다. ROUGE 점수가 높을수록 참조 텍스트와 생성된 텍스트 간의 유사성이 더 높다는 것을 나타냅니다.

각 ROUGE 계열은 일반적으로 다음 측정항목을 생성합니다.

• 정밀도
• 재현율
• F₁

참고: ROUGE는 기존의 정확성 및 재현율과는 약간 다른 방식으로 정확성 및 재현율을 사용합니다.

자세한 내용과 예는 다음을 참고하세요.

• ROUGE-L
• ROUGE-N
• ROUGE-S

참고: BLEU 및 BLEURT는 정확도에 최적화되고 ROUGE는 재현율에 최적화됩니다. 따라서 BLEU 및 BLEURT는 기계 번역을 평가하는 데 더 적합한 측정항목입니다 (중점이 정확성에 있기 때문). 반면 ROUGE는 요약을 평가하는 데 더 적합한 측정항목입니다(중점이 재현율에 있기 때문).

ROUGE-L

#language

ROUGE 계열의 한 구성원은 참조 텍스트와 생성된 텍스트의 최장 공통 부분 수열 길이에 중점을 두었습니다. 다음 수식은 ROUGE-L의 재현율과 정밀도를 계산합니다.

$$\text{ROUGE-L recall} = \frac{\text{longest common sequence}} {\text{number of words in the reference text} }$$

$$\text{ROUGE-L precision} = \frac{\text{longest common sequence}} {\text{number of words in the generated text} }$$

그런 다음 F₁을 사용하여 ROUGE-L 재현율과 ROUGE-L 정밀도를 단일 측정항목으로 롤업할 수 있습니다.

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

아이콘을 클릭하여 ROUGE-L 계산 예시를 확인합니다.

다음 참조 텍스트와 생성된 텍스트를 살펴보세요.

카테고리	제작자는 누구인가요?	텍스트
참조 텍스트	인간 번역사	다양한 것을 이해하고 싶습니다.
생성된 텍스트	ML 모델	많은 것을 배우고 싶습니다.

따라서 다음과 같습니다.

• 가장 긴 공통 하위 문자열은 5개입니다 (I want to of things).
• 참조 텍스트의 단어 수는 9개입니다.
• 생성된 텍스트의 단어 수는 7개입니다.

따라서 다음 사항에 유의하세요.

$$\text{ROUGE-L recall} = \frac{\text{5}} {\text{9} } = 0.56$$

$$\text{ROUGE-L precision} = \frac{\text{5}} {\text{7} } = 0.71$$

$$\text{ROUGE-L F} {_1} = \frac{\text{2} * \text{0.56} * \text{0.71}} {\text{0.56} + \text{0.71} } = 0.63$$

---

ROUGE-L은 참조 텍스트와 생성된 텍스트의 줄바꿈을 무시하므로 최장 공통 부분 수열이 여러 문장을 교차할 수 있습니다. 참조 텍스트와 생성된 텍스트에 여러 문장이 포함된 경우 일반적으로 ROUGE-L의 변형인 ROUGE-Lsum이 더 나은 측정항목입니다. ROUGE-Lsum은 구문의 각 문장에 대한 최장 공통 부분 수열을 결정한 다음 이러한 최장 공통 부분 수열의 평균을 계산합니다.

아이콘을 클릭하여 ROUGE-Lsum 계산 예시를 확인합니다.

다음 참조 텍스트와 생성된 텍스트를 살펴보세요.

카테고리	제작자는 누구인가요?	텍스트
참조 텍스트	인간 번역사	화성의 표면은 건조합니다. 거의 모든 물은 지하 깊숙이 있습니다.
생성된 텍스트	ML 모델	화성의 표면은 건조합니다. 하지만 대부분의 물은 지하에 있습니다.

따라서 날짜는 다음과 같이 계산합니다.

	첫 문장	두 번째 문장
가장 긴 공통 시퀀스	2 (화성 건조)	3 (지하에 물 있음)
참조 텍스트의 문장 길이	6	7
생성된 텍스트의 문장 길이	5	8

따라서 다음을 실행해야 합니다.

$$\text{recall of first sentence} = \frac{\text{2}} {\text{6}} = 0.33 $$

$$\text{recall of second sentence} = \frac{\text{3}} {\text{7}} = 0.43 $$

$$\text{ROUGE-Lsum recall} = \frac{\text{0.33} + \text{0.43}} {\text{2}} = 0.38 $$

$$\text{precision of first sentence} = \frac{\text{2}} {\text{5}} = 0.4 $$

$$\text{precision of second sentence} = \frac{\text{3}} {\text{8}} = 0.38 $$

$$\text{ROUGE-Lsum precision} = \frac{\text{0.4} + \text{0.38}} {\text{2}} = 0.39 $$

$$\text{ROUGE-Lsum F}{_1} = \frac{\text{2} * \text{0.38} * \text{0.39}} {\text{0.38} + \text{0.39}} = 0.38 $$

---

ROUGE-N

#language

ROUGE 계열 내의 측정항목 집합으로, 참조 텍스트와 생성된 텍스트에서 특정 크기의 공유 N-gram을 비교합니다. 예를 들면 다음과 같습니다.

• ROUGE-1은 참조 텍스트와 생성된 텍스트에서 공유되는 토큰 수를 측정합니다.
• ROUGE-2는 참조 텍스트와 생성된 텍스트에서 공유되는 바이그램 (2-그램) 수를 측정합니다.
• ROUGE-3는 참조 텍스트와 생성된 텍스트에서 공유되는 트라이그램 (3-그램) 수를 측정합니다.

다음 수식을 사용하여 ROUGE-N 계열의 모든 구성원의 ROUGE-N 재현율과 ROUGE-N 정밀도를 계산할 수 있습니다.

$$\text{ROUGE-N recall} = \frac{\text{number of matching N-grams}} {\text{number of N-grams in the reference text} }$$

$$\text{ROUGE-N precision} = \frac{\text{number of matching N-grams}} {\text{number of N-grams in the generated text} }$$

그런 다음 F₁을 사용하여 ROUGE-N 재현율과 ROUGE-N 정밀도를 단일 측정항목으로 롤업할 수 있습니다.

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

예시를 보려면 아이콘을 클릭하세요.

ROUGE-2를 사용하여 인간 번역가와 비교하여 ML 모델의 번역 효과를 측정하기로 결정했다고 가정해 보겠습니다.

카테고리	제작자는 누구인가요?	텍스트	바이그램
참조 텍스트	인간 번역사	다양한 것을 이해하고 싶습니다.	광범위하고 다양하며 다양한 것을 원하며, 이해하려고 함, 이해하려고 함
생성된 텍스트	ML 모델	많은 것을 배우고 싶습니다.	I want, want to, to learn, learn plenty, plenty of, of things

따라서 다음과 같습니다.

• 일치하는 2-그램 수는 3개 (I want, want to, of things)입니다.
• 참조 텍스트의 2-그램 수는 8개입니다.
• 생성된 텍스트의 2-gram 수는 6개입니다.

따라서 다음 사항에 유의하세요.

$$\text{ROUGE-2 recall} = \frac{\text{3}} {\text{8} } = 0.375$$

$$\text{ROUGE-2 precision} = \frac{\text{3}} {\text{6} } = 0.5$$

$$\text{ROUGE-2 F}{_1} = \frac{\text{2} * \text{0.375} * \text{0.5}} {\text{0.375} + \text{0.5} } = 0.43$$

---

ROUGE-S

#language

skip-gram 일치를 사용 설정하는 관대한 형태의 ROUGE-N입니다. 즉, ROUGE-N은 정확하게 일치하는 N-그램만 집계하지만 ROUGE-S는 하나 이상의 단어로 구분된 N-그램도 집계합니다. 예를 들어 다음 사항을 고려해 보세요.

• 참조 텍스트: 흰색 구름
• 생성된 텍스트: 구름이 흰색으로 뭉게뭉게 끼여 있음

ROUGE-N을 계산할 때 2그램인 흰색 구름은 흰색 구름이 피어오름과 일치하지 않습니다. 하지만 ROUGE-S를 계산할 때는 흰 구름이 흰색 구름이 피어오름과 일치합니다.

R 제곱

개별 특성 또는 특성 세트로 인해 라벨의 변동이 얼마나 되는지 나타내는 회귀 측정항목입니다. 결정 계수는 0과 1 사이의 값으로 다음과 같이 해석할 수 있습니다.

• R 제곱이 0이면 라벨의 변동이 특성 집합으로 인한 것이 아닙니다.
• R 제곱이 1이면 라벨의 모든 변동이 특성 집합으로 인한 것임을 의미합니다.
• 0과 1 사이의 결정 계수는 특정 특성 또는 특성 세트에서 라벨의 변형을 예측할 수 있는 정도를 나타냅니다. 예를 들어 R 제곱이 0.10이면 라벨의 분산의 10%가 특성 집합으로 인한 것이고, R 제곱이 0.20이면 20%가 특성 집합으로 인한 것임을 의미합니다.

R 제곱은 모델이 예측한 값과 실측값 간의 피어슨 상관 계수의 제곱입니다.

S

표본 추출 편향

#fairness

표본 선택 편향을 참고하세요.

교체 샘플링

#df

동일한 항목을 여러 번 선택할 수 있는 후보 항목 집합에서 항목을 선택하는 메서드입니다. '대체 포함'이라는 문구는 선택할 때마다 선택한 항목이 후보 항목 풀로 반환된다는 의미입니다. 반대 방법인 대체 없이 샘플링은 후보 항목을 한 번만 선택할 수 있음을 의미합니다.

예를 들어 다음과 같은 과일 세트를 생각해 보겠습니다.

fruit = {kiwi, apple, pear, fig, cherry, lime, mango}

시스템이 fig를 첫 번째 항목으로 무작위로 선택한다고 가정해 보겠습니다. 대체 샘플링을 사용하는 경우 시스템은 다음 세트에서 두 번째 항목을 선택합니다.

fruit = {kiwi, apple, pear, fig, cherry, lime, mango}

예, 이전과 동일한 세트이므로 시스템에서 fig를 다시 선택할 수 있습니다.

대체 없이 샘플링을 사용하는 경우 한 번 선택한 샘플은 다시 선택할 수 없습니다. 예를 들어 시스템이 fig를 첫 번째 샘플로 무작위로 선택하면 fig는 다시 선택할 수 없습니다. 따라서 시스템은 다음과 같은 (축소된) 집합에서 두 번째 샘플을 선택합니다.

fruit = {kiwi, apple, pear, cherry, lime, mango}

추가 메모를 보려면 아이콘을 클릭하세요.

대체 샘플링의 대체라는 단어는 많은 사람들을 혼란스럽게 합니다. 영어에서 replacement는 '대체'를 의미합니다. 그러나 대체 샘플링은 실제로 대체의 프랑스어 정의('어떤 것을 다시 집어넣는 것')를 사용합니다.

영어 단어 replacement는 프랑스어 단어 remplacement로 번역됩니다.

---

저장된 모델

#TensorFlow

TensorFlow 모델을 저장하고 복구하는 데 권장되는 형식입니다. 저장된 모델은 언어 중립적이며 복구 가능한 직렬화 형식으로서 상위 수준의 시스템 및 도구에서 TensorFlow 모델을 생성, 사용 및 변환하도록 지원합니다.

자세한 내용은 TensorFlow 프로그래머 가이드의 저장 및 복원 섹션을 참고하세요.

알뜰

#TensorFlow

모델 체크포인트 저장을 담당하는 TensorFlow 객체입니다.

스칼라

등급 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 전환하는 수학적 변환 또는 기법 일부 확장 형식은 정규화와 같은 변환에 매우 유용합니다.

머신러닝에 유용한 일반적인 확장 형태는 다음과 같습니다.

• 선형 크기 조정: 일반적으로 뺄셈과 나눗셈을 조합하여 원래 값을 -1과 +1 사이 또는 0과 1 사이의 숫자로 대체합니다.
• 원래 값을 상용로그로 대체하는 대수적 크기 조정
• Z-점수 정규화: 원래 값을 해당 특성의 평균에서 표준 편차 수를 나타내는 부동 소수점 값으로 대체합니다.

scikit-learn

인기 있는 오픈소스 머신러닝 플랫폼입니다. scikit-learn.org를 참고하세요.

점수 매기기

#recsystems

후보 생성 단계에서 생성된 각 항목의 값 또는 순위를 제공하는 추천 시스템의 일부입니다.

표본 선택 편향

#fairness

데이터에서 관찰되는 표본과 관찰되지 않는 표본 간에 체계적인 차이를 생성하는 표본 선택 프로세스로 인해 표본 데이터에 기반한 결론에서 발생하는 오류입니다. 다음과 같은 형태의 표본 선택 편향이 존재합니다.

• 포함 편향: 데이터 세트에 표시되는 모집단이 머신러닝 모델이 예측하는 모집단과 일치하지 않습니다.
• 표본 추출 편향: 데이터가 대상 그룹에서 무작위로 수집되지 않습니다.
• 무응답 편향 (응답 참여 편향이라고도 함): 특정 그룹의 사용자가 다른 그룹의 사용자와 다른 비율로 설문조사를 거부합니다.

예를 들어 영화에 대한 사람들의 선호도를 예측하는 머신러닝 모델을 생성한다고 해 봅시다. 학습 데이터를 수집하기 위해 극장의 맨 앞줄에서 영화를 보는 모든 사람에게 설문조사를 나눠줍니다. 언뜻 보기에 이 방법이 데이터 세트를 수집하는 합리적인 방법처럼 보일 수도 있지만, 이러한 형태의 데이터 수집으로 인해 다음과 같은 표본 선택 편향이 발생할 수 있습니다.

• 포함 편향: 영화를 보도록 선택한 모집단에서 표본을 추출했기 때문에 모델 예측이 영화에 대한 관심도를 표현하지 않은 사람들을 일반화할 수 없습니다.
• 표본 추출 편향: 의도한 모집단 (영화관의 모든 사람)으로부터 무작위로 표본을 추출하는 대신 맨 앞줄에 있는 사람으로부터만 표본을 추출했습니다. 맨 앞줄에 앉아 있는 사람들이 다른 줄에 있는 사람들보다 영화에 대한 관심이 더 클 수 있습니다.
• 무응답 편향: 일반적으로 의견을 강하게 표출하는 사람일수록 온화한 사람보다 선택사항인 설문조사에 응답할 가능성이 더 높습니다. 영화 설문조사는 선택사항이므로 응답은 일반적인 (종 모양) 분포가 아닌 이봉분포를 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 주의 집중 메커니즘을 통해 입력 시퀀스의 요소에서 정보를 통합하여 구성됩니다.

셀프 어텐션의 셀프 부분은 다른 맥락이 아닌 자체에 주의를 기울이는 시퀀스를 나타냅니다. 셀프 어텐션은 트랜스포머의 주요 구성요소 중 하나이며 '검색어', '키', '값'과 같은 사전 조회 용어를 사용합니다.

셀프 어텐션 레이어는 단어별로 하나씩 입력 표현의 시퀀스로 시작합니다. 단어의 입력 표현은 간단한 임베딩일 수 있습니다. 입력 시퀀스의 각 단어에 대해 네트워크는 단어가 전체 단어 시퀀스의 모든 요소와 얼마나 관련성이 있는지 점수를 매깁니다. 관련성 점수는 단어의 최종 표현이 다른 단어의 표현을 얼마나 통합하는지를 결정합니다.

예를 들어 다음 문장을 살펴보겠습니다.

동물이 너무 피곤해서 길을 건너지 않았습니다.

다음 그림 (Transformer: A Novel Neural Network Architecture for Language Understanding에서 발췌)은 호칭 it에 대한 자기 어텐션 레이어의 어텐션 패턴을 보여줍니다. 각 선의 어두운 정도는 각 단어가 표현에 기여하는 정도를 나타냅니다.

셀프 어텐션 레이어는 'it'과 관련된 단어를 강조 표시합니다. 이 경우 주목 레이어는 그것이 참조할 수 있는 단어를 강조 표시하는 방법을 학습하여 동물에 가장 높은 가중치를 할당했습니다.

n개의 토큰 시퀀스의 경우, 자기 어텐션은 시퀀스의 각 위치에서 한 번씩 n개의 임베딩 시퀀스를 별도로 변환합니다.

주의 및 멀티 헤드 자기 주목도 참고하세요.

자기 감독 학습

라벨이 지정되지 않은 예에서 대리 라벨을 만들어 비지도 머신러닝 문제를 지도 머신러닝 문제로 변환하는 기법의 모음입니다.

BERT와 같은 일부 Transformer 기반 모델은 자기 감독 학습을 사용합니다.

자기 감독 학습은 준지도 학습 접근 방식입니다.

자기 학습

다음 조건이 모두 참일 때 특히 유용한 자체 감독 학습의 변형입니다.

• 데이터 세트에서 라벨이 없는 예시와 라벨이 지정된 예시의 비율이 높습니다.
• 이는 분류 문제입니다.

자체 학습은 모델의 개선이 중단될 때까지 다음 두 단계를 반복하여 작동합니다.

1. 지도 머신러닝을 사용하여 라벨이 지정된 예시에서 모델을 학습합니다.
2. 1단계에서 만든 모델을 사용하여 라벨이 없는 예시에서 예측 (라벨)을 생성하고, 확신이 높은 예시를 예측 라벨이 지정된 라벨이 있는 예시로 이동합니다.

2단계를 반복할 때마다 1단계에서 학습할 라벨이 지정된 예시가 추가됩니다.

준지도 학습

일부 학습 예시에는 라벨이 있고 다른 예시에는 라벨이 없는 데이터로 모델을 학습합니다. 준지도 학습의 한 가지 기법은 라벨이 지정되지 않은 예시의 라벨을 추론한 다음 추론된 라벨을 사용하여 학습하여 새 모델을 만드는 것입니다. 준지도 학습은 라벨을 획득하는 비용이 많이 들지만 라벨이 없는 예가 풍부한 경우에 유용할 수 있습니다.

자체 학습은 준지도 학습의 한 가지 기법입니다.

민감한 속성

#fairness

법적, 윤리적, 사회적 또는 개인적 이유로 특별히 고려될 수 있는 인간적 속성입니다.

감정 분석

#language

통계 또는 머신러닝 알고리즘을 사용하여 서비스, 제품, 조직, 주제 등에 대한 그룹의 전체적인 태도(긍정적 또는 부정적)를 확인합니다. 예를 들어 자연어 이해 알고리즘을 사용하여 대학 과정의 텍스트 피드백에 대한 감정 분석을 수행하여 학생들이 대부분 과정을 마음에 들어 했거나 싫어한 정도를 평가할 수 있습니다.

시퀀스 모델

#seq

입력에 순차적 종속 항목이 있는 모델입니다. 예를 들면 이전에 시청한 동영상의 순서를 바탕으로 다음에 시청할 동영상을 예측하는 경우입니다.

시퀀스 대 시퀀스 작업

#language

토큰의 입력 시퀀스를 토큰의 출력 시퀀스로 변환하는 태스크입니다. 예를 들어 널리 사용되는 두 가지 종류의 시퀀스 대 시퀀스 작업은 다음과 같습니다.

• 번역자:
  • 샘플 입력 시퀀스: '사랑해'
  • 샘플 출력 시퀀스: 'Je t'aime.'
• 질문에 답변하기:
  • 샘플 입력 시퀀스: "뉴욕에 차가 필요할까요?"
  • 샘플 출력 시퀀스: "아니요. 차량을 집에 두세요."

서빙

학습된 모델을 온라인 추론 또는 오프라인 추론을 통해 예측을 제공할 수 있도록 만드는 프로세스입니다.

모양 (Tensor)

텐서의 각 차원에 있는 요소 수입니다. 도형은 정수 목록으로 표시됩니다. 예를 들어 다음 2차원 텐서의 모양은 [3,4]입니다.

[[5, 7, 6, 4],
 [2, 9, 4, 8],
 [3, 6, 5, 1]]

TensorFlow는 행 우선 (C 스타일) 형식을 사용하여 크기 순서를 나타냅니다. 따라서 TensorFlow의 모양은 [4,3]이 아닌 [3,4]입니다. 즉, 2차원 TensorFlow 텐서에서 모양은 [행 수, 열 수]입니다.

정적 도형은 컴파일 시 알려진 텐서 도형입니다.

동적 도형은 컴파일 시 알 수 없으며 따라서 런타임 데이터에 종속됩니다. 이 텐서는 [3, ?]와 같이 TensorFlow에서 자리표시자 크기로 표현될 수 있습니다.

샤드

#TensorFlow

#GoogleCloud

학습 세트 또는 모델의 논리적 구분입니다. 일반적으로 일부 프로세스는 예시 또는 매개변수를 일반적으로 동일한 크기의 청크로 나누어 샤드를 만듭니다. 그런 다음 각 샤드가 다른 머신에 할당됩니다.

모델을 샤딩하는 것을 모델 병렬 처리라고 하며, 데이터를 샤딩하는 것을 데이터 병렬 처리라고 합니다.

축소

#df

경사 부스팅의 초매개변수로, 오버피팅을 제어합니다. 경사 부스팅의 수축은 경사하강법의 학습률과 유사합니다. 수축은 0.0과 1.0 사이의 십진수 값입니다. 값이 작을수록 과적합이 줄어듭니다.

시그모이드 함수

#fundamentals

입력 값을 제한된 범위(일반적으로 0~1 또는 -1~+1)로 '압축'하는 수학 함수입니다. 즉, 어떤 숫자 (2, 100만, 마이너스 10억 등)를 시그모이드에 전달해도 출력은 여전히 제약된 범위에 있습니다. 시그모이드 활성화 함수의 그래프는 다음과 같습니다.

시그모이드 함수는 머신러닝에서 다음과 같은 여러 가지 용도로 사용됩니다.

• 로지스틱 회귀 또는 다항식 회귀 모델의 원시 출력을 확률로 변환합니다.
• 일부 신경망에서 활성화 함수 역할을 합니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

입력 숫자 x에 대한 시그모이드 함수는 다음과 같은 수식을 갖습니다.

$$ sigmoid(x) = \frac{1}{1 + e^{-\text{x}}} $$

머신러닝에서 x는 일반적으로 가중치 합계입니다.

---

유사도 측정

#clustering

클러스터링 알고리즘에서 두 예의 유사성을 측정하는 데 사용되는 측정항목입니다.

단일 프로그램 / 다중 데이터 (SPMD)

동일한 계산이 여러 기기에서 서로 다른 입력 데이터에 대해 동시에 실행되는 병렬 처리 기법입니다. SPMD의 목표는 더 빠르게 결과를 얻는 것입니다. 가장 일반적인 동시 프로그래밍 스타일입니다.

크기 불변

#image

이미지 분류 문제에서 이미지 크기가 변경되더라도 이미지를 성공적으로 분류하는 알고리즘의 능력입니다. 예를 들어 이러한 능력을 갖춘 알고리즘은 고양이가 200만 픽셀을 사용하든 20만 픽셀을 사용하든 간에 고양이를 식별해 낼 수 있습니다. 최고의 이미지 분류 알고리즘도 크기 불변성에 관한 실질적인 한계가 있습니다. 예를 들어 고작 20픽셀만 사용하는 고양이 이미지를 알고리즘 또는 인간이 올바르게 분류해 낼 가능성은 낮습니다.

변환 불변성 및 회전 불변성도 참고하세요.

스케치

#clustering

비지도 머신러닝에서 예시를 대상으로 예비 유사성 분석을 수행하는 알고리즘의 카테고리입니다. 스케치 알고리즘은 로컬 구분 해싱 함수를 사용하여 유사할 가능성이 높은 점을 식별한 다음 버킷으로 그룹화합니다.

스케칭은 대규모 데이터 세트에서 유사성을 측정하는 데 필요한 계산을 줄여 줍니다. 데이터 세트에서 모든 단일 사례 쌍의 유사성을 계산하지 않고 각 버킷 내 각 점의 쌍에 대해서만 유사성을 계산합니다.

skip-gram

#language

원래 문맥에서 단어를 생략 (또는 '건너뛰기')할 수 있는 n-그램으로, 즉 N개의 단어가 원래는 나란히 있지 않았을 수 있습니다. 더 정확하게는 'k-skip-n-gram'은 최대 k개의 단어가 건너뛰어질 수 있는 n-gram입니다.

예를 들어 'the quick brown fox'에는 다음과 같은 2-그램이 있습니다.

• "the quick"
• "quick brown"
• "brown fox"

'1-skip-2-gram'은 단어 쌍으로, 두 단어 사이에 최대 1개의 단어가 있을 수 있습니다. 따라서 'the quick brown fox'에는 다음과 같은 1단위 건너뛰기 2-그램이 있습니다.

• "the brown"
• "quick fox"

또한 단어를 1개 미만 건너뛸 수 있으므로 모든 2-그램은 1-skip-2-gram도 됩니다.

건너뛰기 그래프는 단어 주변의 맥락을 더 잘 이해하는 데 유용합니다. 이 예에서 'fox'는 1단위 건너뛰기 2그램 세트에서 'quick'과 직접 연결되었지만 2그램 세트에서는 연결되지 않았습니다.

건너뛰기 그래프는 단어 임베딩 모델을 학습하는 데 도움이 됩니다.

소프트맥스

#fundamentals

다중 클래스 분류 모델에서 가능한 각 클래스의 확률을 결정하는 함수입니다. 확률의 합계는 정확히 1.0입니다. 예를 들어 다음 표는 소프트맥스가 다양한 확률을 분산하는 방식을 보여줍니다.

이미지가...	확률
개	.85
고양이	.13
말	.02

소프트맥스는 전체 소프트맥스라고도 합니다.

후보 샘플링과 대비되는 개념입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

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 합계는 1.0입니다. 출력 벡터는 입력 벡터 $z$와 동일한 수의 요소를 포함합니다.
• $z$ 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 softmax는 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 요소의 합은 1.0입니다. 다양한 혜택이 마음에 드셨나요?

---

조용히 프롬프트 조정

#language

#generativeAI

리소스 집약적인 미세 조정 없이 특정 태스크에 맞게 대규모 언어 모델을 조정하는 기법입니다. 모델의 모든 가중치를 재학습하는 대신 조용한 프롬프트 조정은 동일한 목표를 달성하기 위해 프롬프트를 자동으로 조정합니다.

텍스트 프롬프트가 주어지면 조용히 프롬프트를 조정하는 것은 일반적으로 프롬프트에 토큰 임베딩을 추가하고 역전 전파를 사용하여 입력을 최적화합니다.

'단단한' 프롬프트에는 토큰 임베딩 대신 실제 토큰이 포함됩니다.

희소 지형지물

#language

#fundamentals

값이 대부분 0이거나 비어 있는 특징입니다. 예를 들어 1 값 1개와 0 값 100만 개가 포함된 특성은 희소합니다. 반면 밀집된 특징은 대부분 0이 아니거나 비어 있지 않은 값을 갖습니다.

머신러닝에서 놀라운 수의 특성이 희소한 특성입니다. 범주형 특성은 일반적으로 희소한 특성입니다. 예를 들어 숲에 있는 300가지 수종 중 단일 예시로 단풍나무만 식별할 수 있습니다. 또는 동영상 보관함에 있는 수백만 개의 동영상 중 단일 예시가 '카사블랑카'만 식별할 수도 있습니다.

모델에서는 일반적으로 원-핫 인코딩으로 희소 특성을 나타냅니다. 원-핫 인코딩이 큰 경우 효율성을 높이기 위해 원-핫 인코딩 위에 임베딩 레이어를 배치할 수 있습니다.

희소 표현

#language

#fundamentals

희소한 지형지물에 0이 아닌 요소의 위치만 저장합니다.

예를 들어 species라는 범주형 특성이 특정 숲의 36가지 수종을 식별한다고 가정해 보겠습니다. 또한 각 예가 단일 종만 식별한다고 가정합니다.

원핫 벡터를 사용하여 각 예시에서 나무 종을 나타낼 수 있습니다. 원-핫 벡터는 단일 1 (예시의 특정 수종을 나타내기 위해)와 35개의 0 (예시의 해당하지 않는 35가지 수종을 나타내기 위해)를 포함합니다. 따라서 maple의 원-핫 표현은 다음과 같이 표시될 수 있습니다.

또는 희소 표현은 특정 종의 위치만 식별합니다. maple가 24번 위치에 있으면 maple의 희소 표현은 다음과 같습니다.

24

희소 표현은 원핫 표현보다 훨씬 더 컴팩트합니다.

참고: 희소 표현을 모델에 직접적인 특성 입력으로 전달해서는 안 됩니다. 대신 학습하기 전에 희소 표현을 원핫 표현으로 변환해야 합니다.

아이콘을 클릭하면 약간 더 복잡한 예시를 확인할 수 있습니다.

모델의 각 예시가 영어 문장의 단어를 나타내야 하지만 단어의 순서는 나타내지 않아야 한다고 가정해 보겠습니다. 영어는 약 170,000개의 단어로 구성되므로 영어는 약 170,000개의 요소가 있는 카테고리형 특성입니다. 대부분의 영어 문장은 이 170,000단어 중 극히 일부만 사용하므로 단일 예시의 단어 집합은 거의 확실히 희소 데이터가 될 것입니다.

다음 문장을 생각해 보세요.

My dog is a great dog

원-핫 벡터의 변형을 사용하여 이 문장의 단어를 나타낼 수 있습니다. 이 변형에서는 벡터의 여러 셀에 0이 아닌 값이 포함될 수 있습니다. 또한 이 변형에서는 셀에 1이 아닌 정수가 포함될 수 있습니다. 'my', 'is', 'a', 'great'라는 단어는 문장에 한 번만 나타나지만 'dog'라는 단어는 두 번 나타납니다. 이 원-핫 벡터 변형을 사용하여 이 문장의 단어를 표현하면 다음과 같은 170,000개 요소 벡터가 생성됩니다.

동일한 문장의 희소 표현은 다음과 같습니다.

0: 1
26100: 2
45770: 1
58906: 1
91520: 1

---

헷갈리면 아이콘을 클릭하세요.

'희소 표현'이라는 용어는 많은 사람들을 혼란스럽게 합니다. 희소 표현 자체가 희소 벡터가 아니기 때문입니다. 오히려 희소 표현은 실제로 희소 벡터의 밀집 표현입니다. 색인 표현이라는 동의어는 '희소 표현'보다 조금 더 명확합니다.

---

희소 벡터

#fundamentals

값이 대부분 0인 벡터입니다. 희소 특성 및 희소성도 참고하세요.

희소성

벡터 또는 행렬에서 0 (또는 null)으로 설정된 요소 수를 해당 벡터 또는 행렬의 총 항목 수로 나눈 값입니다. 예를 들어 98개의 셀에 0이 포함된 100개 요소 행렬을 생각해 보겠습니다. 희소성 계산은 다음과 같습니다.

$$ {\text{sparsity}} = \frac{\text{98}} {\text{100}} = {\text{0.98}} $$

특성 희소성은 특성 벡터의 희소성을 나타내고 모델 희소성은 모델 가중치의 희소성을 나타냅니다.

공간 풀링

#image

풀링을 참고하세요.

분할

#df

결정 트리에서 조건의 다른 이름입니다.

분할기

#df

결정 트리를 학습하는 동안 각 노드에서 최적의 조건을 찾는 루틴(및 알고리즘)입니다.

SPMD

단일 프로그램 / 여러 데이터의 약어입니다.

제곱 힌지 손실

힌지 손실의 제곱입니다. 제곱 힌지 손실은 일반 힌지 손실보다 이상치를 더 가혹하게 처벌합니다.

제곱 손실

#fundamentals

L₂ 손실의 동의어입니다.

단계적 학습

#language

개별적인 단계의 순서로 모델을 학습하는 전술입니다. 학습 프로세스의 속도를 높이거나 모델 품질을 개선하는 것이 목표일 수 있습니다.

점진적 쌓기 접근 방식을 보여주는 그림은 다음과 같습니다.

• 1단계에는 숨겨진 레이어가 3개, 2단계에는 숨겨진 레이어가 6개, 3단계에는 숨겨진 레이어가 12개 있습니다.
• 2단계에서는 1단계의 3개 숨겨진 레이어에서 학습된 가중치로 학습을 시작합니다. 3단계에서는 2단계의 6개 숨겨진 레이어에서 학습된 가중치로 학습을 시작합니다.

파이프라인 처리도 참고하세요.

주

#rl

강화 학습에서 환경의 현재 구성을 나타내는 매개변수 값으로, 에이전트가 작업을 선택하는 데 사용합니다.

상태-액션 값 함수

#rl

Q 함수의 동의어입니다.

정적

#fundamentals

연속적으로 이루어지는 것이 아니라 한 번만 이루어지는 작업 정적과 오프라인은 동의어입니다. 다음은 머신러닝에서 정적 및 오프라인의 일반적인 사용 사례입니다.

• 정적 모델 (또는 오프라인 모델)은 한 번 학습된 후 일정 기간 사용되는 모델입니다.
• 정적 학습 (또는 오프라인 학습)은 정적 모델을 학습하는 프로세스입니다.
• 정적 추론 (또는 오프라인 추론)은 모델이 한 번에 일괄 예측을 생성하는 프로세스입니다.

동적과 대비되는 개념입니다.

정적 추론

#fundamentals

오프라인 추론의 동의어입니다.

정규성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되지 않는 지형지물입니다. 예를 들어 2021년과 2023년에 값이 거의 비슷한 특성은 정체성을 보입니다.

실제 환경에서는 정규성을 보이는 지형지물이 거의 없습니다. 안정성과 동의어인 지형지물 (예: 해수면)도 시간이 지남에 따라 변합니다.

비정상성과 대비되는 개념입니다.

단계

배치 하나의 정방향 전달 및 역방향 전달입니다.

전방 패스 및 역방향 패스에 관한 자세한 내용은 역전파를 참고하세요.

보폭

학습률의 동의어입니다.

확률적 경사하강법 (SGD)

#fundamentals

배치 크기가 1인 경사하강법 알고리즘입니다. 즉, SGD는 학습 세트에서 무작위로 균일하게 선택한 하나의 예를 사용하여 학습합니다.

보폭

#image

컨볼루션 연산 또는 풀링에서 다음 입력 슬라이스 계열의 각 측정기준의 델타입니다. 예를 들어 다음 애니메이션은 컨볼루션 작업 중에 (1,1) 스트라이드를 보여줍니다. 따라서 다음 입력 슬라이스는 이전 입력 슬라이스의 오른쪽 1개 위치에서 시작됩니다. 작업이 오른쪽 가장자리에 도달하면 다음 슬라이스는 왼쪽으로 완전히 이동하지만 한 위치 아래로 이동합니다.

위의 예는 2차원 스트라이드를 보여줍니다. 입력 행렬이 3차원인 경우 스트라이드도 3차원이 됩니다.

구조적 위험 최소화 (SRM)

두 가지 목표의 균형을 맞추는 알고리즘:

• 예측이 가장 정확한 모델을 만듭니다. 예를 들어 손실을 최소화합니다.
• 모델을 최대한 단순하게 유지해야 합니다 (예: 강력한 정규화).

예를 들어 손실을 최소화하면서 학습 세트에 정규화를 적용하는 함수는 구조적 위험 최소화 알고리즘입니다.

경험적 위험 최소화와 대비되는 개념입니다.

서브 샘플링

#image

풀링을 참고하세요.

하위 단어 토큰

#language

언어 모델에서 단어의 하위 문자열인 토큰으로, 전체 단어일 수도 있습니다.

예를 들어 '항목별로 나열'과 같은 단어는 '항목'(기본 단어)과 '별로 나열' (접미사)로 나눌 수 있으며, 각각은 자체 토큰으로 표현됩니다. 흔하지 않은 단어를 하위 단어라고 하는 이러한 부분으로 분할하면 언어 모델이 접두사 및 접미사와 같은 단어의 더 일반적인 구성요소를 처리할 수 있습니다.

반대로 'going'과 같은 일반적인 단어는 분할되지 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

특성 및 해당 라벨로 모델을 학습합니다. 지도 머신러닝은 일련의 질문과 이에 상응하는 답변을 연구하여 특정 과목을 학습하는 것과 유사합니다. 질문과 답변 간의 매핑을 마스터한 후 학생은 동일한 주제에 관한 새로운 (이전에 본 적이 없는) 질문에 답변할 수 있습니다.

비지도 머신러닝과 비교되는 개념입니다.

합성 지형지물

#fundamentals

입력 특성 중에는 없지만 하나 이상의 입력 특성으로부터 조합된 특성입니다. 합성 지형지물을 만드는 방법은 다음과 같습니다.

• 연속 특성을 범위 빈으로 버케팅합니다.
• 특성 교차를 생성합니다.
• 하나의 특성 값에 다른 특성 값이나 자체 특성 값을 곱하거나 나눕니다. 예를 들어 a 및 b가 입력 특성인 경우 다음은 합성 특성의 예입니다.
  • ab
  • a²
• 지형지물 값에 초월 함수를 적용합니다. 예를 들어 c가 입력 특성이면 다음은 합성 특성의 예입니다.
  • sin(c)
  • ln(c)

정규화 또는 크기 조정만으로 생성한 특성은 합성 특성에 해당하지 않습니다.

T

T5

#language

2020년 Google AI에서 도입한 텍스트 대 텍스트 전이 학습 모델입니다. T5는 Transformer 아키텍처를 기반으로 하며 매우 큰 데이터 세트를 사용하여 학습된 인코더-디코더 모델입니다. 텍스트 생성, 언어 번역, 대화 방식으로 질문에 답변하는 등 다양한 자연어 처리 태스크에 효과적입니다.

T5는 '텍스트 간 변환 변환기'의 다섯 가지 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.

표 형식 Q-학습

#rl

강화 학습에서 테이블을 사용하여 상태와 작업의 모든 조합에 대한 Q 함수를 저장하여 Q 학습을 구현합니다.

target

라벨의 동의어입니다.

타겟 네트워크

#rl

딥 Q-러닝에서 기본 신경망의 안정적인 근사치인 신경망으로, 기본 신경망은 Q-함수 또는 정책을 구현합니다. 그런 다음 타겟 네트워크에서 예측한 Q 값을 사용하여 기본 네트워크를 학습할 수 있습니다. 따라서 기본 네트워크가 자체적으로 예측한 Q 값을 기반으로 학습할 때 발생하는 피드백 루프를 방지할 수 있습니다. 이러한 피드백을 방지하면 학습 안정성이 향상됩니다.

태스크

다음과 같은 머신러닝 기법을 사용하여 해결할 수 있는 문제입니다.

• 분류
• 회귀
• 클러스터링
• 이상 감지

기온

#language

#image

#generativeAI

모델 출력의 무작위성 수준을 제어하는 초매개변수입니다. 온도가 높을수록 무작위 출력이 많아지고 온도가 낮을수록 무작위 출력이 적어집니다.

최적의 온도는 특정 애플리케이션과 모델 출력의 선호 속성에 따라 다릅니다. 예를 들어 창의적인 결과물을 생성하는 애플리케이션을 만들 때는 온도를 높일 수 있습니다. 반대로 이미지나 텍스트를 분류하는 모델을 빌드할 때는 모델의 정확성과 일관성을 개선하기 위해 온도를 낮추는 것이 좋습니다.

온도는 softmax와 함께 사용되는 경우가 많습니다.

시계열 데이터

서로 다른 시점에 기록된 데이터입니다. 예를 들어 한 해의 각 날짜에 기록된 겨울 코트 판매량은 시간적 데이터입니다.

텐서

#TensorFlow

TensorFlow 프로그램의 기본 데이터 구조입니다. 텐서는 N차원(N이 매우 클 수 있음) 데이터 구조로, 일반적으로 스칼라, 벡터 또는 행렬입니다. 텐서의 요소는 정수, 부동 소수점 또는 문자열 값을 포함할 수 있습니다.

텐서보드

#TensorFlow

하나 이상의 TensorFlow 프로그램을 실행하는 중에 저장된 요약을 표시하는 대시보드입니다.

TensorFlow

#TensorFlow

대규모 분산형 머신러닝 플랫폼입니다. 이 용어는 데이터 흐름 그래프에서 일반적인 계산을 지원하는 TensorFlow 스택의 기본 API 레이어를 가리키기도 합니다.

TensorFlow는 주로 머신러닝에 사용되지만 데이터 흐름 그래프를 사용한 수치 계산이 필요한 비 ML 작업에도 TensorFlow를 사용할 수 있습니다.

TensorFlow Playground

#TensorFlow

다양한 초매개변수가 모델(주로 신경망) 학습에 주는 영향을 시각적으로 보여주는 프로그램입니다. TensorFlow Playground로 실험해 보려면 http://playground.tensorflow.org로 이동하세요.

TensorFlow Serving

#TensorFlow

학습된 모델을 프로덕션 환경에 배포하는 플랫폼입니다.

Tensor Processing Unit(TPU)

#TensorFlow

#GoogleCloud

머신러닝 워크로드의 성능을 최적화하는 ASIC (Application-Specific Integrated Circuit)입니다. 이러한 ASIC는 TPU 기기에 여러 개의 TPU 칩으로 배포됩니다.

텐서 차수

#TensorFlow

순위 (텐서)를 참고하세요.

텐서 모양

#TensorFlow

Tensor가 여러 차원에 포함하는 요소 수입니다. 예를 들어 [5, 10] 텐서의 한 측정기준의 모양은 5이고 다른 측정기준의 모양은 10입니다.

텐서 크기

#TensorFlow

Tensor가 포함하는 스칼라의 총 개수입니다. 예를 들어 [5, 10] 텐서의 크기는 50입니다.

TensorStore

대규모 다차원 배열을 효율적으로 읽고 쓰기 위한 라이브러리입니다.

종료 조건

#rl

강화 학습에서 에피소드가 종료되는 시점을 결정하는 조건입니다(예: 상담사가 특정 상태에 도달하거나 상태 전환 기준 수를 초과하는 경우). 예를 들어 틱택토 (또는 십자와 원)에서는 플레이어가 연속으로 3개의 공간을 표시하거나 모든 공간을 표시하면 에피소드가 종료됩니다.

테스트

#df

결정 트리에서 조건의 다른 이름입니다.

테스트 손실

#fundamentals

테스트 세트에 대한 모델의 손실을 나타내는 측정항목입니다. 모델을 빌드할 때는 일반적으로 테스트 손실을 최소화하려고 합니다. 낮은 테스트 손실은 낮은 학습 손실 또는 낮은 검증 손실보다 강력한 품질 신호이기 때문입니다.

테스트 손실과 학습 손실 또는 검증 손실 간에 큰 차이가 있는 경우 정규화 비율을 늘려야 할 수 있습니다.

테스트 세트

학습된 모델을 테스트하기 위해 예약된 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예시를 다음 세 가지 하위 집합으로 나눕니다.

• 학습 세트
• 검증 세트
• 테스트 세트

데이터 세트의 각 예시는 위의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 하나의 예시가 학습 세트와 테스트 세트 모두에 속해서는 안 됩니다.

학습 세트와 검증 세트는 모두 모델 학습과 밀접하게 연결되어 있습니다. 테스트 세트는 학습과 간접적으로만 연결되므로 테스트 손실은 학습 손실 또는 검증 손실보다 편향이 적고 품질이 우수한 측정항목입니다.

텍스트 스팬

#language

텍스트 문자열의 특정 하위 섹션과 연결된 배열 색인 범위입니다. 예를 들어 Python 문자열 s="Be good now"의 good라는 단어는 3~6 사이의 텍스트 범위를 차지합니다.

tf.Example

#TensorFlow

머신러닝 모델 학습 또는 추론을 위한 입력 데이터를 설명하는 표준 프로토콜 버퍼입니다.

tf.keras

#TensorFlow

TensorFlow에 통합된 Keras 구현입니다.

임곗값 (결정 트리용)

#df

축 정렬 조건에서 지형지물이 비교되는 값입니다. 예를 들어 다음 조건에서 75는 임곗값입니다.

grade >= 75

이 형식의 임곗값은 분류 임곗값과 다릅니다.

시계열 분석

#clustering

머신러닝 및 통계학에서 시계열 데이터를 분석하는 하위 분야입니다. 많은 유형의 머신러닝 문제에는 분류, 클러스터링, 예측, 이상 감지 등 시계열 분석이 필요합니다. 예를 들어 시계열 분석을 사용하여 과거 매출 데이터를 근거로 겨울 코트의 향후 월별 매출을 예측할 수 있습니다.

timestep

#seq

순환 신경망 내의 '펼쳐지지 않은' 셀 1개 예를 들어 다음 그림은 세 개의 타임스텝 (하위 표시자 t-1, t, t+1로 라벨이 지정됨)을 보여줍니다.

토큰

#language

언어 모델에서 모델이 학습하고 예측을 수행하는 원자 단위입니다. 토큰은 일반적으로 다음 중 하나입니다.

• 단어: 예를 들어 '개는 고양이를 좋아함'이라는 문구는 '개', '좋아함', '고양이'라는 세 단어 토큰으로 구성됩니다.
• 문자: 예를 들어 '자전거 물고기'라는 문구는 9개의 문자 토큰으로 구성됩니다. 빈 공백은 토큰 중 하나로 간주됩니다.
• 하위 단어: 단일 단어가 단일 토큰 또는 여러 토큰이 될 수 있습니다. 하위 단어는 기본 단어, 접두사 또는 접미사로 구성됩니다. 예를 들어 하위 단어를 토큰으로 사용하는 언어 모델은 'dogs'라는 단어를 두 개의 토큰 (기본 단어 'dog' 및 복수형 접미사 's')으로 볼 수 있습니다. 동일한 언어 모델은 단일 단어인 'taller'를 두 개의 하위 단어 (기본 단어인 'tall'과 접미사인 '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.

top-k 정확성

#language

생성된 목록의 처음 k개 위치 내에 '타겟 라벨'이 표시되는 빈도의 비율입니다. 목록은 맞춤 추천이거나 softmax로 정렬된 항목 목록일 수 있습니다.

Top-k 정확도는 k의 정확도라고도 합니다.

참고: 타겟 라벨은 어떤 클래스 (실제값 클래스일 필요는 없음)가 될 수 있으므로 상위 k개 정확도가 기존 정확도와 항상 동일하지는 않습니다.

예시를 보려면 아이콘을 클릭하세요.

소프트맥스를 사용하여 나뭇잎 사진에 기반하여 나무 확률을 식별하는 머신러닝 시스템을 생각해 보세요. 다음 표에는 5개의 입력 나무 사진에서 생성된 출력 목록이 나와 있습니다. 각 행에는 타겟 라벨과 가장 가능성이 높은 5개의 트리가 포함됩니다. 예를 들어 타겟 라벨이 maple인 경우 머신러닝 모델은 elm을 가장 가능성이 높은 나무로, oak를 두 번째로 가능성이 높은 나무로 식별했습니다.

대상 라벨	1	2	3	4	5
Maple	느릅나무	오크	maple	너도밤나무	포플러
층층나무	오크	dogwood	포플러	Hickory	Maple
오크	oak	배스우드	locust	오리나무	Linden
Linden	Maple	paw-paw	오크	배스우드	포플러
오크	locust	Linden	oak	Maple	paw-paw

타겟 라벨은 첫 번째 위치에 한 번만 표시되므로 1위 정확도는 다음과 같습니다.

$$\text{top-1 accuracy} = \frac{\text{1}} {\text{5}} = 0.2$$

타겟 라벨이 상위 3개 위치 중 하나에 4번 표시되므로 상위 3개 정확성은 다음과 같습니다.

$$\text{top-1 accuracy} = \frac{\text{4}} {\text{5}} = 0.8$$

---

탑

그 자체가 심층신경망인 심층신경망의 구성요소입니다. 경우에 따라 각 타워는 독립적인 데이터 소스에서 읽고 이러한 타워는 출력이 최종 레이어에서 결합될 때까지 독립적으로 유지됩니다. 다른 경우에는(예: 여러 변환기의 인코더 및 디코더 타워) 타워가 서로 교차 연결됩니다.

유해

#language

콘텐츠가 얼마나 악의적이거나 위협적이거나 불쾌감을 주는가에 대한 정도 많은 머신러닝 모델이 독성을 식별하고 측정할 수 있습니다. 이러한 모델의 대부분은 악성 언어의 수준, 위협적인 언어의 수준과 같은 여러 매개변수를 기준으로 악성을 식별합니다.

TPU

#TensorFlow

#GoogleCloud

Tensor Processing Unit의 약어입니다.

TPU 칩

#TensorFlow

#GoogleCloud

머신러닝 워크로드에 최적화된 온칩 고대역폭 메모리가 있는 프로그래밍 가능한 선형 대수 액셀러레이터입니다. 여러 TPU 칩이 TPU 기기에 배포됩니다.

TPU 기기

#TensorFlow

#GoogleCloud

여러 개의 TPU 칩, 고대역폭 네트워크 인터페이스, 시스템 냉각 하드웨어가 있는 인쇄 회로 기판 (PCB)입니다.

TPU 마스터

#TensorFlow

#GoogleCloud

데이터, 결과, 프로그램, 성능, 시스템 상태 정보를 TPU 워커로 전송하고 수신하는 호스트 머신에서 실행되는 중앙 조정 프로세스입니다. TPU 마스터는 TPU 기기의 설정 및 종료도 관리합니다.

TPU 노드

#TensorFlow

#GoogleCloud

특정 TPU 유형이 있는 Google Cloud의 TPU 리소스입니다. TPU 노드는 피어 VPC 네트워크에서 VPC 네트워크에 연결됩니다. TPU 노드는 Cloud TPU API에 정의된 리소스입니다.

TPU Pod

#TensorFlow

#GoogleCloud

Google 데이터 센터의 TPU 기기의 특정 구성입니다. TPU Pod의 모든 기기는 전용 고속 네트워크를 통해 서로 연결됩니다. TPU Pod는 특정 TPU 버전에서 사용할 수 있는 가장 큰 규모의 TPU 기기 구성입니다.

TPU 리소스

#TensorFlow

#GoogleCloud

사용자가 만들거나, 관리하거나, 소비하는 Google Cloud의 TPU 항목입니다. 예를 들어 TPU 노드 및 TPU 유형은 TPU 리소스입니다.

TPU 슬라이스

#TensorFlow

#GoogleCloud

TPU 슬라이스는 TPU Pod의 TPU 기기 중 일부입니다. TPU 슬라이스의 모든 기기는 전용 고속 네트워크를 통해 서로 연결됩니다.

TPU 유형

#TensorFlow

#GoogleCloud

특정 TPU 하드웨어 버전으로 구성된 하나 이상의 TPU 기기입니다. Google Cloud에서 TPU 노드를 만들 때 TPU 유형을 선택합니다. 예를 들어 v2-8 TPU 유형은 코어가 8개인 단일 TPU v2 기기입니다. v3-2048 TPU 유형에는 네트워크 연결된 TPU v3 기기 256대와 총 2,048개의 코어가 있습니다. TPU 유형은 Cloud TPU API에 정의된 리소스입니다.

TPU 워커

#TensorFlow

#GoogleCloud

호스트 머신에서 실행되고 TPU 기기에서 머신러닝 프로그램을 실행하는 프로세스입니다.

학습

#fundamentals

모델을 구성하는 이상적인 매개변수 (가중치 및 편향)를 결정하는 과정입니다. 학습 중에 시스템은 예시를 읽고 매개변수를 점진적으로 조정합니다. 학습에서는 각 예시를 몇 번에서 수십억 번까지 사용합니다.

학습 손실

#fundamentals

특정 학습 반복 중에 모델의 손실을 나타내는 측정항목입니다. 예를 들어 손실 함수가 평균 제곱 오차라고 가정해 보겠습니다. 10번째 반복의 학습 손실 (평균 제곱 오차)이 2.2이고 100번째 반복의 학습 손실이 1.9일 수 있습니다.

손실 곡선은 학습 손실과 반복 횟수를 비교하여 표시합니다. 손실 곡선은 학습에 관한 다음과 같은 힌트를 제공합니다.

• 하향 경사는 모델이 개선되고 있음을 의미합니다.
• 오르막은 모델이 점점 나빠지고 있음을 의미합니다.
• 완만한 경사는 모델이 수렴에 도달했음을 의미합니다.

예를 들어 다음과 같이 다소 이상화된 손실 곡선은 다음을 보여줍니다.

• 초기 반복 중에 급격한 하향 경사가 나타나며 이는 빠른 모델 개선을 의미합니다.
• 학습이 거의 끝날 때까지 점차 평평해지지만 여전히 하향하는 경사선으로, 초기 반복보다 다소 느린 속도로 모델이 계속 개선되고 있음을 나타냅니다.
• 학습이 끝날 때 수렴을 나타내는 평평한 경사

학습 손실도 중요하지만 일반화도 참고하세요.

학습-제공 편향

#fundamentals

학습 중의 모델 성능과 제공 중의 동일한 모델 성능의 차이입니다.

학습 세트

#fundamentals

모델을 학습시키는 데 사용되는 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예시는 다음 세 가지 하위 집합으로 나뉩니다.

• 학습 세트
• 검증 세트
• 테스트 세트

이상적으로는 데이터 세트의 각 예시가 위의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 하나의 예시는 학습 세트와 검증 세트에 모두 속해서는 안 됩니다.

궤적

#rl

강화 학습에서 에이전트의 상태 전환 시퀀스를 나타내는 튜플 시퀀스입니다. 여기서 각 튜플은 상태, 작업, 보상, 특정 상태 전환의 다음 상태에 해당합니다.

전이 학습

한 머신러닝 작업에서 다른 작업으로 정보를 전송합니다. 예를 들어 다중 작업 학습에서는 단일 모델이 여러 작업을 해결합니다. 예를 들어 심층 모델은 다양한 작업과 관련해 서로 다른 출력 노드를 갖습니다. 전이 학습에는 더 간단한 작업의 솔루션에서 더 복잡한 작업으로 지식을 전송하거나 데이터가 더 많은 작업에서 데이터가 더 적은 작업으로 지식을 전송하는 것이 포함될 수 있습니다.

대부분의 머신러닝 시스템은 단일 작업을 해결합니다. 전이 학습은 단일 프로그램이 여러 작업을 해결할 수 있는 인공지능을 향한 첫걸음입니다.

Transformer

#language

Google에서 개발한 신경망 아키텍처로, 자기 어텐션 메커니즘을 사용하여 컨볼루션 또는 회귀 신경망에 의존하지 않고 입력 임베딩의 시퀀스를 출력 임베딩의 시퀀스로 변환합니다. Transformer는 자체 주목(self-attention) 레이어의 스택으로 볼 수 있습니다.

변환기에는 다음 중 하나가 포함될 수 있습니다.

• 인코더
• 디코더
• 인코더와 디코더 모두

인코더는 임베딩 시퀀스를 동일한 길이의 새 시퀀스로 변환합니다. 인코더는 각각 두 개의 하위 레이어를 포함하는 동일한 레이어 N개를 포함합니다. 이 두 하위 레이어는 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 임베딩의 시퀀스를 길이가 다를 수 있는 출력 임베딩의 시퀀스로 변환합니다. 디코더에는 세 개의 하위 레이어가 있는 동일한 레이어 N개도 포함되며, 이 중 두 개는 인코더 하위 레이어와 유사합니다. 세 번째 디코더 하위 레이어는 인코더의 출력을 가져와 자기 주목 메커니즘을 적용하여 정보를 수집합니다.

Transformer: 언어 이해를 위한 새로운 신경망 아키텍처 블로그 게시물에서 Transformer에 관해 자세히 알아보세요.

병진 불변

#image

이미지 분류 문제에서 이미지 내 객체의 위치가 변경되더라도 이미지를 성공적으로 분류하는 알고리즘의 능력입니다. 예를 들어 이러한 능력을 갖춘 알고리즘은 강아지가 프레임의 중앙에 있든 왼쪽 끝에 있든 간에 강아지를 식별해 낼 수 있습니다.

크기 불변 및 회전 불변도 참고하세요.

트라이그램

#seq

#language

N=3인 N-그램입니다.

참음성 (TN)

#fundamentals

모델에서 네거티브 클래스를 올바르게 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아님이라고 추론했으며 실제로도 스팸이 아님인 경우가 여기에 해당합니다.

참양성 (TP)

#fundamentals

모델에서 포지티브 클래스를 올바르게 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸인 것으로 추론했으며 실제로도 스팸이었던 경우가 여기에 해당합니다.

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

민감한 속성에 대한 인식 부족

#fairness

민감한 속성이 있지만 학습 데이터에 포함되지 않은 상황입니다. 민감한 속성은 데이터의 다른 속성과 종종 상관관계가 있으므로 민감한 속성에 대한 인식 없이 학습된 모델은 여전히 해당 속성에 대해 차별적인 영향을 미치거나 다른 공정성 제약조건을 위반할 수 있습니다.

과소적합

#fundamentals

모델이 학습 데이터의 복잡성을 완전히 포착하지 못하여 예측 능력이 떨어지는 모델을 생성하는 경우입니다. 다음과 같은 여러 문제로 인해 과소적합이 발생할 수 있습니다.

• 잘못된 특성 세트 학습
• 너무 적은 에포크 또는 너무 낮은 학습률로 학습
• 너무 높은 정규화율로 학습
• 심층신경망에 히든 레이어가 너무 적습니다.

언더샘플링

더 균형 잡힌 학습 세트를 만들기 위해 클래스 불균형 데이터 세트의 다수 클래스에서 예시를 삭제합니다.

예를 들어 다수 클래스와 소수 클래스의 비율이 20:1인 데이터 세트를 생각해 보겠습니다. 이 클래스 불균형을 극복하려면 소수 클래스 예시의 전체와 다수 클래스 예시의 10분의 1로 구성된 학습 세트를 만들면 됩니다. 그러면 학습 세트 클래스 비율이 2:1이 됩니다. 다운샘플링 덕분에 균형 잡힌 학습 세트가 생성되어 더 나은 모델을 만들 수 있습니다. 또는 균형 잡힌 학습 세트에는 효과적인 모델을 학습하기에 충분한 예가 포함되어 있지 않을 수 있습니다.

오버샘플링과 대비되는 개념입니다.

단방향

#language

대상 텍스트 섹션의 앞에 있는 텍스트만 평가하는 시스템입니다. 반면에 양방향 시스템은 대상 텍스트 섹션의 앞에 있는 텍스트와 뒤에 있는 텍스트를 모두 평가합니다. 자세한 내용은 양방향을 참고하세요.

단방향 언어 모델

#language

타겟 토큰 뒤가 아닌 앞에 표시되는 토큰에만 확률을 기반으로 하는 언어 모델입니다. 양방향 언어 모델과 대비되는 개념입니다.

라벨이 없는 예

#fundamentals

지형지물은 포함되어 있지만 라벨은 포함되지 않은 예시입니다. 예를 들어 다음 표에는 주택 가치 평가 모델의 라벨이 지정되지 않은 세 가지 예시가 나와 있습니다. 각 예시에는 세 가지 지형지물이 있지만 주택 가치는 없습니다.

침실 수	욕실 수	주택 연식
3	2	15
2	1	72
4	2	34

지도 머신러닝에서는 모델이 라벨이 지정된 예시를 학습하고 라벨이 지정되지 않은 예시를 예측합니다.

준지도 및 비지도 학습에서는 학습 중에 라벨이 없는 예가 사용됩니다.

라벨이 없는 예시와 라벨이 있는 예시를 비교해 보세요.

비지도 머신러닝

#clustering

#fundamentals

일반적으로 라벨이 없는 데이터 세트에서 패턴을 찾도록 모델을 학습시킵니다.

비지도 머신러닝의 가장 일반적인 용도는 데이터를 서로 비슷한 예의 그룹으로 클러스터링하는 것입니다. 예를 들어 비지도 머신러닝 알고리즘은 음악의 다양한 속성을 기반으로 노래를 클러스터링할 수 있습니다. 이렇게 생성된 클러스터는 다른 머신러닝 알고리즘 (예: 음악 추천 서비스)의 입력으로 사용될 수 있습니다. 유용한 라벨이 부족하거나 없는 경우 클러스터링이 유용할 수 있습니다. 예를 들어 악용 및 사기 방지와 같은 분야에서 클러스터는 사람이 데이터를 이해하는 데 도움을 줄 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 내용을 포함하는 데이터 세트에 PCA를 적용하면 레몬이 들어있는 장바구니에 제산제가 같이 들어있는 경우가 많다는 사실이 드러날 수 있습니다.

---

상승 모델링

마케팅에 흔히 사용되는 모델링 기법으로, '개인'에 대한 '처리'의 '인과 효과'('증분 효과'라고도 함)를 모델링합니다. 다음은 두 가지 예입니다.

• 의사는 상승 폭 모델링을 사용하여 환자(개인)의 연령 및 병력에 따라 의료 시술 (치료)의 사망률 감소 (인과 효과)를 예측할 수 있습니다.
• 마케팅 담당자는 상승 폭 모델링을 사용하여 개인 (개인)에 대한 광고(처리)로 인한 구매 가능성 증가 (인과 효과)를 예측할 수 있습니다.

상승 폭 모델링은 일부 라벨 (예: 바이너리 처리의 라벨 절반)이 항상 누락된다는 점에서 분류 또는 회귀와 다릅니다. 예를 들어 환자는 치료를 받거나 받지 않을 수 있습니다. 따라서 이러한 두 상황 중 하나에서만 환자가 치유될지 여부를 관찰할 수 있으며 둘 다 관찰할 수는 없습니다. 상승 폭 모델의 주요 이점은 관찰되지 않은 상황 (반사실)에 대한 예측을 생성하고 이를 사용하여 인과 효과를 계산할 수 있다는 것입니다.

가중치 보정

다운샘플링된 요소와 동일한 다운샘플링된 클래스에 가중치를 적용합니다.

사용자 행렬

#recsystems

추천 시스템에서 행렬 분해에 의해 생성되고 사용자 선호에 관한 잠재 신호를 보유하는 임베딩 벡터입니다. 사용자 행렬의 각 행에는 단일 사용자에 대한 여러 잠재적 신호의 상대적 강도에 관한 정보가 포함되어 있습니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 이 시스템에서 사용자 행렬의 잠재적 신호는 특정 장르에 관한 각 사용자의 선호도를 나타내거나, 여러 요소에 걸친 복잡한 상호작용이 연관된 해석하기 어려운 신호를 나타낼 수 있습니다.

사용자 행렬에는 각 잠재 특성에 관한 열과 각 사용자에 관한 행이 있습니다. 즉, 사용자 행렬에는 인수분해되는 대상 행렬과 같은 수의 행이 있습니다. 예를 들어 1,000,000명의 사용자를 위한 영화 추천 시스템의 경우 사용자 행렬은 1,000,000개의 행을 포함합니다.

V

validation

#fundamentals

모델 품질에 대한 초기 평가입니다. 검증은 검증 세트를 기준으로 모델의 예측 품질을 확인합니다.

검증 세트는 학습 세트와 다르므로 검증을 통해 과적합을 방지할 수 있습니다.

검증 세트를 기준으로 모델을 평가하는 것을 첫 번째 테스트 라운드로, 테스트 세트를 기준으로 모델을 평가하는 것을 두 번째 테스트 라운드로 생각할 수 있습니다.

유효성 검사 손실

#fundamentals

특정 반복의 학습 중에 검증 세트에서 모델의 손실을 나타내는 측정항목입니다.

일반화 곡선도 참고하세요.

검증 세트

#fundamentals

학습된 모델에 대해 초기 평가를 실행하는 데이터 세트의 하위 집합입니다. 일반적으로 테스트 세트를 기준으로 모델을 평가하기 전에 검증 세트를 기준으로 학습된 모델을 여러 번 평가합니다.

일반적으로 데이터 세트의 예시를 다음 세 가지 하위 집합으로 나눕니다.

• 학습 세트
• 검증 세트
• 테스트 세트

이상적으로는 데이터 세트의 각 예시가 위의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 하나의 예시는 학습 세트와 검증 세트에 모두 속해서는 안 됩니다.

값 대입

누락된 값을 허용되는 대체 값으로 대체하는 프로세스입니다. 값이 누락된 경우 전체 예시를 삭제하거나 값 보간을 사용하여 예시를 복구할 수 있습니다.

예를 들어 매시간 기록되어야 하는 temperature 지형지물이 포함된 데이터 세트를 생각해 보세요. 하지만 특정 시간에는 온도 측정 결과를 확인할 수 없었습니다. 다음은 데이터 세트의 일부입니다.

타임스탬프	온도
1680561000	10
1680564600	12
1680568200	결측치
1680571800	20
1680575400	21
1680579000	21

시스템은 누락된 예시를 삭제하거나, 대입 알고리즘에 따라 누락된 온도를 12, 16, 18 또는 20으로 대입할 수 있습니다.

경사 소멸 문제

#seq

일부 심층신경망의 초기 숨겨진 레이어의 경사가 놀라울 정도로 평평해지는 (낮아지는) 경향 기울기가 점점 낮아지면 심층신경망의 노드에 있는 가중치가 점점 더 적게 변경되어 학습이 거의 또는 전혀 이루어지지 않습니다. 경사 소멸 문제가 있는 모델은 학습하기가 어렵거나 불가능해집니다. 장단기 메모리 셀이 이 문제를 해결합니다.

폭발적인 기울기 문제와 비교해 보세요.

변수 중요도

#df

모델에 대한 각 특성의 상대적 중요도를 나타내는 점수 집합입니다.

예를 들어 주택 가격을 추정하는 의사 결정 트리를 생각해 보겠습니다. 이 결정 트리에서 크기, 연령, 스타일이라는 세 가지 특징을 사용한다고 가정해 보겠습니다. 세 가지 특성에 대한 변수 중요성 집합이 {size=5.8, age=2.5, style=4.7}으로 계산되면 크기가 연령이나 스타일보다 결정 트리에 더 중요합니다.

ML 전문가에게 모델의 다양한 측면을 알릴 수 있는 다양한 변수 중요도 측정항목이 있습니다.

변분 자동 인코더 (VAE)

#language

입력과 출력 간의 불일치를 활용하여 수정된 버전의 입력을 생성하는 오토인코더의 한 유형입니다. 변형 자동 인코더는 생성형 AI에 유용합니다.

VAE는 확률 모델의 매개변수를 추정하는 기술인 변형 추론을 기반으로 합니다.

벡터

매우 중복된 용어로, 수학 및 과학 분야마다 의미가 다릅니다. 머신러닝에서 벡터에는 두 가지 속성이 있습니다.

• 데이터 유형: 머신러닝의 벡터는 일반적으로 부동 소수점 수를 보유합니다.
• 요소 수: 벡터의 길이 또는 차원입니다.

예를 들어 8개의 부동 소수점 숫자를 보유하는 특성 벡터를 생각해 보겠습니다. 이 특성 벡터의 길이 또는 크기는 8입니다. 머신러닝 벡터는 종종 엄청난 수의 차원을 갖습니다.

다양한 종류의 정보를 벡터로 나타낼 수 있습니다. 예를 들면 다음과 같습니다.

• 지구 표면의 모든 위치는 2차원 벡터로 나타낼 수 있으며, 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 다중 클래스 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.

벡터는 연결할 수 있으므로 다양한 미디어를 단일 벡터로 표현할 수 있습니다. 일부 모델은 여러 원-핫 인코딩의 연결을 직접 처리합니다.

TPU와 같은 특수 프로세서는 벡터에 수학적 연산을 실행하도록 최적화되어 있습니다.

벡터는 순위 1의 텐서입니다.

W

Wasserstein 손실

생성된 데이터와 실제 데이터의 분포 간의 이동 거리를 기반으로 생성형 대립 네트워크에서 일반적으로 사용되는 손실 함수 중 하나입니다.

무게

#fundamentals

모델이 다른 값으로 곱하는 값입니다. 학습은 모델의 이상적인 가중치를 결정하는 프로세스이고, 추론은 학습된 가중치를 사용하여 예측을 수행하는 프로세스입니다.

아이콘을 클릭하여 선형 모델의 가중치 예시를 확인합니다.

두 개의 특성이 있는 선형 모델을 가정해 보겠습니다. 학습에서 다음과 같은 가중치 (및 편향)를 결정한다고 가정해 보겠습니다.

• 편향 b는 2.2입니다.
• 한 특성과 연결된 가중치 w₁은 1.5입니다.
• 다른 지형지물과 연결된 가중치 w₂는 0.4입니다.

다음과 같은 지형지물 값이 있는 예를 생각해 보겠습니다.

• 한 지형지물 x₁의 값은 6입니다.
• 다른 지형지물인 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 0인 특성은 모델에 영향을 주지 못합니다. 예를 들어 w₁이 0이면 x₁의 값은 관련이 없습니다.

---

Weighted Alternating Least Squares (WALS)

#recsystems

추천 시스템의 행렬 분해 중에 목표 함수를 최소화하는 알고리즘으로, 누락된 예시의 가중치를 낮출 수 있습니다. WALS는 행 인수분해와 열 인수분해를 교대로 바꾸어 원본 행렬과 재구성 사이의 가중 제곱 오차를 최소화합니다. 최소 제곱 볼록 최적화를 통해 각 최적화를 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 같다고 가정해 보겠습니다.

입력 값	입력 가중치
2	-1.3
-1	0.6
3	0.4

따라서 가중치 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'로 지칭됩니다. 와이드 모델은 심층 모델보다 디버그 및 검사가 더 쉬운 경우가 많습니다. 와이드 모델은 숨겨진 레이어를 통해 비선형성을 표현할 수 없지만, 특성 교차 및 버케팅과 같은 변환을 사용하여 다양한 방식으로 비선형성을 모델링할 수 있습니다.

심층 모델과 대비되는 개념입니다.

너비

신경망의 특정 레이어에 있는 뉴런 수입니다.

군중의 지혜

#df

많은 수의 사용자 ('군중')의 의견이나 추정치를 평균하면 놀라울 정도로 좋은 결과를 얻을 수 있다는 개념입니다. 예를 들어 사람들이 큰 병에 담긴 젤리 빈의 수를 추측하는 게임을 생각해 보세요. 대부분의 개별 추측은 부정확하지만 모든 추측의 평균은 실험적으로 항아리에 있는 실제 젤리 빈 수에 놀라울 정도로 근접한 것으로 나타났습니다.

앙상블은 군중의 지혜에 상응하는 소프트웨어입니다. 개별 모델이 매우 부정확한 예측을 하더라도 여러 모델의 예측을 평균하면 놀라울 정도로 정확한 예측이 나오는 경우가 많습니다. 예를 들어 개별 결정 트리는 예측이 좋지 않을 수 있지만 결정 포레스트는 종종 매우 정확한 예측을 합니다.

단어 임베딩

#language

임베딩 벡터 내의 단어 집합에 있는 각 단어를 표현합니다. 즉, 각 단어를 0.0~1.0 사이의 부동 소수점 값 벡터로 표현합니다. 의미가 비슷한 단어는 의미가 다른 단어보다 더 유사한 표현을 갖습니다. 예를 들어 당근, 셀러리, 오이는 모두 상대적으로 유사한 표현을 갖게 되며 이는 비행기, 선글라스, 치약의 표현과는 매우 다릅니다.

X

XLA (가속 선형 대수학)

GPU, CPU, ML 가속기를 위한 오픈소스 머신러닝 컴파일러입니다.

XLA 컴파일러는 PyTorch, TensorFlow, JAX와 같은 널리 사용되는 ML 프레임워크의 모델을 가져와 GPU, CPU, ML 가속기를 비롯한 다양한 하드웨어 플랫폼에서 고성능 실행을 위해 최적화합니다.

Z

제로샷 학습

모델이 아직 구체적으로 학습하지 않은 작업에 대한 예측을 추론하는 머신러닝 학습 유형입니다. 즉, 모델에 태스크별 학습 예시가 전혀 제공되지 않지만 해당 태스크에 대해 추론을 수행하도록 요청됩니다.

제로샷 프롬프팅

#language

#generativeAI

대규모 언어 모델이 응답할 방식의 예시를 제공하지 않는 프롬프트입니다. 예를 들면 다음과 같습니다.

하나의 프롬프트의 일부	참고
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문
인도:	실제 쿼리입니다.

대규모 언어 모델은 다음 중 하나로 응답할 수 있습니다.

• 루피 기호
• INR
• ₹
• 인도 루피
• 루피
• 인도 루피

모든 답변이 올바르지만 특정 형식을 선호할 수도 있습니다.

제로 샷 프롬프트를 다음 용어와 비교 및 대조하세요.

• 원샷 프롬프팅
• 퓨샷 프롬프팅

Z-점수 정규화

#fundamentals

원시 지형지물 값을 지형지물의 평균에서 표준 편차 수를 나타내는 부동 소수점 값으로 대체하는 스케일링 기법입니다. 예를 들어 평균이 800이고 표준 편차가 100인 특성을 생각해 보겠습니다. 다음 표는 Z-점수 정규화가 원시 값을 Z-점수에 매핑하는 방법을 보여줍니다.

원본 값	Z 점수
800	0
950	+1.5
575	-2.25

그러면 머신러닝 모델은 원시 값이 아닌 해당 특성의 Z 점수로 학습합니다.