용어집

학습 데이터는 머신러닝 모델 개발의 기본 구성 요소입니다.이는 모델을 학습하는 데 사용되는 데이터세트로 구성되며, 이를 통해 모델을 학습하고, 예측하거나, 작업을 수행할 수 있습니다.이 데이터에는 레이블이 지정되어 있습니다. 즉, 입력 데이터와 해당하는 올바른 출력 또는 분류가 모두 포함됩니다.학습 데이터의 품질과 양은 머신러닝 모델의 성능과 정확성에 큰 영향을 미칩니다.

교통 관리 시스템 (TMS) 은 도로망 내 교통 흐름을 모니터링, 제어 및 최적화하여 안전, 효율성 및 환경 지속 가능성을 보장하도록 설계된 포괄적인 프레임워크입니다.TMS는 첨단 기술, 데이터 기반 인사이트 및 조정된 전략을 결합하여 도시와 교통 당국이 도시화, 혼잡 및 도로 안전과 같은 증가하는 문제를 해결할 수 있도록 합니다.

기술적 특이점은 기술 성장이 통제할 수 없고 되돌릴 수 없게 되어 인류 문명에 예측할 수 없는 변화를 가져오는 가상의 미래 시점입니다.이 개념에는 인간의 지능을 능가하는 초지능 기계 또는 AI의 개발이 포함되는 경우가 많으며, 이는 잠재적으로 과학, 기술 및 사회의 급속한 발전으로 이어질 수 있습니다.특이점은 이 시점을 넘어서면 인간의 삶과 기술이 근본적으로 달라져 예측하거나 이해하기 어려울 것이라는 생각이 특징입니다.

시간 복잡도는 알고리즘이 실행되는 데 걸리는 시간을 입력 크기의 함수로 설명하는 데 사용되는 계산 개념입니다.이는 알고리즘의 효율성을 추정할 수 있는 방법을 제공합니다. 특히 입력값이 클수록 알고리즘이 확장되는 방식을 예로 들 수 있습니다.시간 복잡성은 특히 대규모 데이터 세트를 다루거나 코드의 속도를 최적화할 때 알고리즘의 성능을 평가하고 비교하는 데 매우 중요합니다.

시간차 (TD) 학습은 몬테카를로 방법과 동적 프로그래밍의 아이디어를 결합하는 강화 학습 기법입니다.연속적인 예측 간의 차이를 기반으로 값 추정치를 업데이트하여 시스템의 미래 보상을 예측하는 데 사용됩니다.TD 학습은 학습 에이전트가 현재와 미래의 경험을 바탕으로 시간이 지남에 따라 순차적으로 결정을 내려야 하는 시나리오에서 매우 중요합니다.

시계열 데이터는 일정한 시간 간격으로 수집되거나 기록되는 일련의 데이터 포인트입니다.시계열 데이터는 다른 유형의 데이터와 달리 관측치의 시간 순서가 특징이므로 시간 경과에 따른 추세, 계절 패턴, 시간적 동태를 분석하는 데 필수적입니다.이러한 유형의 데이터는 금융, 경제, 기상학 등 시간에 따른 변화를 모니터링하고 예측하는 것이 중요한 모든 분야에서 널리 사용됩니다.

시계열 분석은 시간 경과에 따라 일정한 간격으로 수집된 시간 순서의 데이터 포인트를 분석하는 데 사용되는 통계 기법입니다.시계열 분석의 목적은 추세, 계절성, 주기와 같은 패턴을 식별하여 미래 가치를 예측하는 데 사용할 수 있습니다.이 방법은 금융, 경제, 기상학 등 다양한 분야에서 필수적이며 시간이 지남에 따라 데이터가 순차적으로 기록되는 모든 영역에서 필수적입니다.

형식 시스템은 데이터 유형을 분류하고 데이터 유형이 상호 작용하는 방식을 정의하는 프로그래밍 언어 내의 공식 프레임워크입니다.호환되는 데이터 유형에 대해 프로그램 작업이 수행되도록 하여 컴파일이나 런타임 중에 유형 관련 오류를 방지하는 데 도움이 됩니다.형식 시스템은 함수, 변수 및 표현식의 사용 방법에 대한 규칙을 적용하므로 코드 안전성, 유지 관리 용이성 및 안정성을 개선하는 데 도움이 됩니다.

이론적 컴퓨터 과학은 컴퓨팅의 수학적 및 추상적 기초에 초점을 맞춘 컴퓨터 과학의 한 분야입니다.여기에는 컴퓨터 시스템과 소프트웨어를 설계하고 분석하기 위한 기초를 형성하는 알고리즘, 계산 복잡성, 오토마타 이론, 공식 언어 및 기타 기본 개념에 대한 연구가 포함됩니다.이론적 컴퓨터 과학은 계산할 수 있는 것의 한계, 계산 효율성을 얼마나 효율적으로 수행할 수 있는지, 계산을 지배하는 기본 원리를 이해하는 것을 목표로 합니다.

전송 주석은 머신러닝 및 데이터 과학에서 사용되는 방법으로, 주석이 달린 데이터셋 (주로 레이블이 지정된 대규모 데이터세트) 의 지식을 사용하여 일반적으로 크기가 작거나 레이블이 덜 지정된 다른 데이터세트의 주석을 지원합니다.이 접근 방식은 기존 레이블이 지정된 데이터를 활용하여 특히 이미지 인식, 자연어 처리 및 수동 주석에 많은 시간과 비용이 소요될 수 있는 기타 영역에서 새 데이터에 주석을 추가하는 작업의 효율성과 정확성을 개선합니다.

전이 학습은 머신 러닝의 강력한 기법으로, 한 작업을 위해 개발된 모델을 다른, 하지만 관련된 작업에 대한 모델의 출발점으로 재사용합니다.이 접근 방식은 레이블링된 데이터의 양이 제한된 상황에서 특히 유용하며, 이를 통해 한 영역에서 다른 영역으로 지식을 이전할 수 있어 학습 프로세스의 효율성과 효과가 향상됩니다.

위양성이라고도 하는 제1종 오류는 통계적 가설 검정에서 연구자가 실제로 참인 귀무가설을 기각할 때 발생합니다.간단히 말해서, 실제로는 효과나 차이가 없는데도 효과가 있거나 차이가 있다는 결론을 내리는 것을 의미합니다.이러한 유형의 오류는 제1종 오류를 범할 확률인 검정의 유의 수준 (알파, α) 과 관련이 있습니다.

위음성이라고도 하는 제2종 오류는 통계적 가설 검정에서 연구자가 실제로는 거짓인 귀무가설을 기각하지 못할 때 발생합니다.즉, 효과나 차이가 실제로 존재하는데 효과가 없거나 차이가 없다는 결론을 내리는 것을 의미합니다.이러한 유형의 오류는 제2종 오류가 발생할 확률과 관련이 있으며 베타 (β) 로 표시됩니다.

실제 정량화된 부울 공식 (TQBF) 은 모든 변수가 (보편적이든 실존적이든) 정량화되고 공식은 참으로 평가되는 일종의 논리식입니다.TQBF는 이론적인 컴퓨터 과학, 특히 계산 복잡성 연구에서 중요한 개념입니다.정량화된 부울 공식이 참인지 여부를 결정하는 문제를 TQBF 문제라고 하는데, 이 문제는 PSpace-complete 문제입니다. 즉, 다항식 메모리를 사용하여 풀 수 있는 가장 어려운 문제 중 하나입니다.

머신 러닝 및 데이터 과학의 관점에서 테스트 데이터는 학습된 모델의 성능을 평가하는 데 사용되는 데이터의 하위 집합을 의미합니다.모델을 학습하는 데 사용되는 학습 데이터와 달리 테스트 데이터는 모델이 보이지 않는 새로운 데이터에 얼마나 잘 일반화되는지 평가하는 데 사용됩니다.테스트 데이터에 대한 모델 예측의 정확성과 신뢰성은 모델의 효과와 잠재적인 실제 성능에 대한 통찰력을 제공합니다.

텐서 네트워크 이론은 물리학 및 컴퓨터 과학에서 텐서라고 하는 고차원 데이터 구조를 효율적으로 표현하고 조작하는 데 사용되는 수학적 프레임워크입니다.텐서는 행렬을 다차원으로 일반화한 것으로, 텐서 네트워크는 상호 연결된 텐서 네트워크를 사용하여 이러한 복잡한 구조를 분해하고 표현할 수 있는 방법을 제공합니다.이 이론은 양자 물리학, 특히 양자 다물체 시스템 연구와 기계 학습 및 데이터 과학에서 특히 유용합니다.

TensorFlow는 Google에서 개발한 오픈 소스 머신러닝 프레임워크로, 개발자가 머신러닝 모델을 구축, 교육, 배포할 수 있도록 합니다.딥러닝 및 기타 고급 머신러닝 알고리즘을 쉽게 구현할 수 있는 도구, 라이브러리, 커뮤니티 리소스로 구성된 포괄적인 에코시스템을 제공합니다.TensorFlow는 이미지 인식, 자연어 처리, 예측 분석을 비롯한 다양한 애플리케이션에 널리 사용됩니다.

원격 운영이란 사람이 기계, 차량 또는 로봇 시스템을 원격으로 제어하는 것을 말합니다.이 기술을 통해 운영자는 시스템에 명령을 전송하고 센서, 카메라 및 기타 장치를 통해 실시간 피드백을 수신하여 위험하거나 접근할 수 없거나 멀리 떨어져 있는 환경에서 작업을 수행할 수 있습니다.원격 운영은 인간의 지능과 의사 결정을 기계 기능과 결합하여 인간의 존재와 행동을 원격 위치까지 확장합니다.

토큰화는 텍스트를 토큰이라는 더 작은 단위로 변환하는 프로세스입니다.이러한 토큰은 필요한 세분성에 따라 단어, 문구 또는 문자일 수 있습니다.토큰화는 기계 학습 모델에서 보다 쉽게 처리할 수 있는 형식으로 텍스트를 변환하는 자연어 처리 (NLP) 의 기본 단계입니다.

주제 모델링은 문서 모음에서 발생하는 추상적인 주제 또는 주제를 발견하는 데 사용되는 통계 모델의 한 유형입니다.텍스트 데이터 내에서 단어의 패턴을 식별하는 데 도움이 되는 비지도 머신 러닝 기법으로, 이를 그룹화하여 주제를 구성할 수 있습니다.이러한 주제는 문서의 기본 주제에 대한 통찰력을 제공하므로 자연어 처리 (NLP), 정보 검색 및 콘텐츠 분류와 같은 영역의 텍스트 분석을 위한 강력한 도구가 될 수 있습니다.

튜링 테스트는 인간과 구별할 수 없는 지능적 행동을 나타내는 기계의 능력을 측정하는 것입니다.1950년 영국의 수학자이자 컴퓨터 과학자인 앨런 튜링 (Alan Turing) 이 제안한 이 테스트는 평가자가 대화만으로는 기계와 사람을 확실하게 구별할 수 없는 방식으로 기계가 인간 평가자와 대화에 참여할 수 있는지 여부를 평가합니다.