ㅁ Optimizer ㅇ 정의: 최적화를 통해 손실 함수를 최소화하거나 성능을 최대화하기 위해 사용하는 알고리즘. ㅇ 특징: – 학습 속도를 높이고, 손실 함수의 최솟값에 더 빨리 도달하도록 지원. – 다양한 하이퍼파라미터 튜닝이 필요. ㅇ 적합한 경우: – 대규모 데이터셋에서 빠른 수렴이 필요한 경우. – 복잡한 신경망 구조에서 학습 성능을 높이고자 할 때. ㅇ 시험 함정: –
ㅁ 아키텍처/블록 ㅇ 정의: – 아키텍처/블록은 딥러닝 모델의 구조적 요소로, 모델의 성능과 효율성을 결정짓는 핵심 구성 단위입니다. ㅇ 특징: – 반복적이고 모듈화된 설계가 가능하며, 다양한 문제에 맞게 조합 및 조정될 수 있습니다. ㅇ 적합한 경우: – 복잡한 입력 데이터를 처리하거나, 특정 패턴을 학습해야 하는 문제에서 효과적입니다. ㅇ 시험 함정: – 아키텍처의 역할과 구현 목적을 혼동하거나,
ㅁ 아키텍처/블록 ㅇ 정의: – 신경망에서 데이터 분포를 정규화하여 학습 안정성을 높이는 기법. ㅇ 특징: – Batch Normalization과 달리 배치 크기에 의존하지 않으며, 이미지 스타일 변환 작업에서 자주 사용됨. – 각 채널별로 독립적으로 평균과 분산을 계산하여 정규화 수행. ㅇ 적합한 경우: – 스타일 변환, 이미지 생성 모델 등에서 데이터 배치 크기가 작거나 불규칙한 경우. ㅇ
ㅁ 아키텍처/블록 ㅇ 정의: 신경망의 아키텍처 설계에서 사용되는 구성 요소로, 정보의 흐름과 연산 방식을 결정하는 구조적 단위. ㅇ 특징: – 데이터 처리의 효율성과 정확도를 좌우하는 핵심 요소. – 다양한 블록 설계로 모델의 성능을 최적화 가능. ㅇ 적합한 경우: – 특정 문제에 맞춘 신경망 설계가 필요한 경우. – 모델의 성능을 개선하거나 새로운 기능을 추가하고자 할 때.
ㅁ 아키텍처/블록 ㅇ 정의: 신경망 아키텍처에서 특정 기능을 수행하는 모듈이나 구성 요소를 의미하며, 다양한 블록과 활성화 함수가 포함될 수 있음. ㅇ 특징: – 특정 작업에 최적화된 구조로 설계됨. – 모듈화되어 있어 재사용 가능성이 높음. – 다양한 활성화 함수와 결합하여 성능을 향상시킴. ㅇ 적합한 경우: – 복잡한 신경망 설계 시 모듈화된 접근이 필요한 경우. – 특정
ㅁ 아키텍처/블록 ㅇ 정의: – 신경망의 구조적 요소로, 모델의 성능과 효율성을 결정짓는 구성 요소. ㅇ 특징: – 모델의 계층적 설계와 데이터 흐름을 정의하며, 다양한 블록과 활성화 함수가 포함됨. ㅇ 적합한 경우: – 특정 작업에 맞는 모델 최적화를 위해 설계된 경우. ㅇ 시험 함정: – 블록의 역할과 활성화 함수의 차이를 혼동하는 경우. ㅇ 시험 대비 “패턴
ㅁ 백본/구성 ㅇ 정의: 백본/구성은 컴퓨터 비전 모델에서 특징 추출 및 학습 구조를 설계하는 데 사용되는 핵심 아키텍처를 의미함. 다양한 백본과 구성 요소는 특정 문제에 적합한 성능을 발휘하도록 설계됨. ㅇ 특징: – 다양한 데이터셋과 문제 유형에 따라 맞춤형 설계 가능 – 일반적으로 CNN 계열의 네트워크가 주로 사용됨 – 모델의 성능과 복잡도 간의 균형이 중요 ㅇ
ㅁ GNN/임베딩 ㅇ 정의: 그래프 데이터를 처리하고 학습하기 위한 딥러닝 모델로, 노드, 엣지, 그래프 수준의 임베딩을 생성. ㅇ 특징: 그래프 구조를 활용하여 관계 및 연결성을 학습하며, 비유클리드 데이터에 적합. 다양한 그래프 유형(예: 유향, 무향)에 적용 가능. ㅇ 적합한 경우: 소셜 네트워크 분석, 지식 그래프, 추천 시스템, 화학 분자 구조 분석 등 그래프 형식의 데이터가 주어질
ㅁ GNN/임베딩 ㅇ 정의: 그래프의 구조적 정보를 벡터 공간으로 변환하여 노드 간의 관계를 학습하는 기술. ㅇ 특징: – 노드 간의 유사성을 벡터로 표현 가능. – 그래프 데이터의 구조적 특성을 보존. – 다양한 그래프 기반 응용에 활용 가능. ㅇ 적합한 경우: – 소셜 네트워크 분석. – 추천 시스템에서의 사용자-아이템 관계 분석. – 지식 그래프에서의 엔티티 간
ㅁ 토큰/평가 ㅇ 정의: – 텍스트를 작은 단위로 분리하여 처리하거나 분석하는 과정, 또는 이를 평가하는 방법론. ㅇ 특징: – 자연어 처리에서 필수적인 전처리 단계로, 텍스트 데이터를 숫자로 변환하기 위한 기반을 제공함. – 평가 지표는 모델의 성능을 정량적으로 나타내는 데 사용됨. ㅇ 적합한 경우: – 대규모 텍스트 데이터를 처리할 때. – 모델의 성능 비교가 필요한 경우.