문서 둘러보기
파충류·겉씨식물과 생물계의 우점 변화
중생대의 대표 생물군이던 파충류와 겉씨식물의 변화는 서로 다른 역사다. 비조류 공룡의 대멸종과 침엽수·속씨식물의 경쟁, 오늘날에도 이어지는 생태적 역할을 구분한다.
랜덤 포레스트 회귀
랜덤 포레스트 회귀는 무작위 표본 추출과 특징 후보 선택으로 만든 여러 회귀나무의 수치 예측을 결합하는 방법이다. 대표적인 방식은 각 나무의 예측을 산술평균하여 단일 나무의 변동을 줄이려 한다.
회귀나무
회귀나무는 입력 특징에 대한 조건으로 자료를 여러 영역으로 나누고 각 잎에서 수치 목표값을 예측하는 의사결정나무다. 분할 기준과 잎의 대표값은 선택한 손실 함수에 따라 달라진다.
K 최근접 이웃 회귀
K 최근접 이웃 회귀는 새 입력과 가까운 학습 표본 K개의 목표값을 평균하여 수치를 예측하는 방법이다. 이웃의 범주를 투표하는 분류와 달리 연속적인 목표값을 결합한다.
최대 절댓값 스케일링
최대 절댓값 스케일링은 각 수치 특징을 학습 자료에서 관찰한 가장 큰 절댓값으로 나누는 전처리 방법이다. 평균을 빼지 않아 0을 그대로 유지하며, 서로 다른 특징의 크기를 조절할 때 사용할 수 있다.
거듭제곱 변환
거듭제곱 변환은 매개변수가 있는 단조 변환으로 수치 자료의 비대칭이나 분산 구조를 바꾸는 방법이다. 박스 콕스 변환과 여 존슨 변환 등이 있으며, 특징별 분포를 정규분포에 더 가깝게 만들려는 전처리에 사용된다.
분위수 변환
분위수 변환은 수치 특징에서 값이 분포의 어느 위치에 있는지를 추정해 다른 분포의 좌표로 옮기는 전처리 방법이다. 균등분포나 정규분포 모양의 주변분포를 목표로 할 수 있으며, 단순한 평균·분산 조절과는 다른 비선형 변환이다.
특징 구간화
특징 구간화는 연속적인 수치 특징을 여러 구간으로 나누고 각 값을 구간 번호나 범주로 바꾸는 전처리 방법이다. 구간 경계를 정하는 방식과 변환 결과의 표현 방식이 후속 모형에 영향을 준다.
이차 판별 분석
이차 판별 분석은 범주별로 서로 다른 공분산을 갖는 정규분포를 적합해 분류하는 방법이다. 범주 간 점수 차이에 입력의 이차항이 남을 수 있어 선형 판별 분석보다 다양한 경계를 표현한다.
경부고속도로 개통과 교통의 변화
1970년 경부고속도로 전 구간 개통은 서울·부산과 주요 도시를 연결하는 장거리 도로 수송 축을 만들었다. 산업 물류와 생활권, 철도 중심 수송구조의 변화와 함께 이해할 수 있다.
선형 판별 분석
선형 판별 분석은 범주마다 평균은 다르되 공분산은 같다는 정규분포 모형으로 분류하는 방법이다. 베이즈 규칙에 따라 범주별 점수를 비교하며, 결정 경계가 입력 특징에 대한 선형식으로 나타난다.
범주형 나이브 베이즈
범주형 나이브 베이즈는 각 특징이 몇 가지 범주 중 하나의 값을 갖는 자료를 분류하는 방법이다. 예측할 범주별로 특징 값의 조건부 확률을 추정하고 사전확률과 결합한다.
다항 나이브 베이즈
다항 나이브 베이즈는 단어 출현 횟수처럼 여러 항목의 빈도로 나타낸 자료를 분류하는 확률 모형이다. 범주별 항목 확률과 사전확률을 이용하며, 문서 분류에 널리 활용된다.
베르누이 나이브 베이즈
베르누이 나이브 베이즈는 각 특징을 있음과 없음의 이진 값으로 나타내는 분류 모형이다. 범주별 특징 출현 확률과 범주 사전확률을 결합하며, 범주가 주어졌을 때 특징들이 독립이라고 가정한다.
발차기 시합의 외다리 선수라는 영어 비유
‘one-legged man in an ass-kicking contest’는 문자 그대로의 경기 설명보다 힘들고 불리한 처지를 과장하는 영어 비유다. ‘busier than’과 함께 쓰이면 몹시 바쁘다는 뜻이 된다.
가우스 나이브 베이즈
가우스 나이브 베이즈는 범주가 주어졌을 때 각 수치 특징을 정규분포로 나타내고, 특징들의 조건부 독립을 가정해 범주를 예측하는 방법이다. 범주별 사전확률과 특징별 평균 및 분산을 이용한다.
K 최근접 이웃 분류
K 최근접 이웃 분류는 새 표본과 가까운 학습 표본 K개를 찾아 그 범주를 모아 예측하는 방법이다. 가까움의 정의와 이웃 수, 거리별 가중치가 결과를 결정한다.
😅 웃으며 땀 흘리는 이모지
😅는 웃는 얼굴에 땀방울이 있는 이모지다. 민망함이나 어색한 웃음, 긴장 뒤의 안도를 나타낼 때 쓰이며, 실제 뜻은 앞뒤 대화에 따라 달라진다.
랜덤 포레스트 분류
랜덤 포레스트 분류는 무작위성을 넣어 학습한 여러 의사결정나무의 예측을 결합하는 방법이다. 표본 재추출과 분할 후보 특징의 무작위 선택으로 나무들을 다르게 만들고, 여러 결과를 모아 단일 나무의 불안정성을 줄이려 한다.
의사결정나무 분류
의사결정나무 분류는 특징에 관한 조건을 순서대로 검사해 표본을 가지로 나누고, 마지막 잎에서 범주를 예측하는 방법이다. 수치 특징에 대한 문턱값 같은 분할을 반복해 입력 공간을 여러 영역으로 나눈다.
‘있을까요?’와 ‘있어요’의 차이
‘있어요’는 사실을 설명하거나 직접 묻는 표현이고, ‘있을까요?’는 존재 여부를 헤아리며 질문하는 느낌을 더한다. 둘 다 존댓말이며, ‘있어요?’도 질문으로 쓸 수 있다.
가우스 무작위 투영
가우스 무작위 투영은 정규분포에서 뽑은 계수로 선형 변환을 구성해 자료를 다른 차원의 좌표로 옮기는 방법이다. 자료의 주요 축을 학습하는 대신 무작위 행렬을 사용하며, 적절한 차원에서 유한한 표본들의 거리 구조를 근사적으로 보존하는 데 활용한다.
특징 해싱
특징 해싱은 특징 이름에 해시 함수를 적용해 미리 정한 수의 좌표로 변환하는 방법이다. 모든 특징의 사전을 저장하지 않고도 새 이름을 같은 규칙으로 처리할 수 있지만, 서로 다른 특징이 같은 좌표에 들어가는 충돌이 생길 수 있다.
단어 주머니 모형
단어 주머니 모형은 문서를 단어별 출현 횟수로 나타내는 텍스트 표현 방법이다. 각 단어에 좌표를 배정하고 문서마다 횟수를 기록한다. 기본 형태에서는 단어가 놓인 순서를 보존하지 않는다.
TF-IDF
TF-IDF는 문서 안의 단어 빈도에 문서 집합에서의 희소성을 반영한 가중치를 곱하는 표현 방법이다. 여러 문서에 흔히 나타나는 단어와 일부 문서에만 나타나는 단어를 구분하여 검색이나 문서 분류의 특징으로 사용한다.
고속 충전의 원리와 GaN의 역할
고속 충전은 충전기와 기기가 지원하는 전압·전류 및 통신 규격에 따라 더 큰 전력을 전달하는 방식이다. GaN은 전력 변환 회로의 소재 선택이며 고속 충전의 필수 조건은 아니다.
비음수 행렬 분해
비음수 행렬 분해는 원소가 모두 0 이상인 자료 행렬을 두 비음수 행렬의 곱으로 근사하는 방법이다. 각 표본을 음수가 없는 성분들의 조합으로 나타내며, 차원 축소나 주제 탐색 등에 쓰인다.
주성분 분석
주성분 분석은 수치 자료의 퍼짐을 잘 설명하는 서로 직교하는 축을 찾는 방법이다. 일부 축의 좌표만 남겨 차원을 줄일 수 있으며, 원래 특징들을 선형 결합한 새로운 좌표를 만든다.
조정 랜드 지수
조정 랜드 지수는 같은 표본 집합에 대한 두 군집 배정의 일치 정도를 우연에 의한 일치를 보정해 비교하는 지표다. 군집 이름이나 번호가 아니라 어떤 표본들이 함께 묶였는지를 평가한다.
PNG를 PSD로 바꾸기와 레이어 복원
PNG를 포토샵에서 열어 PSD로 저장할 수 있지만, 파일 형식을 바꾸는 것만으로 원래의 글자·도형·배경 레이어가 복원되지는 않는다.
응집형 계층적 군집화
응집형 계층적 군집화는 작은 군집들을 차례로 합쳐 포함 관계의 계층을 만드는 방법이다. 처음에는 각 표본을 독립된 군집으로 두고, 정해진 연결 기준에 따라 병합할 두 군집을 선택한다.
평균 이동 군집화
평균 이동 군집화는 현재 위치 주변의 표본 평균으로 중심 후보를 옮기는 과정을 반복하여 군집을 찾는 방법이다. 가까운 최종 후보들을 정리해 군집 중심을 만들며, 이웃을 정하는 대역폭이 결과에 큰 영향을 준다.
DBSCAN
DBSCAN은 가까이 모여 있는 표본에서 군집을 확장하는 밀도 기반 군집화 방법이다. 군집 수를 미리 지정하지 않으며, 어느 군집에도 연결되지 않는 표본은 잡음으로 구분할 수 있다.
손글씨·타이핑과 뇌 활동
종이 필기, 디지털 펜 필기, 타이핑은 연구에서 서로 다른 뇌 활동 양상을 보이지만, 이를 몰입도나 학습 효과의 단순 순위로 해석할 수는 없다.
칼린스키 하라바즈 지수
칼린스키 하라바즈 지수는 군집 사이의 퍼짐과 군집 내부의 퍼짐을 비교하는 군집화 평가 지표다. 각 군집의 중심과 전체 중심을 이용하며, 군집 수와 표본 수를 반영한 비율로 점수를 계산한다.
실루엣 계수
실루엣 계수는 한 표본이 자기 군집에 얼마나 가까우며 다른 군집과 얼마나 떨어져 있는지 비교하는 지표다. 표본마다 값을 계산한 뒤 평균을 내어 군집화 전체를 요약할 수 있다. 사용한 거리와 군집 배정에 따라 값이 달라진다.
‘그럴지’와 ‘그럴 줄’의 차이
‘그럴지’는 어떤 일이 그렇게 될지에 대한 의문을, ‘그럴 줄 몰랐다’는 그런 일을 예상하지 못했다는 뜻을 나타내기 쉽다. ‘-ㄹ지’는 붙이고 의존 명사 ‘줄’은 띄어 쓴다.
데이비스 볼딘 지수
데이비스 볼딘 지수는 군집 내부의 퍼짐과 군집 중심 사이 거리를 비교해 군집화를 평가하는 지표다. 각 군집과 가장 비슷한 다른 군집의 비율을 구한 뒤 평균낸다. 일반적으로 작은 값이 더 조밀하고 분리된 구성을 나타낸다.
K 평균 군집화
K 평균 군집화는 자료를 K개 집단으로 나누고 각 집단의 중심까지의 제곱거리 합을 줄이려는 방법이다. 대표적인 반복 방식은 가까운 중심에 표본을 배정하고 그 집단의 평균으로 중심을 갱신한다. 군집 번호 자체에는 크기나 순서 의미가 없다.
당류·설탕·감미료의 차이
설탕은 당류에 속하는 한 성분이고, 식품 표시의 감미료는 단맛을 내는 식품첨가물의 용도를 가리킨다. 영양정보의 당류와 원재료명은 서로 다른 정보를 보여 준다.
검증 곡선
검증 곡선은 모델의 한 설정값을 바꾸면서 훈련 점수와 검증 점수를 비교하는 그림이다. 예를 들어 정칙화 강도나 다항 차수를 가로축으로 사용할 수 있다. 훈련 자료 수를 바꾸는 학습 곡선과는 다른 실험이다.
학습 곡선 (기계 학습)
학습 곡선은 학습 진행이나 자료 규모에 따른 모델 성능의 변화를 그린 그림이다. 기계 학습의 자료 규모 분석에서는 훈련 표본 수를 바꾸어 훈련 점수와 검증 점수를 비교한다. 가로축이 무엇인지 먼저 구분해야 한다.
부분 의존도
부분 의존도는 관심 특징의 값을 바꾸어 넣었을 때 학습된 모델의 평균 예측이 어떻게 변하는지 살피는 방법이다. 다른 특징은 기준 자료의 값들을 사용해 평균낸다. 모델의 반응을 요약하며 실제 개입의 인과 효과와는 구별된다.
순열 중요도
순열 중요도는 학습된 모델에서 한 특징의 값을 표본 사이에 섞었을 때 평가 점수가 얼마나 달라지는지 보는 방법이다. 특정 모델이 해당 특징에 의존하는 정도를 살피는 데 사용한다. 자료 자체의 인과적 중요도를 직접 측정하는 값은 아니다.
무작위 하이퍼파라미터 탐색
무작위 하이퍼파라미터 탐색은 미리 정한 후보 목록이나 확률분포에서 모델 설정을 뽑아 평가하는 방법이다. 모든 격자 조합을 검사하는 대신 정해 둔 횟수만큼 후보를 살필 수 있다. 무엇을 어떤 분포로 뽑는지가 탐색의 중요한 부분이다.
격자 탐색
격자 탐색은 설정별 후보값을 정하고 그 조합을 차례로 평가하는 탐색 방법이다. 기계 학습에서는 정칙화 강도나 모델 깊이 같은 하이퍼파라미터를 고를 때 사용한다. 정해 둔 후보 집합을 살피는 것이지 연속적인 모든 값을 검사하는 것은 아니다.
운반 소낭과 리소좀
운반 소낭은 막으로 싸인 화물을 다른 구획으로 옮기고, 리소좀은 산성 환경에서 고분자를 분해하는 세포 소기관이다. 단백질이 들어 있다는 공통점만으로 같은 구조라고 보지는 않는다.
중첩 교차 검증
중첩 교차 검증은 설정을 고르는 내부 평가와 선택 절차의 성능을 보는 외부 평가를 나누는 방법이다. 하이퍼파라미터를 같은 점수로 고르고 그 점수를 최종 성능으로 보고할 때 생길 수 있는 낙관적 평가를 줄이려 한다.
층화 교차 검증
층화 교차 검증은 분류 자료를 나눌 때 각 범주의 비율이 검증 구간들에서 비슷하게 유지되도록 하는 방법이다. 범주가 한쪽 분할에 치우치는 문제를 줄이려는 구성이다. 집단이나 시간 순서를 보존하는 조건과는 다르다.
시계열 교차 검증
시계열 교차 검증은 시간 순서가 있는 자료에서 과거로 학습하고 그 뒤 구간으로 평가하는 분할 방법이다. 임의로 섞은 교차 검증과 달리 예측 시점에 이용 가능한 정보의 순서를 보존하려 한다. 훈련 창을 확장하거나 일정 길이로 유지할 수 있다.
그룹 교차 검증
그룹 교차 검증은 같은 집단에 속한 표본을 훈련과 검증에 나누어 넣지 않도록 하는 평가 방법이다. 같은 장치나 원본 자료에서 나온 관측처럼 서로 관련된 표본이 있을 때 사용할 수 있다. 새로운 집단에 대한 일반화를 살피는 데 도움이 된다.
테트라포드의 소파 원리
테트라포드는 블록 사이의 빈틈과 거친 표면에서 파랑 에너지를 줄이고, 자체 무게와 블록 사이의 맞물림으로 방파제 피복층을 안정시킨다. 파도에 영구적으로 손상되지 않는 구조물은 아니다.
타깃 인코딩
타깃 인코딩은 범주형 특징을 그 범주의 목표값 통계로 바꾸는 방법이다. 회귀에서는 목표값 평균, 이진 분류에서는 양성 비율을 사용할 수 있다. 정답 정보를 이용하므로 학습 자료를 변환할 때 누출을 막는 절차가 중요하다.
분산 기반 특징 선택
분산 기반 특징 선택은 훈련 자료에서 변동이 작은 특징을 제외하는 전처리 방법이다. 가장 간단한 구성은 모든 표본에서 값이 같은 상수 특징을 제거한다. 목표값과의 관계를 직접 평가하는 방식은 아니다.
다항 특징 확장
다항 특징 확장은 입력 특징의 거듭제곱과 곱을 새 특징으로 만드는 전처리 방법이다. 선형 모델이 입력의 곡선 관계나 상호작용을 표현하도록 사용할 수 있다. 특징을 생성하는 과정과 그 특징의 계수를 학습하는 과정은 다르다.
예기 사회화와 재사회화
예기 사회화는 앞으로 맡을 역할을 미리 배우는 과정이고, 재사회화는 달라진 환경에 맞게 기존의 생활 방식과 행동을 새로 익히는 과정이다. 단순한 희망이나 계획만으로 사회화가 이루어졌다고 보지는 않는다.
단순 결측값 대치
단순 결측값 대치는 비어 있는 자료를 특징별 평균·중앙값·최빈값이나 지정한 상수로 채우는 전처리 방법이다. 모델에 완성된 입력을 제공하는 데 쓸 수 있다. 채운 값이 실제로 관측됐던 원래 값이라는 뜻은 아니다.
로버스트 스케일링
로버스트 스케일링은 중앙값과 분위수 간 범위를 사용해 특징의 중심과 규모를 바꾸는 전처리 방법이다. 대표적인 설정은 중앙값을 빼고 사분위 범위로 나누는 방식이다. 평균과 표준편차를 사용하는 표준화보다 일부 극단값의 영향을 덜 받도록 구성한다.
최소 최대 스케일링
최소 최대 스케일링은 특징의 최솟값과 최댓값을 기준으로 수치 범위를 바꾸는 전처리 방법이다. 흔히 훈련 자료의 값을 0부터 1 사이로 옮긴다. 새 입력까지 항상 그 범위 안에 들어오는 것은 아니다.
특징 표준화
특징 표준화는 각 특징에서 평균을 빼고 표준편차로 나누어 수치 규모를 조절하는 전처리 방법이다. 기계 학습에서는 보통 훈련 자료에서 계산한 통계를 저장해 새 자료에도 적용한다. 변환했다고 자료가 자동으로 정규분포가 되는 것은 아니다.
서수 인코딩
서수 인코딩은 범주형 특징의 각 범주를 하나의 정수 코드로 바꾸는 표현 방법이다. 원래 특징마다 열 하나를 유지할 수 있다. 부여한 숫자가 실제 순서와 간격을 뜻하는지는 자료와 코드 규칙을 따로 살펴야 한다.
원핫 인코딩
원핫 인코딩은 범주마다 별도 위치를 두고 해당 범주의 위치만 1로 표시하는 표현 방법이다. 범주형 자료를 수치 입력으로 바꿀 때 사용한다. 번호를 하나 붙이는 표현과 달리 번호 사이의 크기 관계를 직접 부여하지 않는다.
확률 보정 곡선
확률 보정 곡선은 예측 확률과 실제 양성 비율의 관계를 구간별로 비교하는 그림이다. 비슷한 확률을 낸 표본들을 묶어 평균 예측값과 관측 비율을 한 점으로 나타낸다. 신뢰도 도표라고도 한다.
콜럼버스의 아시아 서항로 구상
콜럼버스는 대서양을 서쪽으로 건너 아시아에 도달하려 했다. 오스만 제국의 팽창과 유럽의 신항로 탐색이라는 배경을, 콜럼버스 개인이 몽골군에 막혔다는 이야기와 구분한다.
ROC AUC
ROC AUC는 이진 분류의 ROC 곡선 아래 면적을 수치로 요약한 지표다. 점수가 양성을 음성보다 앞에 놓는 순위 능력을 평가한다. 특정 임계값에서의 정확도나 예측 확률의 보정 정도와는 다르다.
성능 정체 기반 학습률 감소
성능 정체 기반 학습률 감소는 관찰하는 지표가 일정 기간 개선되지 않을 때 학습률을 낮추는 규칙이다. 단계 수만으로 값을 정하는 고정 스케줄과 달리 학습 결과에 반응한다. Reduce learning rate on plateau라는 이름으로도 쓰인다.
학습률 다항 감쇠
학습률 다항 감쇠는 남은 학습 구간의 비율을 거듭제곱해 학습률을 끝값으로 낮추는 스케줄이다. 지수 p가 감소 곡선의 모양을 정한다. 이름과 달리 구현에서는 p를 정수가 아닌 양수로 설정할 수도 있다.
학습률 코사인 감쇠
학습률 코사인 감쇠는 정해진 구간에서 코사인 곡선의 절반을 따라 학습률을 낮추는 스케줄이다. 시작 학습률과 최저 학습률, 감쇠할 단계 수를 정한다. 학습률을 다시 올리는 재시작이나 초반에 올리는 워밍업은 별도 규칙이다.
미국 농업의 자연 조건
미국 중서부의 비옥한 초원 토양과 완만한 지형은 대규모 경작에 유리하다. 다만 지역별 기후 차이가 크며, 농업의 생산 기반과 미국 전체 경제 규모는 구분해서 살펴야 한다.
학습률 지수 감쇠
학습률 지수 감쇠는 학습 단계가 진행될수록 기본 학습률에 일정한 비율을 반복 적용하는 스케줄이다. 일정한 양을 빼는 선형 감소와 달리 비율에 따라 줄어든다. 연속형과 계단형 규칙을 구분할 수 있다.
가우스 잡음 층
가우스 잡음 층은 신경망 학습 중 입력이나 중간 활성값에 평균이 0인 정규분포 잡음을 더하는 구성 요소다. 값에 작은 변동을 주는 정칙화나 자료 증강의 한 형태로 사용할 수 있다. 일반적인 추론에서는 잡음을 더하지 않는다.
공간 드롭아웃
공간 드롭아웃은 특징 지도의 개별 원소 대신 채널 전체에 같은 제거 마스크를 적용하는 정칙화 방법이다. 한 채널의 공간 위치들을 함께 남기거나 함께 0으로 만든다. 일반적인 이차원 구성에서는 입력의 형태를 유지한다.
양방향 순환 신경망
양방향 순환 신경망은 입력 순서를 앞에서 뒤로 처리하는 경로와 뒤에서 앞으로 처리하는 경로를 함께 사용하는 구조다. 각 위치에서 앞쪽 문맥과 뒤쪽 문맥을 결합할 수 있다. 두 방향의 계산 결과를 어떻게 합칠지도 모델의 일부다.
유튜브 음악 모음과 Content ID
음악 영상이 공개되어 있다는 사실과 업로더가 광고 수익을 받는다는 사실은 다르다. Content ID의 권리자 정책과 채널의 재사용 콘텐츠 심사를 구분한다.
GRU
GRU는 갱신 게이트와 리셋 게이트로 은닉 상태를 조절하는 순환 신경망 구조다. 이름은 Gated Recurrent Unit에서 왔다. 대표적인 기본형은 LSTM처럼 별도의 셀 상태를 두는 대신 하나의 은닉 상태를 이어 갱신한다.
LSTM
LSTM은 셀 상태와 은닉 상태를 유지하며 게이트로 정보의 보존과 추가를 조절하는 순환 신경망 구조다. 이름은 Long Short-Term Memory에서 왔다. 단순 순환 신경망과 달리 상태의 흐름을 여러 게이트로 나누어 다룬다.
단순 순환 신경망
단순 순환 신경망은 현재 입력과 이전 은닉 상태를 함께 사용해 새 상태를 계산하는 순차 모델이다. 같은 갱신 규칙을 시간 위치마다 반복한다. 과거 정보는 은닉 상태를 통해 다음 단계에 전달된다.
잔차 연결
잔차 연결은 신경망에서 입력을 몇 개의 층을 거쳐 얻은 값에 더하는 연결 구조다. 기본 형태는 y=x+F(x)다. 변환 전체를 새로 만드는 대신 입력에 더할 변화 F를 학습하는 관점을 제공한다.
멀티헤드 어텐션
멀티헤드 어텐션은 여러 개의 어텐션 계산을 서로 다른 학습 투영으로 수행한 뒤 결과를 결합하는 방법이다. 각 헤드는 질의·키·값 표현을 따로 사용한다. 단일 가중합 하나로 정보를 모으는 대신 여러 표현 공간의 결과를 함께 활용한다.
내적 어텐션
내적 어텐션은 질의와 키의 내적으로 점수를 구하고, 그 점수에서 만든 가중치로 값들을 결합하는 방법이다. 입력마다 참조할 값의 비중을 다르게 만들 수 있다. 신경망에서 정보를 선택적으로 모으는 구성 요소로 사용한다.
플래튼 층
플래튼 층은 신경망에서 각 입력의 여러 특징 축을 하나의 긴 축으로 펼치는 구성 요소다. 값들을 평균내거나 골라내지 않고 배열 형태를 바꾼다. 일반적인 사용에서는 배치 축을 유지한다.
전치 합성곱
전치 합성곱은 합성곱의 선형 연산을 행렬로 나타냈을 때 그 전치에 대응하는 연산이다. 작은 특징 지도에서 더 큰 공간 형태의 출력을 만드는 데 쓰일 수 있다. 이름에 역방향 의미가 있어도 원래 입력을 복원하는 역연산과는 다르다.
깊이별 분리 합성곱
깊이별 분리 합성곱은 채널별 공간 처리와 채널 간 결합을 두 단계로 나누는 연산이다. 먼저 깊이별 합성곱을 적용하고 이어 1×1 점별 합성곱으로 채널을 섞는다. 공간 방향의 필터를 가로·세로로 분해하는 방식과는 다른 구분이다.
깊이별 합성곱
깊이별 합성곱은 입력 채널마다 별도의 공간 필터를 적용하는 연산이다. 서로 다른 입력 채널의 값을 한 출력 안에서 섞지 않는다는 점이 일반 합성곱과 다르다. Depthwise convolution이라고 한다.
합성곱 층
합성곱 층은 작은 필터의 가중치를 여러 위치에서 공유하며 입력 특징을 변환하는 신경망 구성 요소다. 위치 주변의 값들을 결합해 새 특징 지도를 만든다. 필터 크기, 이동 간격, 패딩과 채널 수가 출력의 형태를 정한다.
완전연결 층
완전연결 층은 입력 특징과 출력 특징 사이에 가중치 행렬을 두는 신경망의 기본 구성 요소다. 각 출력은 입력들의 가중합과 편향으로 계산하며 활성화 함수를 이어 적용할 수 있다. 밀집 층 또는 Dense layer라고도 한다.
타나시리 황후
원 순제의 황후로, 《원사》에 킵차크 출신 엘테무르의 딸로 기록된 인물이다.
임베딩 층
임베딩 층은 정수 식별자를 일정한 길이의 벡터로 바꾸는 신경망 구성 요소다. 단어나 항목의 번호에 대응하는 표의 행을 찾아 출력한다. 일반적인 학습형 임베딩에서는 이 표의 값도 손실에 따라 조정된다.
전역 평균 풀링
전역 평균 풀링은 특징 지도의 공간 위치 전체를 평균내어 채널마다 하나의 값으로 만드는 연산이다. 작은 창을 옮기는 평균 풀링과 달리 공간 영역 전체를 한 번에 요약한다. 배치의 서로 다른 입력이나 채널을 함께 평균내는 것은 아니다.
유심 없는 휴대전화의 분실 대응
유심을 빼도 남는 사진·계정과 Wi-Fi 연결을 구분하고, 안드로이드 원격 잠금·초기화의 조건과 한계를 설명한다.
평균 풀링
평균 풀링은 특징 지도의 일정한 영역에서 평균을 구해 대표값으로 사용하는 연산이다. 창을 이동하며 채널별로 처리한다. 최댓값 하나를 남기는 최대 풀링과 달리 창 안의 모든 값이 평균에 기여한다.
최대 풀링
최대 풀링은 신경망의 특징 지도에서 일정한 영역의 최댓값을 대표값으로 남기는 연산이다. 창을 이동하며 반복하고, 보통 공간 크기를 줄이는 데 사용한다. 입력 채널별로 처리하므로 여러 채널 중 하나만 고르는 연산과는 다르다.
RMSNorm
RMSNorm은 신경망의 활성값을 제곱평균제곱근으로 나누어 크기를 조절하는 정규화 방법이다. 평균을 먼저 빼는 층 정규화와 달리 중심화 단계를 생략한다. 일반적인 형태에서는 정규화 뒤 성분별 학습 배율을 곱한다.
그룹 정규화
그룹 정규화는 신경망의 채널을 여러 묶음으로 나누어 묶음별 평균과 분산으로 활성값을 변환하는 방법이다. 한 입력 안에서 통계를 계산하므로 다른 배치 표본의 값에 직접 의존하지 않는다. 채널을 몇 그룹으로 나누는지가 중요한 설정이다.
불교의 공양과 탁발 음식 규칙
탁발·발우공양·오후불식·육식 규정을 구분하고 한국 사찰음식과 팔리 율장의 차이를 설명한다.
배치 정규화
배치 정규화는 신경망 학습 중 배치에서 구한 평균과 분산으로 활성값을 변환하는 방법이다. 보통 채널이나 특징마다 통계를 계산한다. 학습에서는 현재 배치의 통계를, 일반적인 추론에서는 누적해 둔 통계를 사용하는 차이가 있다.
층 정규화
층 정규화는 신경망의 한 입력 안에서 지정한 특징들의 평균과 분산을 계산해 활성값을 변환하는 방법이다. 배치에 들어 있는 다른 입력들과 통계를 섞는 대신 각 입력을 독립적으로 처리한다. Layer normalization 또는 레이어 정규화라고 한다.
드롭아웃
드롭아웃은 신경망 학습 중 일부 활성값을 무작위로 0으로 만드는 정칙화 방법이다. 특정 활성값의 조합에 지나치게 의존하는 것을 줄이기 위해 사용한다. 일반적인 추론에서는 이 무작위 제거를 적용하지 않는다.
기울기 클리핑
기울기 클리핑은 학습 중 계산한 기울기가 정해진 크기를 넘을 때 줄이는 방법이다. 성분별 값을 제한하거나 기울기 벡터의 노름을 제한할 수 있다. 어떤 범위의 기울기를 함께 제한하는지에 따라 결과가 달라진다.
공소시효의 한자와 의미
공소시효(公訴時效)를 공소와 시효로 나누어 이해하고 고소·형의 시효와 구별하는 용어 해설이다.