암기장

📚 머신러닝·수학·컴퓨팅 단어장 (Midterm Vocabulary)

학습 팁 : 카테고리별로 🔖 플래시카드를 만들고 하루 5‑10개씩 Spaced Repetition(반복 간격 학습)을 돌리세요.

---

🧠 머신러닝 & 딥러닝 기본 용어

용어 간단 정의

Machine Learning	명시적 프로그래밍 없이 데이터로부터 패턴을 학습해 예측·판단을 수행하는 방법론 전체
Deep Learning	다층 인공신경망(딥 NN)을 사용해 특징과 의사결정을 동시에 학습하는 ML 하위 분야
Model	입력 → 출력을 매핑하는 수학·계산 함수 f(x)
Task	모델이 해결해야 할 문제 유형 (예: 분류·회귀)
Prediction	학습된 모델이 새로운 입력에 대해 산출한 결과값
Classification	입력을 이산적 카테고리로 구분하는 작업 (스팸/햄 등)
Regression	입력을 연속적 실수 값으로 매핑하는 작업 (집값 예측 등)
Supervised Learning	입력·정답(레이블) 쌍으로 학습하는 방법
Unsupervised Learning	레이블 없이 데이터 구조를 찾는 학습 (군집화 등)
Overfitting	학습 데이터에는 과적합해 성능↑, 미지 데이터에는 성능↓ 현상
Underfitting	모델이 너무 단순해 학습 데이터조차 설명 못하는 상태
Generalization	보지 않은 데이터에서도 성능을 유지하는 능력
Loss Function	모델 예측 vs 정답 차이를 수치화한 함수 (MSE, CE 등)
Accuracy	전체 예측 중 정답 비율 (분류 성능 지표)
Error Rate	1 – Accuracy, 오분류율
Training Data	파라미터 학습에 사용되는 데이터 셋
Test Data	모델 일반화 성능을 검증하는 미지 데이터 셋
Evaluation	성능 지표로 모델을 정량 평가하는 과정
Function / Mapping	입력 → 출력을 대응시키는 수학 규칙
Feature	원본 데이터에서 추출한 의미 있는 설명 변수
Feature Space	특징 벡터가 사는 고차원 공간
Label	지도 학습에서 정답 정보 (클래스·값)
Input / Output	모델의 입력 변수 x, 출력 변수 y
Noise	데이터·관측에 포함된 무작위 오차 또는 잡음
Performance	모델이 과업을 수행하는 품질 (정확도, RMSE 등)
Representation	데이터의 내부 표현(벡터, 은닉 상태 등)
Abstraction	불필요한 세부를 제거하고 핵심 구조만 표현
Algorithm	문제 해결 절차·순서(프로그램)
Learning	모델 파라미터를 최적화해 성능을 개선하는 과정
Data Distribution	데이터가 따르는 확률 분포

---

🧮 수학 기초

📐 선형대수 (Linear Algebra)

용어 정의(핵심)

Linear Algebra	벡터·행렬·선형 변환을 다루는 수학 분야, ML의 언어
Scalar	단일 실수 값 (0‑차 텐서)
Vector	1‑D 수열, n‑차원 좌표 (1‑차 텐서)
Matrix	2‑D 수 배열 (행 × 열)
Tensor	n‑차원 일반화 배열
Dimension	공간의 축 개수 또는 벡터 길이 n
Transpose (ᵀ)	행·열을 뒤바꾸는 연산
Dot / Inner Product	두 벡터의 요소별 곱의 합 → 스칼라
Outer Product	x yᵀ : 두 벡터를 곱해 행렬 생성
Matrix Multiplication	(m×n)(n×p) → m×p 선형 조합 연산
Hadamard Product	동일 크기 행렬의 요소별 곱 ∘
Identity Matrix I	대각 1, 나머지 0 → 단위 변환
Inverse Matrix A⁻¹	AA⁻¹ = I 를 만족, 선형 방정식 해 구하기
System of Equations	Ax = b 형태 연립선형방정식
Linear Combination	스칼라 가중합으로 벡터 생성 Σαᵢvᵢ
Span	벡터 집합이 생성하는 모든 선형 조합 공간
Column Space	행렬 열벡터가 생성하는 Span (= Range)
Rank	열(또는 행) 선형독립 개수 → 공간 차원
Singular Matrix	역행렬이 존재하지 않는 행렬 (det=0)
Orthogonal	내적 0 → 수직 관계
Orthonormal	내적 0 + 길이 1 벡터 집합
Symmetric Matrix	Aᵀ = A
Diagonal Matrix	비대각 원소 0 행렬
Unit Vector	노름 1 벡터 (ê)
Projection	벡터를 부분공간으로 사영하는 선형 변환
Eigendecomposition	A = VΛV⁻¹, 고유값·고유벡터 분해
Eigenvalue λ	Av = λv 를 만족하는 스칼라
Eigenvector v	선형 변환 후 방향 불변 벡터
Positive Definite	모든 v≠0 에 vᵀAv > 0 행렬
Positive Semidefinite	vᵀAv ≥ 0 행렬
SVD	A = UΣVᵀ, 직사각 행렬 분해
Frobenius Norm	행렬 요소 제곱합의 루트
L0/L1/L2 Norm	요소 개수/절댓값합/유클리드 길이
Max Norm	요소 절댓값의 최댓값

🎲 확률·통계 (Probability Theory)

용어 정의(핵심)

Probability Theory	불확실성·무작위 현상을 수량화하는 수학
Random Variable (RV)	실험 결과를 수로 매핑한 변수 X
Sample Space S	가능한 모든 결과 집합
Event	관심 있는 결과들의 부분집합
PMF	이산 RV 확률 질량 함수 P(X=x)
PDF	연속 RV 확률 밀도 함수 p(x)
Marginal Probability	일부 RV만 남기고 나머지 적분/합산
Conditional Probability	P(A
Independence	P(A,B)=P(A)P(B) 이면 독립
Expectation E[X]	가중 평균, 분포의 중심
Variance Var[X]	평균으로부터 제곱편차의 기대값
Standard Deviation σ	√Var : 산포 정도
Covariance	두 RV 선형 상관 정도 Cov[X,Y]
Prior	사전 확률 P(θ)
Posterior	사후 확률 P(θ
Likelihood	P(D
Bayes’ Theorem	Posterior ∝ Prior × Likelihood / Evidence
Uniform Distribution	모든 값이 동일 확률
Bernoulli Distribution	0/1 단일 시행 분포
Binomial Distribution	Bernoulli n 회 성공 횟수 분포
Gaussian / Normal	종형 연속 분포 N(μ,σ²)
Standard Normal	μ=0, σ=1 정규 분포
Central Limit Theorem	표본평균은 n→∞ 시 정규로 수렴
Law of Large Numbers	반복 시 상대빈도 → 참 확률 수렴

---

💻 컴퓨팅·프레임워크

용어 정의(핵심)

PyTorch	Python 기반 딥러닝 라이브러리 (Autograd, GPU)
NumPy	배열·선형대수 연산 기본 패키지
TensorFlow	구글 딥러닝 프레임워크 (그래프 실행)
MXNet	AWS 지원 다중 언어 딥러닝 프레임워크
Python	ML 스크립트 언어, 광범위 생태계
Implementation	알고리즘을 실제 코드로 작성
Visualization	데이터·결과를 그래픽으로 표현
Code	소스 프로그램
Training	데이터로 파라미터 최적화 과정
Experiment	하이퍼파라미터·모델 비교 실험
Software Framework	공통 기능을 제공하는 개발 뼈대
Easy to Install	패키지 관리로 간단 설치 가능
Laptop Try out	로컬 CPU/GPU로 소규모 실험 가능

---

📊 모델·기법

용어 정의(핵심)

Linear Model	출력이 입력 선형 결합으로 표현되는 모델
Parametric Model	고정 길이 파라미터로 모델 정의 (선형, NN 등)
Nonparametric Model	데이터 수에 따라 모델 복잡도 변하는 기법 (k‑NN 등)
Perceptron	단층 선형 분류기, sgn(wᵀx+b)
SVM	최대 마진 선형·커널 분류기
k‑NN	가장 가까운 k개 이웃 다수결 분류
Naive Bayes	특성 독립 가정 Bayes 분류기
Decision Tree	정보 이득 기반 분기식 분류·회귀 모델
Random Forest	다수 Tree 배깅 앙상블
Neural Network	계층적 가중 합·비선형 활성 함수 모델
Feedforward NN	순전파만 존재하는 일반 NN
Backpropagation	연쇄 미분으로 가중치 그래디언트 계산
Gradient Descent	손실 최소화를 위한 반복 최적화
CNN	합성곱 필터로 공간 특성 추출 NN
Regularization	과적합 방지를 위한 제약(L2, Dropout 등)
Ensemble	여러 모델 결합해 성능·안정성 향상
Bagging	데이터 샘플 부트스트랩 + 평균
Boosting	오분류 가중치 ↑ 순차 학습(Adaboost, GBM)

---

🧩 기타 핵심 일반 용어

용어 정의(핵심)

Abstraction	복잡성을 줄여 본질적 구조만 표현
Reasoning	논리적 추론 과정
Uncertainty	결과의 불확실성·무작위성
Sample	관측치 한 개 (데이터 포인트)
Dataset	샘플들의 집합, 학습·검증에 사용
Input Space	입력 변수들이 형성하는 공간 ℝᵈ
Output Space	출력(목표) 변수가 형성하는 공간
Dimension Reduction	고차원 → 저차원 특징 축소 (PCA 등)
Task Complexity	문제 난이도·모델 필요 표현력
Discrete / Continuous	값이 이산적/연속적 특성
Real‑Valued	실수 범위 값을 갖는
Multivariate / Univariate	출력 변수 다변량/단변량
Multivariable / Univariable	입력 변수 다특성/단특성

---

✏️ 활용 가이드

1. Active Recall : 표 가리고 용어 → 정의, 정의 → 용어 양방향 퀴즈.
2. Spaced Repetition : 1‑3‑7‑14일 간격으로 복습.
3. 예제 연결 : 각 용어에 수업 슬라이드·문제 예시를 붙여 맥락 학습.
4. 오답 노트 : 헷갈리는 개념은 하이라이트 후 추가 메모.

화이팅! 필요 시 특정 용어 추가 설명·수식 유도·코드 예제 요청해줘 😊