AI(인공지능) 용어집 머신러닝 딥러닝 NLP 기초용어

AI(인공지능)와 관련된 다양한 용어들이 있습니다. 중요한 AI 용어들을 간단하게 용어집으로 정리해 보았어요.

1. AI (Artificial Intelligence, 인공지능)

• 인간의 학습, 추론, 문제 해결, 언어 이해 등 지능적인 작업을 수행할 수 있는 시스템이나 프로그램을 의미합니다.

2. Machine Learning (기계 학습)

• AI의 하위 분야로, 명시적으로 프로그램되지 않은 작업을 데이터로부터 학습하고 성능을 개선하는 알고리즘을 의미합니다.

3. Deep Learning (심층 학습)

• 인공 신경망을 사용하여 데이터를 다층으로 처리하는 기계 학습의 한 형태로, 이미지 인식, 음성 인식, 자연어 처리 등에서 뛰어난 성과를 보여줍니다.

4. Neural Network (신경망)

• 인간의 뇌 신경망을 모방한 구조로, 여러 개의 노드(뉴런)가 계층적으로 연결되어 데이터를 처리하고 패턴을 학습하는 시스템입니다.

5. Supervised Learning (지도 학습)

• 입력 데이터와 해당하는 정답(레이블)이 주어진 상태에서 학습하는 방법으로, 주어진 정답을 예측하는 모델을 만듭니다.

6. Unsupervised Learning (비지도 학습)

• 레이블 없이 데이터의 패턴이나 구조를 학습하는 방법입니다. 주로 클러스터링, 차원 축소 등에 사용됩니다.

7. Reinforcement Learning (강화 학습)

• 보상 신호를 통해 에이전트가 환경과 상호작용하며 최적의 행동을 학습하는 방법입니다. 주로 게임, 로봇공학 등에 활용됩니다.

8. Natural Language Processing (NLP, 자연어 처리)

• 인간의 언어를 이해하고 처리하는 AI의 한 분야로, 음성 인식, 번역, 문서 요약, 챗봇 등에 사용됩니다.

9. Computer Vision (컴퓨터 비전)

• 이미지나 비디오 데이터를 분석하여 정보를 추출하고 이해하는 AI 분야입니다. 얼굴 인식, 자율 주행 자동차 등에 응용됩니다.

10. Overfitting (과적합)

• 학습 모델이 훈련 데이터에 너무 맞춰져서 새로운 데이터에 대한 예측 성능이 떨어지는 현상입니다.

11. Underfitting (과소적합)

• 학습 모델이 충분한 패턴을 학습하지 못해 훈련 데이터와 새로운 데이터 모두에서 성능이 낮은 상태를 의미합니다.

12. Bias (편향)

• 모델이 특정 방향으로 치우쳐 예측하는 경향을 의미하며, 데이터의 불균형이나 알고리즘의 설계 오류로 인해 발생할 수 있습니다.

13. Variance (분산)

• 모델이 훈련 데이터에 지나치게 맞춰져 다양한 새로운 데이터에서 성능이 급격히 변화하는 경향을 의미합니다.

14. Gradient Descent (경사 하강법)

• 손실 함수를 최소화하기 위해 모델의 매개변수를 조정하는 최적화 알고리즘으로, 기계 학습에서 자주 사용됩니다.

15. Backpropagation (역전파)

• 신경망에서 오류를 출력에서 입력으로 전파하여 가중치를 조정하는 학습 방법으로, 딥러닝에서 중요한 역할을 합니다.

16. Convolutional Neural Network (CNN, 합성곱 신경망)

• 이미지 데이터를 처리하는 데 주로 사용되는 신경망 구조로, 합성곱 계층과 풀링 계층으로 구성됩니다.

17. Recurrent Neural Network (RNN, 순환 신경망)

• 시퀀스 데이터(문장, 음성 등)를 처리하는 신경망 구조로, 이전 상태의 정보를 다음 상태로 전달해 시계열 데이터를 학습할 수 있습니다.

18. Transfer Learning (전이 학습)

• 이미 학습된 모델을 바탕으로 새로운 문제에 맞춰 적응시키는 학습 방법으로, 적은 양의 데이터로도 높은 성능을 낼 수 있습니다.

19. GAN (Generative Adversarial Network, 생성적 적대 신경망)

• 두 개의 신경망(생성자와 판별자)이 서로 경쟁하며 학습하는 구조로, 새로운 데이터를 생성하는 데 사용됩니다. 예: 이미지 생성.

20. Tokenization (토크나이징)

• 텍스트 데이터를 분석하기 위해 단어나 문장을 토큰(작은 단위)으로 나누는 작업입니다. NLP의 기초 과정 중 하나입니다.

21. Pretraining (사전 학습)

• 대규모 데이터셋에서 미리 학습된 모델을 사용해 특정 작업에 적응시키는 과정입니다. BERT, GPT 같은 NLP 모델들이 대표적입니다.

22. Hyperparameter (하이퍼파라미터)

• 학습 과정에서 직접 설정해야 하는 파라미터로, 학습률, 배치 크기, 은닉층의 수 등이 있습니다. 모델의 성능에 큰 영향을 미칩니다.

23. Epoch (에포크)

• 전체 훈련 데이터를 한 번 학습하는 과정으로, 모델이 데이터를 얼마나 많이 학습했는지 나타내는 단위입니다.

24. Loss Function (손실 함수)

• 모델이 예측한 값과 실제 값의 차이를 계산하여 성능을 평가하는 함수로, 이 값을 최소화하기 위해 모델을 학습시킵니다.

25. Autoencoder (오토인코더)

• 입력 데이터를 압축하여 특성을 추출하고, 이를 기반으로 원래 데이터를 재구성하는 신경망 구조입니다. 차원 축소, 노이즈 제거 등에 사용됩니다.

26. Turing Test (튜링 테스트)

• 컴퓨터가 인간과 얼마나 비슷하게 대화할 수 있는지를 평가하는 테스트로, 컴퓨터가 사람처럼 인식되면 통과한 것으로 간주됩니다.

이 용어들은 AI에 대한 기본적인 이해를 돕는 주요 개념들입니다.