1. 인공지능 (Artificial Intelligence, AI)
- 정의: 컴퓨터가 인간처럼 사고하고 학습하며 문제를 해결할 수 있는 능력을 의미합니다.
- 설명: 인공지능은 기계가 인간의 인지능력을 모방하여 주어진 데이터를 기반으로 최적의 결정을 내리는 기술을 말합니다. 주로 머신러닝과 딥러닝으로 나누어집니다.
- 참고 링크: [인공지능 개념 및 역사](https://www.ibm.com/kr-ko/topics/artificial-intelligence)
2. 머신러닝 (Machine Learning)
- 정의: 데이터를 기반으로 컴퓨터가 스스로 학습하여 점점 더 정확한 예측과 결정을 내리는 기술입니다.
- 설명: 머신러닝은 사람이 일일이 프로그래밍하지 않아도 모델이 데이터 패턴을 학습해 예측을 수행할 수 있도록 합니다. 지도학습, 비지도학습, 강화학습 등 다양한 학습 방식이 있습니다.
- 참고 링크: [머신러닝의 이해](https://www.tensorflow.org/resources/learn-ml?hl=ko)
3. 딥러닝 (Deep Learning)
- 정의: 인공신경망을 기반으로 한 고도화된 머신러닝 기술입니다.
- 설명: 딥러닝은 뇌의 신경 구조를 모방한 다층 신경망을 통해 이미지 인식, 자연어 처리와 같은 복잡한 문제를 해결하는 데 탁월한 성능을 보입니다.
- 참고 링크: [딥러닝 개념과 원리](https://www.ibm.com/cloud/learn/deep-learning)
4. 신경망 (Neural Network)
- 정의: 인간의 뇌를 모방한 알고리즘으로, 서로 연결된 ‘노드’로 구성됩니다.
- 설명: 신경망은 입력값을 여러 계층에 걸쳐 전달하여 출력을 만들어내며, 이 과정에서 학습을 통해 가중치를 조정하여 성능을 향상시킵니다.
- 참고 링크: [신경망 이해하기](https://www.expert.ai/blog/neural-networks/)
5. 자연어 처리 (Natural Language Processing, NLP)
- 정의: 인간 언어를 컴퓨터가 이해하고 처리할 수 있도록 하는 기술입니다.
- 설명: NLP는 번역, 감정 분석, 질의 응답 등 다양한 응용 분야에서 사용되며, 챗봇과 같은 언어 기반 AI 서비스에서 필수적인 기술입니다.
- 참고 링크: [NLP 기초 및 응용](https://www.sas.com/ko_kr/insights/analytics/what-is-natural-language-processing-nlp.html)
6. 강화학습 (Reinforcement Learning)
- 정의: 행동과 보상을 통해 학습하는 머신러닝의 한 종류입니다.
- 설명: 강화학습은 에이전트가 특정 환경에서 주어진 목표를 달성할 수 있도록 최적의 행동을 학습하는 방식입니다. 게임 AI, 로봇공학 등에서 많이 활용됩니다.
- 참고 링크: [강화학습 원리](https://towardsdatascience.com/reinforcement-learning-101-e24b50e1d292)
7. 전이학습 (Transfer Learning)
- 정의: 사전 학습된 모델을 기반으로 새로운 작업에 재사용하는 기술입니다.
- 설명: 전이학습은 기존 학습 모델을 활용하여 새로운 문제에 맞춰 일부 수정하는 방식으로, 주로 이미지나 언어 데이터에 활용됩니다.
- 참고 링크: [전이학습 개념과 적용](https://machinelearningmastery.com/transfer-learning/)
8. 모델 (Model)
- 정의: 특정 문제를 해결하기 위해 데이터로 학습한 결과물입니다.
- 설명: 모델은 주어진 데이터를 학습한 후 예측이나 분류와 같은 작업을 수행할 수 있습니다. AI 서비스에서 모델의 정확도는 사용자 경험에 직접적인 영향을 미칩니다.
- 참고 링크: [머신러닝 모델 이해하기](https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/)
9. 과적합 (Overfitting)
- 정의: 모델이 학습 데이터에 너무 지나치게 적합하여 새로운 데이터에 잘 일반화되지 않는 상태입니다.
- 설명: 과적합이 발생하면 모델이 새로운 데이터를 잘 예측하지 못해 성능이 저하됩니다. 데이터 양을 늘리거나 정규화를 통해 방지할 수 있습니다.
- 참고 링크: [과적합 방지 방법](https://www.kdnuggets.com/2020/10/overfitting-machine-learning.html)
10. 하이퍼파라미터 (Hyperparameter)
- 정의: 모델의 학습 프로세스에 영향을 미치는 설정 값입니다.
- 설명: 학습률, 에포크 수 등은 하이퍼파라미터에 속하며, 이 값들을 조정하여 모델 성능을 최적화할 수 있습니다.
- 참고 링크: [하이퍼파라미터 튜닝 기초](https://towardsdatascience.com/hyperparameter-tuning-c5619e7e6624)