가리키는 글의 최근 바뀜
IT 위키
← 분류:인공지능
해당 문서에 연결된 문서의 변경사항을 확인하려면 문서 이름을 입력하십시오. (분류에 들어있는 문서를 보려면 분류:분류명으로 입력하십시오). 내 주시문서 목록에 있는 문서의 변경사항은 굵게 나타납니다.
약어 목록:
- 새글
- 새 문서 (새 문서 목록도 보세요)
- 잔글
- 사소한 편집
- 봇
- 봇이 수행한 편집
- (±123)
- 바이트 수로 표현한 문서 크기의 차이
2025년 9월 18일 (목)
| 새글 09:54 | 어텐션 (인공지능) 차이역사 +2,546 인공무능 토론 기여 (새 문서: 어텐션(Attention, 注意力機構)은 인공지능, 특히 딥러닝 기반의 자연어 처리(NLP)와 컴퓨터 비전 분야에서 중요한 정보를 강조하고 덜 중요한 정보를 줄이는 방식으로, 입력 데이터의 구성 요소들 간 관계를 가중치로 표현하여 처리하는 메커니즘이다. 인간의 주의(attention)처럼 특정 부분에 더 집중하여 효율적인 학습과 추론을 가능하게 한다. ==개요== 어텐션은 시퀀스...) | ||||
| 새글 09:52 | GLUE 벤치마크 차이역사 +3,671 인공무능 토론 기여 (새 문서: GLUE 벤치마크(GLUE, General Language Understanding Evaluation)는 다양한 자연어 이해(NLU) 과제들을 모은 평가 기준으로, 여러 모델을 비교, 분석하기 위해 고안되었다. <ref>“GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding”, Wang et al., 2018, https://arxiv.org/abs/1804.07461</ref> ==정의== GLUE는 여러 개의 서로 다른 NLU 과제(task)들을 포함하며, 하나의 모델이 여러 과제에...) | ||||
| 새글 09:51 | QQP (인공지능) 차이역사 +2,080 인공무능 토론 기여 (새 문서: QQP(Quora Question Pairs)는 Quora 웹사이트에서 수집된 질문 쌍(question pairs) 데이터셋으로, 두 개의 질문이 의미적으로 중복(duplicates)인지 아닌지를 판정하는 과제이다. ==정의== QQP는 자연어 처리에서 패러프레이즈 식별(paraphrase identification) 과 유사도 판단(semantic equivalence) 과제에 사용되는 데이터셋이다. 주어진 두 질문이 의미상 같은지를 바이너리 레이블(duplicated / not du...) | ||||
| 새글 09:46 | 비전 트랜스포머 차이역사 +5,822 인공무능 토론 기여 (새 문서: 비전 트랜스포머(Vision Transformer, 줄여서 ViT)는 이미지 처리를 위해 고안된 딥러닝 구조로, 전통적인 합성곱 신경망(CNN) 대신 트랜스포머(self-attention) 아키텍처를 활용하여 이미지를 “패치(patch)” 단위로 처리한다. <ref>“An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale”, arXiv:2010.11929, https://arxiv.org/abs/2010.11929</ref> ==정의== 비전 트랜스포머는 이미지를 일정...) | ||||
2025년 9월 15일 (월)
| 새글 11:00 | 아핀 변환 차이역사 +2,466 인공무능 토론 기여 (새 문서: 아핀 변환(Affine transformation)은 선형 변환과 평행 이동을 조합한 기하학적 변환이다. 벡터 공간에서의 점, 선, 도형 등을 변환할 때 직선성, 평행성, 비율 등을 보존한다. ==정의== 아핀 변환은 한 점 x에 대해 다음과 같은 형태로 표현된다. y = A * x + b 여기서 A는 선형 변환 행렬이며, b는 이동 벡터이다. 즉, 선형 변환 뒤에 평행 이동이 적용되는 구조이다. 아핀 변환은...) | ||||
2025년 9월 12일 (금)
| 새글 12:49 | Dying ReLU 차이역사 +4,983 인공무능 토론 기여 (새 문서: '''Dying ReLU'''은 인공신경망에서 ReLU(Rectified Linear Unit) 활성 함수가 일부 혹은 많은 뉴런(neuron)에 대해 학습 과정 중 거의 항상 0만 출력하게 되어, 해당 뉴런이 사실상 “죽은(dead)” 상태가 되는 현상이다. ==정의== ReLU 활성 함수는 입력이 양수일 때는 입력값을 그대로 반환하고, 음수일 때는 0을 반환한다. 즉, :f(x) = max(0, x) 이다. Dying ReLU 문제는 뉴런의 선형 조합 w·x...) | ||||
2025년 9월 11일 (목)
| 새글 03:58 | 안장점 (인공지능) 차이역사 +2,234 인공무능 토론 기여 (새 문서: 안장점(saddle point)은 머신러닝 및 딥러닝에서 사용하는 손실 함수의 최적화 과정에서 등장하는, 기울기(gradient)가 0이지만 지역 최소값이나 지역 최대값은 아닌 지점을 가리킨다. 고차원 파라미터 공간에서는 지역 최소값보다 안장점이 훨씬 많아 최적화 경로에서 더욱 큰 영향을 미친다. ==정의== 안장점은 수학적으로, 모든 방향에서 함수의 기울기가 0(정칙점)인 지...) | ||||
| 새글 03:57 | 지역 최소값 (인공지능) 차이역사 +2,742 인공무능 토론 기여 (새 문서: 지역 최소값(local minima)은 머신러닝 및 딥러닝에서 사용하는 손실 함수(loss function)의 매개변수 공간(parameter space) 내에서, 해당 점 근방에서는 손실 값이 최소인 지점을 가리키는 개념이다. 최적화를 통해 모델이 도달하는 위치가 전역 최소값이 아니더라도, 이러한 지역 최소값이 될 수 있다. ==정의== 수학적으로 f가 실수값 함수일 때, 점 x₀가 지역 최소값이라는 것...) | ||||
| 새글 03:28 | 학습률 스케줄링 차이역사 +2,565 인공무능 토론 기여 (새 문서: 학습률 스케줄링(learning rate scheduling)은 머신러닝 및 딥러닝 모델의 학습 과정에서 학습률을 시간 경과나 손실 함수의 상태에 따라 동적으로 조정하는 전략을 의미한다. 학습률은 최적화 성능에 큰 영향을 미치므로, 정적인 값 대신 변화하는 학습률을 사용하면 더 빠르고 안정적인 수렴을 유도할 수 있다. ==개요== 학습률은 경사 하강법 기반 최적화 알고리즘에서 파...) | ||||
| 새글 03:21 | 학습률 (인공지능) 차이역사 +2,234 인공무능 토론 기여 (새 문서: 학습률(learning rate)은 머신러닝 및 딥러닝에서 모델의 매개변수를 업데이트할 때 사용하는 보폭(step size)을 결정하는 하이퍼파라미터이다. 학습률은 손실 함수의 기울기에 곱해져 파라미터 갱신의 크기를 조절하는 역할을 한다. ==정의 및 역할== 학습률은 최적화 알고리즘이 손실 함수를 최소화하기 위해 파라미터를 얼마나 크게 변경할지를 정하는 계수이다. 학습률...) | ||||
|
|
새글 03:19 | 확률적 경사 하강법 2개 바뀜 역사 +5,109 [인공무능 (2×)] | |||
|
|
03:19 (최신 | 이전) +2,620 인공무능 토론 기여 태그: 시각 편집 | ||||
| 새글 |
|
03:04 (최신 | 이전) +2,489 인공무능 토론 기여 (새 문서: 확률적 경사 하강법(Stochastic Gradient Descent, SGD)은 머신러닝 및 딥러닝에서 손실 함수를 최소화하기 위해 훈련 데이터 중 하나의 샘플만을 사용하여 매개변수를 업데이트하는 최적화 알고리즘이다. ==개요== 확률적 경사 하강법은 경사 하강법의 변형 기법으로, 전체 데이터셋이 아닌 단일 샘플을 기준으로 손실 함수의 기울기를 계산하고 그 결과를 즉시 반영해 파라...) 태그: 시각 편집 | |||
| 새글 03:05 | 미니배치 경사 하강법 차이역사 +2,687 인공무능 토론 기여 (새 문서: 미니배치 경사 하강법(Mini-Batch Gradient Descent)은 머신러닝 및 딥러닝에서 전체 훈련 데이터를 일정한 크기의 소규모 집합으로 나눈 후, 각 집합(미니배치)을 사용하여 손실 함수의 기울기를 계산하고 파라미터를 갱신하는 최적화 알고리즘이다. ==개요== 미니배치 경사 하강법은 배치 경사 하강법과 확률적 경사 하강법(SGD)의 절충안으로, 계산 효율성과 수렴 안정성 사...) | ||||
| 새글 03:03 | 경사 하강법 차이역사 +2,438 인공무능 토론 기여 (새 문서: '''경사 하강법(Gradient Descent)'''은 머신러닝 및 딥러닝에서 손실 함수의 값을 최소화하기 위해 매개변수를 반복적으로 갱신하는 최적화 기법이다. ==개요== 경사 하강법은 손실 함수의 기울기, 즉 그래디언트(gradient)를 계산하여, 그 반대 방향으로 파라미터를 이동시킴으로써 손실 값을 점차 줄여 나가는 방식이다. 함수의 기울기가 0에 가까워질수록 최솟값에 수렴하...) | ||||
| 새글 02:49 | 배치 (인공지능) 차이역사 +2,368 인공무능 토론 기여 (새 문서: 배치(Batch)는 딥러닝 또는 머신러닝 모델 훈련 시, 한 번의 가중치 갱신을 위해 처리하는 데이터 샘플의 묶음을 의미하는 하이퍼파라미터이다. ==정의== 배치 크기(batch size)는 모델에 입력되어 순전파(forward pass)와 역전파(backward pass)를 통해 한 번의 가중치 업데이트가 이루어지기 위해 처리하는 훈련 샘플의 수를 나타낸다. 즉, 한 iteration에서 사용되는 데이터의 개수...) | ||||
| 새글 02:47 | 에포크 (인공지능) 차이역사 +2,248 인공무능 토론 기여 (새 문서: 에포크(epoch)는 머신러닝 또는 딥러닝 모델 학습에서 '''전체 훈련 데이터를 한 번 전부 신경망에 통과시켜 처리하는 과정'''을 의미하는 하이퍼파라미터이다. ==정의== 에포크(epoch)란 훈련 데이터 전체를 한 번 모델에 입력하여 순전파와 역전파를 통해 가중치를 업데이트하는 과정을 말한다. 즉, 데이터셋 전체가 한 차례 네트워크를 통과하는 시점 하나를 에포크 하...) | ||||
| 새글 01:56 | 리키 렐루 차이역사 +2,010 인공무능 토론 기여 (새 문서: 리키 렐루(Leaky ReLU)는 입력값이 음수일 때에도 완전히 0이 되지 않고, 작은 기울기를 유지하는 활성화 함수이다. 이 함수는 딥러닝에서 흔히 사용되는 ReLU(Rectified Linear Unit)의 변형으로, '죽은 뉴런(dying neuron)' 문제를 완화하기 위해 제안되었다. ==정의== 리키 렐루는 입력값 x가 0보다 크면 x 그대로 출력하고, 0 이하일 경우 작은 기울기를 곱한 값(예: 0.01 × x)을 출력하...) | ||||
|
|
새글 01:47 | 멀티 레이어 퍼셉트론 2개 바뀜 역사 +2,101 [인공무능 (2×)] | |||
|
|
01:47 (최신 | 이전) +102 인공무능 토론 기여 태그: 시각 편집 | ||||
| 새글 |
|
01:26 (최신 | 이전) +1,999 인공무능 토론 기여 (새 문서: 멀티 레이어 퍼셉트론(Multi‑Layer Perceptron, MLP)은 입력층, 하나 이상의 은닉층 및 출력층으로 구성된 완전 연결(feedforward) 인공 신경망이다. ==구조== MLP는 최소 세 개의 층, 즉 입력층, 하나 이상의 은닉층(hidden layer), 그리고 출력층(output layer)으로 구성된다. 각 은닉층과 출력층의 뉴런은 이전 층의 모든 뉴런과 완전하게 연결되어 있다. ==활성화 함수== MLP에서는 각 뉴...) 태그: 시각 편집 | |||
2025년 9월 10일 (수)
|
|
새글 04:21 | 신경-기호 인공지능 2개 바뀜 역사 +3,964 [인공무능 (2×)] | |||
|
|
04:21 (최신 | 이전) −73 인공무능 토론 기여 태그: 시각 편집 | ||||
| 새글 |
|
04:21 (최신 | 이전) +4,037 인공무능 토론 기여 (새 문서: 신경‑기호 인공지능(英: Neuro‑symbolic AI)은 인공신경망 기반 학습 방식과 기호 기반 논리 추론 방식을 통합하여, 두 접근의 장점을 결합하고 단점을 보완하기 위해 개발된 하이브리드 인공지능 접근법이다. ==개요== 신경‑기호 인공지능은 딥러닝의 패턴 인식 능력과 기호 기반 AI의 논리적 추론 및 설명 가능성을 결합한 시스템을 지향한다. 이 접근은 두 사고 체계...) 태그: 시각 편집 | |||
| 새글 03:56 | 인공지능 세대 구분 차이역사 +4,192 인공무능 토론 기여 (새 문서: 인공지능의 세대 구분은 인공지능 기술의 발전 단계를 시대적 흐름과 기술적 특징에 따라 구분한 체계로, 대표적으로 5단계로 나뉜다. 각 세대는 특정한 철학적 접근 방식, 구현 기술, 상징적 사건과 한계를 중심으로 정의된다. ==1세대 (1960년대–1980년대): 기호 기반 인공지능== *'''핵심 개념''': 인간의 지능은 기호(symbol)의 조작과 논리적 규칙을 통한 지식 인코딩으...) | ||||
| 새글 03:51 | IBM 딥 블루 차이역사 +3,224 인공무능 토론 기여 (새 문서: 딥 블루(Deep Blue)는 1990년대 IBM이 개발한 체스 전용 슈퍼컴퓨터로, 인간 체스 세계 챔피언을 상대로 승리를 거둔 최초의 시스템이다. ==역사== 딥 블루는 1985년 카네기 멜런 대학교에서 펑‑슝 쉬(Feng‑hsiung Hsu)가 개발한 ChipTest에서 시작되었으며, 이후 Deep Thought를 거쳐 1989년 IBM으로 프로젝트가 이전되었다. 이름 ‘Deep Blue’는 IBM의 별칭인 ‘Big Blue’를 차용한 말장난...) | ||||
| 새글 03:44 | Cyc 프로젝트 차이역사 +3,017 인공무능 토론 기여 (새 문서: Cyc 프로젝트(Cyc project)는 인간의 상식(common sense)을 기계적으로 표현하고 추론할 수 있도록 설계된 장기 인공지능(symbolic AI) 프로젝트이다. 1984년 더글러스 레나트(Douglas Lenat)에 의해 시작되었으며, 세계에 대한 포괄적인 온톨로지(ontology)와 지식 기반(knowledge base)을 구성하는 것을 목표로 한다. ==개요== Cyc는 인간이 당연하게 여기는 암묵적 지식을 체계적인 형태로 정...) | ||||
| 새글 03:33 | 기호 기반 인공지능 차이역사 +3,498 인공무능 토론 기여 (새 문서: 기호 기반 인공지능(英: Symbolic AI, 또는 클래식 인공지능)은 인간이 이해할 수 있는 표상(symbol)을 이용해 문제를 표현하고, 명시적인 논리와 규칙을 통해 추론하는 전통적인 인공지능 접근 방식이다. ==개요== 기호 기반 인공지능은 고수준의 기호 표현, 논리 및 탐색(search)을 중심으로 한 인공지능 연구 방법을 총칭한다. 이 방식은 프로덕션 규칙, 의미망, 프레임(frames...) | ||||
| 새글 03:32 | 좋은 구시대적 인공지능 차이역사 +3,092 인공무능 토론 기여 (새 문서: 좋은 구시대적 인공지능(Good Old-Fashioned Artificial Intelligence, GOFAI)은 명시적인 기호(symbol) 조작을 기반으로 한 고전적인 인공지능 접근 방식이다. ==개요== 좋은 구시대적 인공지능은 기호를 기반으로 한 논리적 추론과 규칙을 통해 지식을 표현하고 문제를 해결하는 인공지능 방법론이다. 이 용어는 철학자 존 하우겔랜드(John Haugeland)가 1985년 저...) | ||||
