AI 관련 연구실 정보
+AI에 쓰이는 단어들이 일반적인 영어랑 다른의미로 쓰이는 경우도 많고, 또는 다른 배경지식이 필요한 경우도 많아서
+인공지능을 처음 배우는 사람들에게, 혹은 다른 도메인을 공부하는 사람들에게 도움이되고자 한번 기획해서 추진하려고 합니다!
+원하는 단어를 찾는 방법은 ctrl + F 혹은 command + F를 눌러 검색기능을 활용해주세요.
| 영어 | +준말 | +한글 | +부연 설명 | +
|---|---|---|---|
| accuracy | +ACC | +정확도 | ++ |
| action | ++ | 행동 | ++ |
| activation function | ++ | 활성화 함수 | ++ |
| active learning | ++ | 액티브 러닝 | ++ |
| AdaGrad | ++ | + | + |
| affine transformation | ++ | 아핀 변환 | ++ |
| agent | ++ | 에이전트 | ++ |
| agglomerative clustering | ++ | 병합 군집 | ++ |
| anomaly detection | ++ | 이상치 탐지 | ++ |
| area under the PR curve | +PR AUC | ++ | + |
| area under the ROC curve | +AUC | ++ | + |
| artificial general intelligence | +AGI | +인공일반지능 | ++ |
| artificial intelligence | +AI | +인공지능 | ++ |
| attention | ++ | 어텐션 | ++ |
| attribute | ++ | 속성 | ++ |
| attribute sampling | ++ | 속성 샘플링 | ++ |
| augmented reality | +AR | +증강 현실 | ++ |
| automation bias | ++ | 자동화 편향 | ++ |
| average precision | ++ | 평균 정밀도 | ++ |
| backbone | ++ | 백본 | ++ |
| backpropagation | ++ | 역전파 | ++ |
| bagging | ++ | 배깅 | ++ |
| batch | ++ | 배치 | ++ |
| batch normalization | +BN | +배치 정규화 | ++ |
| batch size | ++ | 배치 사이즈 | ++ |
| Bayesian neural network | ++ | 베이지안 신경망 | ++ |
| Bayesian optimization | ++ | 베이즈 최적화 | ++ |
| Bellman equation | ++ | 벨만 방정식 | ++ |
| Bidirectional Encoder Representations from Transformers | +BERT | +버트 | ++ |
| bias | ++ | 편향 | ++ |
| bidirectional | ++ | 양방향 | ++ |
| bidirectional language model | ++ | 양방향 언어 모델 | ++ |
| binary classification | ++ | 이진 분류 | ++ |
| binary condition | ++ | 이진 조건 | ++ |
| boosting | ++ | 부스팅 | ++ |
| bounding box | ++ | 경계 상자 | ++ |
| broadcasting | ++ | 브로드캐스팅 | ++ |
| bucketing | ++ | 버케팅 | ++ |
| candidate generation | ++ | 후보 생성 | ++ |
| candidate sampling | ++ | 후보 샘플링 | ++ |
| categorical data | ++ | 범주형 데이터 | ++ |
| centroid-based clustering | ++ | 중심 기반 클러스터링 | ++ |
| checkpoint | ++ | 체크포인트 | ++ |
| classification model | ++ | 분류 모델 | ++ |
| classification threshold | ++ | 분류 임계값 | ++ |
| clipping | ++ | 클리핑 | ++ |
| clustering | ++ | 클러스터링 | ++ |
| collaborative filtering | ++ | 협업 필터링 | ++ |
| computer vision | +CV | +컴퓨터 비전 | ++ |
| confirmation bias | ++ | 확증 편향 | ++ |
| confusion matrix | ++ | 혼동 행렬 | ++ |
| Continual Learning | ++ | + | 링크 | +
| convergence | ++ | 수렴 | ++ |
| convex function | ++ | 볼록 함수 | ++ |
| convex optimization | ++ | 볼록 최적화 | ++ |
| convex set | ++ | 볼록 집합 | ++ |
| convolution | ++ | 합성곱 | ++ |
| cost | ++ | 비용, 손실 | ++ |
| co-training | ++ | + | + |
| critic | +DQN | ++ | + |
| cross correlation | ++ | 교차상관관계 | ++ |
| cross entropy error | +CEE | +교차 엔트로피 오차 | ++ |
| cross validation | ++ | 교차 검증 | ++ |
| data pre-processing | ++ | 데이터 전처리 | ++ |
| dropout | ++ | 드롭아웃 | ++ |
| end-to-end deep learning | ++ | 종단간 기계학습 | ++ |
| epoch | ++ | 에포크 | ++ |
| feature | ++ | 특징 | ++ |
| feature map | ++ | 특징 맵 | ++ |
| Few-Shot Learning | +FSL | +퓨샷러닝 | ++ |
| filter | ++ | 필터 | ++ |
| forward propagation | ++ | 순전파 | ++ |
| fully-connected | +FC | +완전연결 | ++ |
| gradient | ++ | 기울기 | ++ |
| gradient descent | +GD | +경사 하강법 | +optimizer |
+
| gradient vanishing | ++ | 기울기 소실 | ++ |
| grid search | ++ | 그리드 서치 | ++ |
| hyper parameter | ++ | 하이퍼파라미터 | ++ |
| identity function | ++ | 항등 함수 | +activation function |
+
| imbalanced dataset | ++ | 비대칭 데이터 | ++ |
| Incremental Learning | ++ | + | + |
| kernel | ++ | 커널 | ++ |
| learning rate | +lr | +학습률 | ++ |
| mini batch | ++ | 미니배치 | ++ |
| momentum | ++ | 모멘텀 | +optimizer |
+
| natural language processing | +NLP | +자연어처리 | ++ |
| normalization | ++ | 정규화 | ++ |
| one-hot encoding | ++ | 원-핫 인코딩 | ++ |
| optimization | ++ | 최적화 | ++ |
| optimizer | ++ | 옵티마이저 | ++ |
| overfitting | ++ | 오버피팅 | ++ |
| padding | ++ | 패딩 | ++ |
| parameter | ++ | 파라미터 | ++ |
| perceptron | ++ | 퍼셉트론 | ++ |
| pooling | ++ | 풀링 | ++ |
| random search | ++ | 랜덤 서치 | ++ |
| receptive field | ++ | 수용 영역 | ++ |
| rectified linear unit | +ReLU | +렐루 | +activation function |
+
| sigmoid | ++ | 시그모이드 | +activation function |
+
| softmax | ++ | 소프트맥스 | +activation function |
+
| standardization | ++ | 표준화 | ++ |
| stochastic gradient descent | +SGD | +확률적 경사 하강법 | +optimizer |
+
| stride | ++ | 스트라이드 | ++ |
| sum of squares for error | +SSE | +오차제곱합 | ++ |
| training | ++ | 학습 | ++ |
| transopose matrix | ++ | 전치 행렬 | ++ |
| weight | ++ | 가중치 | ++ |
| weight initialization | ++ | 가중치 초기화 | ++ |
| whitening | ++ | 백색화 | ++ |
1) 수학을 잘 해야하는 이유? +-> prml, deep learning, esl, mml과 같은 고전(?) 기계학습을 이해할 수 있음
+2) 본인 도메인에 대한 deeply한 이해 +-> 이건 뭐 설명하려면 입만 아픔,,(ㅈㅅ)
+3) 위 1,2번 이해해서 어디에 써먹나? +-> 최신의 트랜디한 논문과 ML모델을 이해할 수 있음
+4) 트랜디한 논문과 모델, 어디에 써먹나? +-> 자기가 풀고자 하는 문제를 해결하는데 어떤 모델을 활용하면 좋을 지 직관력이 생김, 그리고 국제학회에서 Accept하려면 트렌디한 모델을 잘 활용하는게 중요
+5) 노벨티는 어떻게 올리는 지? +-> 사실 1,2번과 이 노벨티 능력 키우려고 석사 3개 학기를 날린거 같은데,, 저희 지도교수님도 강조하셨고 노벨티 키우는 훈련을 하는게 좋은 학회에 억셉되는데 도움된다고 하셨음 +우선, '문제 해결'을 어떤 방식으로 하는 지가 중요한데, 단순히 쓰는 모델을 바꿔서 성능을 키우는 건 좋은 논문이 아님 (이건 아무나 내는 학회에나 효과있음) +(정말 제가 아무에게도 알려주지 않은) 팁을 드리자면 제가 1학년때 교양으로 '발명'에 대한 교양수업을 들은 적이 있는데 '트리즈 기법' 이라고 해서 40가지 발명 원리에 대한 내용이 있음. +예시로 분할, 추출, 통합, 비대칭, 중첩, 사전보상, 반대로하기, 차원변경, 주기적작용, 매개체, 복제,,, (기타등등 있지만 구글링 해서 찾아보시길) 이제 이걸 내가 풀고자 하는 연구에 적용해 보는 것임. +근데 아시다시피 문제에 위와같은 원리를 적용하려면 수학적인 지식이 필요하다고 생각함 (1, 2번과 같이 수학 및 도메인을 잘 해야하는 이유라고 생각함)
+위의 '트리즈 기법' 같은 경우는 최근에야 제가 생각한 방법임. (대학교 1학년때 우연히 들었던 교양이 이렇게 유익하게 다가올 지 몰랐음), 본인의 경우 이제야 이 원리(?)들을 깨우쳐서 5월에 국제 탑 컨퍼런스에 1저자로 제출할 계획임 :)
+ + + + + + + + + + + + + +