딕셔너리 학습(Dictionary Learning)이란? AI에서 기본 패턴과 희소한 조합을 함께 배우는 방법
딕셔너리 학습은 데이터를 적은 기본 패턴의 조합으로 표현하도록 원자 사전과 표본별 코드를 함께 학습하는 비지도 방법입니다. 희소 코딩·OMP·희소 PCA·사전 학습과의 차이, 원자 수와 두 단계의 규제, 새 입력 변환·미니배치·근사 복원의 주의점을 설명합니다.
이웃 성분 분석(NCA)이란? AI에서 정답 라벨로 가까움의 기준을 학습하는 방법
이웃 성분 분석(NCA)은 정답 라벨을 이용해 같은 클래스의 사례가 가까워지도록 선형 변환을 학습하는 방법입니다. 확률적 이웃 선택·거리 행렬·출력 좌표의 뜻, KNN·PCA·LDA와의 차이, 성분 수·초기화·새 입력 변환과 평가 누수·계산 비용의 주의점을 설명합니다.
희소 주성분 분석(Sparse PCA)이란? AI에서 적은 변수로 설명되는 성분을 찾는 방법
희소 주성분 분석은 성분의 일부 계수를 0으로 만들어 적은 원본 변수로 설명되는 새로운 특징을 찾는 방법입니다. PCA·특징 선택·NMF와의 차이, alpha와 ridge_alpha, 비직교 성분의 변환, 미니배치의 특징 축 처리와 재구성·독립 평가의 주의점을 설명합니다.
정준 상관 분석(CCA)이란? AI에서 두 변수 묶음의 함께 움직이는 축을 찾는 방법
정준 상관 분석(CCA)은 같은 대상에서 얻은 두 변수 묶음의 선형 조합 사이 상관을 크게 만드는 방법입니다. PCA·PLS와의 차이, 정준 점수·가중치·투영의 뜻, 성분 수와 스케일링, 행 대응·고차원 불안정성·독립 평가의 주의점을 설명합니다.
커널 주성분 분석(Kernel PCA)이란? AI에서 커널로 비선형 특징을 찾는 방법
커널 주성분 분석은 표본 사이의 커널 행렬을 중심화하고 고유값을 풀어 새로운 좌표를 만드는 방법입니다. PCA·Isomap과의 차이, RBF·gamma·성분 수의 뜻, 새 입력 변환과 근사 역변환, 표본 수에 따른 메모리 및 독립 평가의 주의점을 설명합니다.
랜덤 투영(Random Projection)이란? AI에서 무작위 행렬로 데이터의 차원을 줄이는 방법
랜덤 투영은 무작위로 만든 행렬에 수치 특징을 곱해 더 적은 좌표로 바꾸는 선형 차원 축소 방법입니다. PCA·특징 해싱과의 차이, 가우시안·희소 투영, 거리 왜곡과 eps·출력 차원의 뜻, 새 입력 변환·근사 복원·품질 검증의 주의점을 설명합니다.
요인 분석(Factor Analysis)이란? AI에서 공통 변동과 변수별 잡음을 나누는 방법
요인 분석은 관측 변수의 공분산을 적은 잠재 요인과 변수별 고유 잡음으로 설명하는 비지도 확률 모델입니다. PCA·ICA와의 차이, 요인 로딩·점수·잡음 분산의 뜻, 회전과 요인 수 선택, 새 입력 변환 및 독립 평가와 해석의 주의점을 설명합니다.
국소 선형 임베딩(LLE)이란? AI에서 이웃의 재구성 관계로 데이터의 차원을 줄이는 방법
국소 선형 임베딩(LLE)은 각 데이터를 가까운 이웃의 가중합으로 표현하고 그 재구성 관계를 낮은 차원의 좌표에서도 유지하려는 방법입니다. 가중치와 확률의 차이, 이웃 수·출력 차원·정규화의 역할, Isomap·PCA와의 구분, 새 입력 변환과 결과 해석의 주의점을 설명합니다.
아이소맵(Isomap)이란? AI에서 이웃을 따라 잰 거리로 데이터의 차원을 줄이는 방법
아이소맵(Isomap)은 가까운 이웃의 그래프에서 최단 경로 거리를 구하고 이를 낮은 차원의 좌표로 옮기는 비선형 차원 축소 방법입니다. 직선 거리와 측지 거리, 이웃 수·반경·출력 차원의 뜻, PCA·UMAP과의 차이, 지름길·그래프 단절·새 입력·계산 비용의 주의점을 설명합니다.
부분 최소제곱 회귀(PLS)란? AI에서 정답과 함께 변하는 축으로 수치를 예측하는 방법
부분 최소제곱 회귀(PLS)는 입력과 수치 정답의 함께 변하는 방향을 찾아 적은 성분으로 예측하는 지도 회귀입니다. PCA·PCR·정준 상관 분석과의 차이, 성분 수·스케일링·점수와 로딩의 뜻, 실제 합성 예시 및 데이터 누수·과적합의 점검법을 설명합니다.
감자나라 AI 강의보기 5,000 
