새 문서 목록
IT 위키
- 2025년 9월 15일 (월) 11:00 아핀 변환 (역사 | 편집) [2,466 바이트] 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...) 태그: 시각 편집
- 2025년 9월 14일 (일) 01:43 Ed25519 (역사 | 편집) [5,650 바이트] 리게티 (토론 | 기여) (새 문서: '''Ed25519'''은 EdDSA(Edwards‑curve Digital Signature Algorithm)의 구현체 중 하나로, 보안성과 성능을 고려하여 설계된 타원곡선 디지털 서명 알고리즘이다. Curve25519 계열의 twisted Edwards 곡선을 사용하며, SHA‑512 해시 함수와 결합되어 빠른 서명(sign) 및 검증(verification)을 제공한다. <ref>“Ed25519 signatures are elliptic-curve signatures …” ed25519.cr.yp.to</ref><ref>RFC 8032: Edwards‑curve Digital Sig...) 태그: 시각 편집
- 2025년 9월 12일 (금) 12:49 Dying ReLU (역사 | 편집) [4,983 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:58 안장점 (인공지능) (역사 | 편집) [2,234 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:57 지역 최소값 (인공지능) (역사 | 편집) [2,742 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:28 학습률 스케줄링 (역사 | 편집) [2,565 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:21 학습률 (인공지능) (역사 | 편집) [2,234 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:20 러닝 레이트 (역사 | 편집) [42 바이트] 인공무능 (토론 | 기여) (학습률 (인공지능) 문서로 넘겨주기) 태그: 새 넘겨주기 시각 편집
- 2025년 9월 11일 (목) 03:19 러닝레이트 (역사 | 편집) [42 바이트] 인공무능 (토론 | 기여) (학습률 (인공지능) 문서로 넘겨주기) 태그: 새 넘겨주기 시각 편집
- 2025년 9월 11일 (목) 03:14 배치 경사 하강법 (역사 | 편집) [2,529 바이트] 인공무능 (토론 | 기여) (새 문서: 배치 경사 하강법(Batch Gradient Descent)은 머신러닝 및 딥러닝 모델에서 손실 함수를 최소화하기 위해 전체 훈련 데이터를 사용해 한 번에 기울기를 계산하고 파라미터를 갱신하는 최적화 방법이다. ==개요== 배치 경사 하강법은 경사 하강법의 가장 기본적인 형태로, 전체 훈련 데이터를 대상으로 손실 함수의 그래디언트를 계산한 후 이를 바탕으로 파라미터를 갱신한...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:05 미니배치 경사 하강법 (역사 | 편집) [2,687 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:04 확률적 경사 하강법 (역사 | 편집) [5,109 바이트] 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
- 2025년 9월 11일 (목) 03:03 경사 하강법 (역사 | 편집) [2,438 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 03:01 경사하강법 (역사 | 편집) [34 바이트] 인공무능 (토론 | 기여) (경사 하강법 문서로 넘겨주기) 태그: 새 넘겨주기 시각 편집
- 2025년 9월 11일 (목) 02:49 배치 (인공지능) (역사 | 편집) [2,368 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 02:47 에포크 (인공지능) (역사 | 편집) [2,248 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 01:56 리키 렐루 (역사 | 편집) [2,010 바이트] 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...) 태그: 시각 편집
- 2025년 9월 11일 (목) 01:27 다층 퍼셉트론 (역사 | 편집) [47 바이트] 인공무능 (토론 | 기여) (멀티 레이어 퍼셉트론 문서로 넘겨주기) 태그: 새 넘겨주기 시각 편집
- 2025년 9월 11일 (목) 01:26 멀티 레이어 퍼셉트론 (역사 | 편집) [2,101 바이트] 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) 07:53 도커파일 (역사 | 편집) [3,450 바이트] 리게티 (토론 | 기여) (새 문서: 도커파일(Dockerfile)은 도커 이미지(Docker image)를 자동으로 빌드하기 위해 필요한 명령들을 순서대로 나열한 텍스트 파일이다. ==정의== 도커파일은 도커 엔진이 이미지 생성 시 실행할 모든 명령을 담고 있는 텍스트 문서이며, 명령어 하나하나가 이미지의 레이어(layer)를 구성한다. ==주요 지시어(Instructions)== 도커파일에는 다음과 같은 지시어들이 가장 일반적으로 사...) 태그: 시각 편집
- 2025년 9월 10일 (수) 07:47 컨테이너 저장소 (역사 | 편집) [2,914 바이트] 리게티 (토론 | 기여) (새 문서: 컨테이너 저장소(Container Registry)는 컨테이너 이미지를 저장, 배포, 관리하는 중앙 집중형 저장소이다. ==개요== 컨테이너 저장소는 도커(Docker), 쿠버네티스(Kubernetes) 등의 플랫폼에서 컨테이너 이미지의 저장 및 공유를 담당하는 핵심 인프라이다. 개발자 또는 자동화 시스템이 컨테이너 이미지를 저장소에 푸시(push)하거나, 필요 시 풀(pull)하여 실행할 수 있도록 한다....) 태그: 시각 편집
- 2025년 9월 10일 (수) 07:38 베이그런트 (소프트웨어) (역사 | 편집) [2,299 바이트] 리게티 (토론 | 기여) (새 문서: 베이그런트(Vagrant)는 개발자가 포터블하고 일관된 가상 개발 환경을 손쉽게 구축하고 관리할 수 있도록 지원하는 오픈소스 구성 관리 도구이다. ==역사== 베이그런트는 2010년 1월 미첼 하시모토(Mitchell Hashimoto)가 개인 프로젝트로 시작했으며, 같은 해 3월에 최초 버전이 발표되었다<ref>https://github.com/hashicorp/vagrant/releases/tag/v0.1.0</ref>. 이후 2012년에는 베이그런트 1.0 버...) 태그: 시각 편집
- 2025년 9월 10일 (수) 04:21 신경-기호 인공지능 (역사 | 편집) [3,964 바이트] 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
- 2025년 9월 10일 (수) 03:56 인공지능 세대 구분 (역사 | 편집) [4,192 바이트] 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...) 태그: 시각 편집
- 2025년 9월 10일 (수) 03:51 IBM 딥 블루 (역사 | 편집) [3,224 바이트] 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...) 태그: 시각 편집
- 2025년 9월 10일 (수) 03:44 Cyc 프로젝트 (역사 | 편집) [3,017 바이트] 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...) 태그: 시각 편집
- 2025년 9월 10일 (수) 03:34 Symbolic AI (역사 | 편집) [44 바이트] 인공무능 (토론 | 기여) (기호 기반 인공지능 문서로 넘겨주기) 태그: 새 넘겨주기 시각 편집
- 2025년 9월 10일 (수) 03:34 심볼릭 AI (역사 | 편집) [44 바이트] 인공무능 (토론 | 기여) (기호 기반 인공지능 문서로 넘겨주기) 태그: 새 넘겨주기 시각 편집
- 2025년 9월 10일 (수) 03:34 심볼릭 인공지능 (역사 | 편집) [44 바이트] 인공무능 (토론 | 기여) (기호 기반 인공지능 문서로 넘겨주기) 태그: 새 넘겨주기 시각 편집
- 2025년 9월 10일 (수) 03:33 기호 기반 인공지능 (역사 | 편집) [3,498 바이트] 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...) 태그: 시각 편집
- 2025년 9월 10일 (수) 03:32 좋은 구시대적 인공지능 (역사 | 편집) [3,092 바이트] 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...) 태그: 시각 편집
- 2025년 9월 9일 (화) 06:55 다세계 해석 (역사 | 편집) [4,147 바이트] 리게티 (토론 | 기여) (새 문서: 다세계 해석(영어: Many-Worlds Interpretation, MWI)은 양자역학에서 파동 함수의 붕괴 없이 우주의 모든 가능한 결과가 각각의 현실로 분기되어 실현된다고 설명하는 해석이다. 1957년 휴 에버렛(Hugh Everett)에 의해 처음 제안되었으며, 이후 브라이스 디윗(Bryce DeWitt)에 의해 'many-worlds'라는 이름으로 대중화되었다. ==개요== *다세계 해석은 '''파동 함수의 붕괴'''라는 개념을 인...) 태그: 시각 편집
- 2025년 9월 9일 (화) 06:53 비상호작용 측정 (역사 | 편집) [4,344 바이트] 리게티 (토론 | 기여) (새 문서: 비상호작용 측정(영어: Interaction-free measurement)은 측정 대상과 물리적으로 직접적인 접촉이나 고전적인 에너지 교환 없이도 대상의 존재나 상태에 대한 정보를 획득할 수 있는 양자역학적 측정 방식이다. 이 개념은 고전역학적 직관과는 다른 양자역학적 현상의 결과이며, 대표적으로 Elitzur–Vaidman 폭탄 실험이 있다. ==개념== *비상...) 태그: 시각 편집
- 2025년 9월 9일 (화) 06:48 엘리추어–바이드만 폭탄 실험 (역사 | 편집) [2,858 바이트] 리게티 (토론 | 기여) (새 문서: 엘리추어–바이드만 폭탄 실험(영어: Elitzur–Vaidman bomb tester)은 양자 중첩과 간섭 원리에 기반해 상호작용 없이 폭탄이 기능 상태인지 확인할 수 있는 사고 실험이며, 이는 '''상호작용 없는 측정(interaction‑free measurement)'''의 대표적 예이다. 1993년 Avshalom Elitzur와 Lev Vaidman이 제안하였으며 이후 실험적으로도 구현되었다. ==실험 개요== 파일:엘리추어-바이드만 폭탄...) 태그: 시각 편집
- 2025년 8월 26일 (화) 03:02 APEC (역사 | 편집) [3,744 바이트] 여정 (토론 | 기여) (새 문서: 아시아‑태평양 경제협력체(Asia-Pacific Economic Cooperation, APEC)는 1989년에 설립된 아시아‑태평양 지역의 경제 협력 포럼이다. APEC은 회원 경제체 간의 상호 의존성을 활용하여 균형 있고 포괄적이며 지속 가능한 경제 성장을 촉진하고, 역내 경제 통합을 가속화하는 것을 목표로 한다.<ref>APEC Secretariat, “About APEC”, https://www.apec.org/about-apec</ref> ==역사== APEC은 1989년 호주...) 태그: 시각 편집
- 2025년 8월 16일 (토) 03:42 피지컬 AI (역사 | 편집) [5,360 바이트] 인공무능 (토론 | 기여) (새 문서: 피지컬 AI(Physical AI)는 현실 세계에서 인식하고 이해하며, 물리적 행동을 수행할 수 있는 인공지능 기술이다. ==개요== 피지컬 AI는 로봇, 자율주행차, 스마트 공간 등 자율 시스템이 실제 세계에서 인식하고, 이해하며 복잡한 행동을 수행하도록 하는 기술이다. 종종 ‘생성형 피지컬 AI’로 불리기도 한다. 이는 단순히 데이터를 분석하거나 예측하는 것을 넘어, 물리...) 태그: 시각 편집
- 2025년 8월 2일 (토) 02:17 아전인수 (역사 | 편집) [1,776 바이트] 제프베조스 (토론 | 기여) (새 문서: 아전인수(我田引水)는 자기 자신에게만 이롭도록 행동하거나 해석하는 것을 의미하는 사자성어이다. ==뜻== 아전인수는 我(나 아), 田(밭 전), 引(끌 인), 水(물 수)의 한자로 구성되며, 문자 그대로 풀이하면 ‘자기 논에만 물을 끌어넣는다’는 뜻이다. 이는 공동체 전체의 이해보다는 자신만의 이익을 추구하는 이기적인 태도를 비판하는 표현이다. ==유래== 이 표현...) 태그: 시각 편집
- 2025년 8월 2일 (토) 02:12 공평무사 (역사 | 편집) [2,125 바이트] 제프베조스 (토론 | 기여) (새 문서: 공평무사(公平無私)는 누구에게나 공평하게 대하며 개인의 이익이나 사사로움이 없다는 뜻을 가진 사자성어이다. ==뜻== 공평무사(公平無私)는 공(公, 공평할 공), 평(平, 평평할 평), 무(無, 없을 무), 사(私, 사사로울 사)의 네 글자로 이루어지며, 전체적으로 ‘공정하며 사사로움이 없다’는 의미를 지닌다. 이는 정의롭고 편견 없는 태도를 강조하는 표현이다. ==유...) 태그: 시각 편집
- 2025년 8월 2일 (토) 02:11 견강부회 (역사 | 편집) [1,791 바이트] 제프베조스 (토론 | 기여) (새 문서: 견강부회(牽强附會)는 이치에 맞지 않는 말을 억지로 끌어 붙여 자기에게 유리하게 해석하거나 주장하는 것을 의미하는 사자성어이다. ==뜻== 견(牽)은 끌 견, 강(强)은 억지 강, 부(附)는 붙을 부, 회(會)는 모을 회로, ‘이치에 맞지 않는 것을 억지로 끌어 붙인다’는 뜻이다. 합리적이거나 논리적 근거가 없음에도 불구하고 억지로 설명을 시도할 때 쓰인다. ==유래==...) 태그: 시각 편집
- 2025년 8월 2일 (토) 02:11 수석침류 (역사 | 편집) [1,744 바이트] 제프베조스 (토론 | 기여) (새 문서: 수석침류(漱石枕流)는 말을 잘못해 놓고 그럴 듯하게 꾸며대는 것을 비유하는 사자성어이다. ==뜻== 수(漱): 양치질할 수 석(石): 돌 침(枕): 베개 류(流): 흐를 유(流) ‘돌로 양치질하고 흐르는 물을 베개 삼는다’는 문자적 의미가 있으며, 잘못한 일을 말로 덮거나 억지로 변명할 때 사용된다. ==유래== 진나라 인물 손자형(孫子荊)이 “침석수류(枕石漱流)”라 말하...) 태그: 시각 편집
- 2025년 8월 2일 (토) 02:05 공학적 생체 치료제 (역사 | 편집) [2,614 바이트] 제프베조스 (토론 | 기여) (새 문서: 공학적 생체 치료제는 살아있는 생체 시스템에 유전자 공학을 적용하여 치료 기능을 부여한 차세대 바이오 기술이다. 환자의 몸 안에서 치료 물질을 직접 생산하며, 장기적인 질환 관리와 맞춤형 치료에 활용된다. ==개요== 공학적 생체 치료제(Engineered Living Therapeutics)는 유전자 조작된 미생물이나 세포가 체내에서 치료제를 생성하도록 설계된 기술이다. 기존의 정...) 태그: 시각 편집
- 2025년 8월 2일 (토) 01:01 로버트 F. 케네디 주니어 (역사 | 편집) [4,077 바이트] 제프베조스 (토론 | 기여) (새 문서: 로버트 F. 케네디 주니어(영어: Robert F. Kennedy Jr.)는 미국의 환경 변호사이자 정치인으로, 2025년 2월 13일부터 미국 보건복지부(Department of Health and Human Services, HHS) 장관으로 재직하고 있다. 그는 "Make America Healthy Again(MAHA)" 운동을 주도하며, 백신 안전성, 제약산업 규제, 식품 및 환경 화학물질 통제 등을 중심으로 하는 보건정책을 추진하고 있다. ==HHS 장관 임명 및 MAHA...) 태그: 시각 편집
- 2025년 7월 31일 (목) 12:29 할루시네이션 (인공지능) (역사 | 편집) [3,730 바이트] 인공무능 (토론 | 기여) (새 문서: 할루시네이션(영어: hallucination 또는 AI hallucination)은 인공지능, 특히 생성형 인공지능(generative AI)이나 대형 언어 모델(LLM)이 실제로 존재하지 않거나 사실이 아닌 정보를 진짜처럼 생성하는 현상을 말한다. 이 개념은 인간의 지각적 환각(hallucination)에 비유된다. ==개요== AI 할루시네이션은 모델이 그럴듯하지만 사실이 아닌 정보를 자신 있게 생성하거나 제공하는 오...) 태그: 시각 편집
- 2025년 7월 31일 (목) 12:23 이데아론 (역사 | 편집) [2,897 바이트] 인공무능 (토론 | 기여) (새 문서: 플라톤의 이데아론(영어: Theory of Forms 또는 Theory of Ideas)은 고대 그리스 철학자 플라톤이 제시한 형이상학적 이론으로, 감각 세계 너머에 존재하는 불변하고 완전한 실체, 즉 '이데아'를 통해 진정한 지식을 설명하는 사상이다. ==개요== 플라톤은 우리가 일상적으로 경험하는 물질적 세계가 변화하고 불완전하다고 보았다. 그는 감각적 세계 너머에 존재하는, 영원하...) 태그: 시각 편집
- 2025년 7월 31일 (목) 12:21 동굴의 비유 (철학) (역사 | 편집) [2,616 바이트] 인공무능 (토론 | 기여) (새 문서: 동굴의 비유(영어: Allegory of the Cave, 고대 그리스어: ἡ τοῦ σπηλαίου εἰκών)는 고대 그리스 철학자 플라톤이 저서 『국가』 제7권(514a–520a)에서 제시한 철학적 은유로, 인간 인식의 한계와 진정한 앎으로의 여정을 설명하는 상징적 이야기이다. ==개요== 이 비유는 인간이 감각에 의존한 인식을 현실로 오해하며 살아간다는 관찰에서 출발한다. 동굴에 태어나...) 태그: 시각 편집
- 2025년 7월 31일 (목) 12:19 RAG (인공지능) (역사 | 편집) [3,943 바이트] 인공무능 (토론 | 기여) (새 문서: Retrieval‑Augmented Generation(영어: Retrieval‑Augmented Generation, 줄여서 RAG)은 대형 언어 모델(LLM)이 외부 지식베이스에서 관련 정보를 검색한 후 이를 바탕으로 응답을 생성하는 기술이다. ==개요== RAG는 LLM이 자체 훈련 데이터에만 의존하지 않고, 문서집합이나 데이터베이스 등 외부 정보를 먼저 검색(retrieval)한 뒤, 이 검색된 정보를 포함하여 응답을 생성(generation)하는 인...) 태그: 시각 편집
- 2025년 7월 31일 (목) 06:17 몬테 카를로 정보 검색 (역사 | 편집) [4,294 바이트] 인공무능 (토론 | 기여) (새 문서: Monte Carlo Tree Search(MCTS)은 게임 트리 탐색 및 의사결정 문제에서 사용되는 휴리스틱 기반 검색 알고리즘이다. ==개요== Monte Carlo Tree Search는 게임이나 의사결정 도메인에서 가능한 행동의 결과를 평가하기 위해 반복적인 무작위 시뮬레이션(플레이아웃)과 트리 기반 탐색을 결합한 방법이다. 이를 통해 대수의 상태 공간에서도 유망한 움직임을 효과적으로 탐색할 수...) 태그: 시각 편집
- 2025년 7월 31일 (목) 06:12 MuZero (인공지능) (역사 | 편집) [4,308 바이트] 인공무능 (토론 | 기여) (새 문서: MuZero(인공지능)은 DeepMind에서 개발한 강화학습 기반의 모델 기반 계획 알고리즘이다. ==개요== MuZero는 AlphaZero의 후속 알고리즘으로, 게임의 규칙(환경의 동역학)을 사전에 알지 못해도 학습을 통해 규칙을 모델링하고 이를 기반으로 트리 탐색을 통해 계획을 세워 초인적 성능을 달성하는 능력을 지닌다.<ref>https://medium.com/geekculture/muzero-explained-a04cb1bad4d4</ref> ==개발 배...) 태그: 시각 편집
- 2025년 7월 30일 (수) 13:21 셔틀외교 (역사 | 편집) [3,534 바이트] 잼이 (토론 | 기여) (새 문서: 셔틀외교(영어: Shuttle Diplomacy, 셔틀 외교)는 제3자가 분쟁 또는 갈등 당사자들을 직접 마주보게 하지 않고, 중재자로서 각 당사국을 오가며 협상과 소통을 중개하는 외교 방식이다. ==개요== 셔틀외교는 직접 대면이 어려운 국가 또는 집단 간 조정이 필요한 상황에서 제3국 또는 제3자가 당사자들을 순차적으로 방문하며 제안, 반제안, 메시지를 전달하면서 합의를 이...)
- 2025년 7월 30일 (수) 07:14 Gato (인공지능) (역사 | 편집) [2,850 바이트] 인공무능 (토론 | 기여) (새 문서: Gato(영어: Gato)은 DeepMind에서 개발한 멀티모달 범용 에이전트이다. ==개요== Gato는 텍스트, 이미지, 로봇 팔 제어 등의 다양한 입력과 출력을 단일 트랜스포머 신경망으로 처리할 수 있는 멀티모달(multimodal), 다중 작업(multi‑task), 다중 구현(multi‑embodiment) 일반용 에이전트이다. 동일한 네트워크와 가중치로 이미지 캡션 생성, 챗봇 대화, Atari 게임 플레이, 실제 로봇 블...) 태그: 시각 편집
