커널 밀도 추정(KDE)이란? AI에서 관측값 주변의 분포를 부드럽게 추정하는 방법
커널 밀도 추정은 각 관측값 주변에 커널을 놓고 합쳐 데이터의 확률밀도를 추정하는 방법입니다. 대역폭·로그밀도의 뜻, 히스토그램·GMM·DBSCAN과의 차이, 입력 축·단위·고차원·경계값 점검법을 쉽게 설명합니다.
실루엣 점수(Silhouette Score)란? AI에서 군집의 응집도와 분리도를 평가하는 지표
실루엣 점수는 군집 내부 평균 거리와 가장 가까운 다른 군집까지의 평균 거리를 비교하는 평가 지표입니다. 계산식·양수와 음수의 뜻, 클러스터링·관성·정확도와의 차이, 군집 수·거리 행렬·표본 추출 점검법을 쉽게 설명합니다.
계층적 클러스터링(Hierarchical Clustering)이란? AI에서 데이터의 묶음 관계를 트리로 보는 방법
계층적 클러스터링은 군집을 차례로 합치거나 나눠 중첩된 묶음 관계를 만드는 방법입니다. 응집형·연결 기준·덴드로그램의 뜻, K-means·DBSCAN과의 차이, 거리·절단선·입력 형식·새 데이터 처리 점검법을 쉽게 설명합니다.
가우시안 혼합 모델(GMM)이란? AI에서 여러 정규분포로 데이터의 분포를 추정하는 방법
가우시안 혼합 모델은 여러 정규분포를 가중합해 데이터의 확률밀도를 추정하는 모델입니다. 책임도·EM 학습·공분산 형태의 뜻, K-means·DBSCAN·ICA와의 차이, 성분 수·초기화·수렴·과적합 점검법을 쉽게 설명합니다.
UMAP이란? AI에서 이웃 그래프로 데이터의 차원을 줄이는 방법
UMAP은 고차원 데이터의 이웃 관계를 가중 그래프로 만들고 낮은 차원의 좌표에 옮기는 방법입니다. 이웃 수·최소 거리·출력 차원의 뜻, t-SNE·PCA와의 차이, 새 데이터 변환과 밀도·재현성 점검법을 쉽게 설명합니다.
t-SNE란? AI에서 고차원 데이터의 이웃 관계를 그림으로 보는 방법
t-SNE는 고차원 데이터의 이웃 유사도를 낮은 차원의 점 배치로 나타내는 비선형 시각화 방법입니다. perplexity·t분포·초기화의 뜻, PCA·클러스터링과의 차이, 그림의 거리·크기와 새 데이터 해석 주의점을 쉽게 설명합니다.
국소 이상치 요인(LOF)이란? AI에서 이웃의 밀도와 비교해 이상치를 찾는 방법
국소 이상치 요인(LOF)은 주변 이웃과의 상대 밀도로 이상 정도를 계산하는 알고리즘입니다. 도달 가능 밀도·이웃 수·음수 점수의 뜻, 아이솔레이션 포레스트·DBSCAN과의 차이, 새로움 탐지 모드와 실전 점검법을 쉽게 설명합니다.
아이솔레이션 포레스트(Isolation Forest)란? AI에서 고립되기 쉬운 이상치를 찾는 방법
아이솔레이션 포레스트는 무작위 분할 트리에서 짧은 경로로 고립되는 사례를 이상 후보로 찾는 알고리즘입니다. 표본 추출과 경로 길이, 점수 방향·임계값, 랜덤 포레스트·DBSCAN·LOF와의 차이와 실전 점검법을 쉽게 설명합니다.
DBSCAN이란? AI에서 밀집된 데이터를 묶고 노이즈를 구분하는 방법
DBSCAN은 이웃이 충분한 핵심점에서 밀집 영역을 확장하고 노이즈를 따로 남기는 군집화 알고리즘입니다. eps·min_samples, 핵심점·경계점의 뜻, K-means와의 차이, 밀도·거리·메모리 점검법을 쉽게 설명합니다.
랜덤 포레스트(Random Forest)란? AI에서 여러 결정 트리의 예측을 합치는 방법
랜덤 포레스트는 무작위성을 넣어 학습한 여러 결정 트리의 예측을 결합하는 모델입니다. 복원 추출·분기별 특징 선택·확률 평균의 원리, 배깅·부스팅과의 차이, OOB 평가·트리 설정·특성 중요도 점검법을 쉽게 설명합니다.
감자나라 AI 강의보기 5,000 
