# 계산 그래프 **계산 그래프Computational Graph)는 수학적 연산이나 함수의 계산 과정을 **방향성 그래프**(Directed Graph) 형태로 표현한 자료 구조입니다. 이는 인공지능, 특히 딥러 모델의 학습 과정에서 **전파**(Backpropagation)를율적으로 수행하기 위해 핵심적인 역할을 합니다. 계산 그래프는 입력값에서 출력...

# 텐서 ## 개요 **텐서**(Tensor)는 수학 및 컴퓨터 과학, 특히 머신러닝과 딥러닝 분야 핵심적인 개념, 다차원 배열 일반화한 수적 구조입니다 텐서는 스칼, 벡터,렬의 개념을 확장하여 N차원 데이터를 표현할 수 있으며, 현대 인공지능(AI) 시스템의 연산 기반을 이루는 중요한 **데이터 구조**입니다. 텐서는 주로 딥러닝 프레임워크(예: Te...

# 배치 정규화 개요 **배치 정규화**(Batch Normalization, 이하 배치정규화)는 딥러닝 모델의 학습 속도를 향상시키고, 학습 과정을 안정화하기 위해 제안된 기술이다. 2015년 세르게이 이고르(Sergey Ioffe)와 크리스티안 슈미트(CChristian Szegedy)가 발표한 논문 *"Batch Normalization: Acc...

# 풀링 ## 개요 **풀링**(Pooling)은 **합성곱 신경망**(CNN, Convolutional Neural Network)에서 핵심적인 역할을 하는 연산 기법으로, 주로 **공간적 계층 구조**를 형성하고 **특징 추출**을 돕는다. 이 기법은 입력 데이터(예: 이미지)의 공간적 차원(높이, 너비)을 축소하여 계산 효율성을 높이면서도 중요한 정...

# 드롭아웃 ## 개요 드롭아웃(Dropout)은 신경망 학습 과정에서 과적합(Overfitting)을 방지하기 위해 제안된 정규화(Regularization) 기법이다. 이 방법은 2012년 Hinton과 동료들이 발표한 논문에서 처음 소개되었으며, 신경망의 일부 뉴런을 무작위로 제거하면서 학습을 진행하는 방식으로 네트워크의 일반화 성능을 향상시킨다. ...

# 미세조정 ## 개요 **미세조정**(Fine-tuning)은 사전 훈련된 머신러닝 모델을 특정 작업이나 도메인에 맞게 세부적으로 조정하는 기법입니다. 일반적으로 대규모 데이터셋으로 훈련된 모델(예: ImageNet, BERT)을 기반으로 하여, 새로운 작업에 필요한 작은 데이터셋으로 추가 훈련을 진행합니다. 이는 **전이 학습**(Transfer Le...

```markdown # GAN (Generative Adversarial Network) ## 개요 GAN(Generative Adversarial Network)은 2014년 Ian Goodfellow 등에 의해 제안된 딥러닝 모델로, 생성자(Generator)와 판별자(Discriminator)의 경쟁적 학습을 통해 데이터를 생성합니다. 주로 이미지...

# 완전 연결 층 ## 개요 완전 연결 층(Fully Connected Layer)은 인공지능(AI) 분야에서 신경망(Neural Network)의 핵심 구성 요소 중 하나로, 입력 데이터와 출력 데이터 간의 복잡한 관계를 모델링하는 데 사용됩니다. 이 층은 전층 연결 구조를 가지며, 모든 노드가 이전 계층의 모든 노드와 연결되어 있습니다. 일반적으로 신...

# 활성화 함수 ## 개요/소개 활성화 함수는 인공신경망(ANN)에서 입력 신호를 처리하여 출력을 생성하는 데 사용되는 핵심 요소입니다. 이 함수는 신경망이 비선형 관계를 학습할 수 있도록 하며, 단순한 선형 모델로는 해결 불가능한 복잡한 문제(예: 이미지 인식, 자연어 처리)를 해결하는 데 기여합니다. 활성화 함수의 선택은 네트워크 성능, 수렴 속도...

# 시그모이드 함수 ## 개요 시그모이드 함수(Sigmoid Function)는 **0에서 1 사이의 값을 출력**하는 비선형 활성화 함수로, 인공지능(AI) 및 머신러닝(ML) 분야에서 널리 사용됩니다. 이 함수는 로지스틱 회귀(Logistic Regression), 신경망(Neural Network) 등에서 **확률을 예측**하거나 **이진 분류(Bi...

# 드롭아웃 (Dropout) ## 개요 드롭아웃(Dropout)은 인공지능(AI) 분야에서 네트워크 과적합(overfitting)을 방지하기 위한 **정규화 기법**으로, 신경망의 훈련 중 일부 뉴런을 무작위로 비활성화하는 방법이다. 이 기법은 2014년 제프리 힌턴(Jeffrey Hinton) 등이 발표한 논문에서 처음 소개되었으며, 현재 딥러닝 모델...

# 딥러닝 ## 개요 딥러닝(Deep Learning)은 인공지능(AI)의 하위 분야로, 인간의 뇌 구조를 모방한 신경망(Neural Network)을 기반으로 데이터에서 복잡한 패턴을 학습하는 기술입니다. 2010년대 이후 컴퓨팅 파워와 대량 데이터의 확보로 급속히 발전하며, 컴퓨터 비전, 자연어 처리(NLP), 음성 인식 등 다양한 분야에서 혁신적인 ...

# 배치 크기 ## 개요 배치 크기(Batch Size)는 머신러닝 모델 훈련 중 **데이터 샘플을 한 번에 처리하는 수량**을 의미합니다. 이 값은 경사 하강법(Gradient Descent)과 같은 최적화 알고리즘에서 매개변수 업데이트의 주기를 결정하며, 모델 학습 속도, 메모리 사용량, 수렴 성능에 직접적인 영향을 미칩니다. 배치 크기는 일반...

# 학습률 ## 개요 학습률(Learning Rate)은 기계학습 모델이 손실 함수를 최소화하기 위해 파라미터를 업데이트할 때의 변화량을 결정하는 **핵심 하이퍼파라미터**입니다. 이 값은 모델의 학습 속도와 수렴 성능에 직접적인 영향을 미치며, 적절한 설정 없이는 과적합(overfitting)이나 수렴 실패(convergence failure)로 이어질...