조기 종료(Early Stopping)란? AI에서 검증 성능을 보고 학습을 멈추는 방법
조기 종료는 검증 지표가 일정 기간 개선되지 않으면 AI 학습을 미리 멈추는 방법입니다. patience·min_delta의 뜻, 최적 가중치 복원, 체크포인트와의 차이, 신경망·부스팅에서 확인할 주의점을 설명합니다.
광학 흐름(Optical Flow)이란? AI가 영상 속 픽셀의 움직임을 추정하는 방법
광학 흐름은 두 프레임 사이에서 점이나 픽셀이 이동해 보이는 방향과 크기를 추정하는 기술입니다. 희소·밀집 흐름, Lucas-Kanade·Farneback·RAFT의 차이, 객체 추적과의 구분, 가림·카메라 이동·좌표 단위 점검법을 쉽게 설명합니다.
독립 성분 분석(ICA)이란? AI가 섞인 신호에서 독립 성분을 찾는 방법
독립 성분 분석은 여러 관측값에 섞인 비가우시안 신호를 통계적으로 서로 독립적인 성분으로 분리하는 방법입니다. PCA·NMF·블라인드 소스 분리와의 차이, 중심화·백색화·FastICA 과정, 순서·부호·수렴 점검법을 쉽게 설명합니다.
비음수 행렬 분해(NMF)란? AI가 음이 아닌 데이터를 부분 특징으로 나누는 방법
비음수 행렬 분해는 음이 아닌 데이터 행렬을 음이 아닌 두 행렬의 곱으로 가깝게 나타내는 저랭크 분해입니다. SVD·PCA·군집화와의 차이, 부분 기반 표현, 랭크·초기화·손실 함수·재구성 오차 점검법을 쉽게 설명합니다.
헤센베르크 분해(Hessenberg Decomposition)란? AI 행렬을 거의 삼각행렬로 바꾸는 방법
헤센베르크 분해는 정사각행렬을 첫째 부분대각선 아래가 0인 거의 삼각형 행렬로 바꾸는 분해입니다. 하우스홀더 반사, 슈어·QR·삼중대각화와의 차이, 고유값 계산 전처리와 재구성·직교성 점검법을 쉽게 설명합니다.
슈어 분해(Schur Decomposition)란? AI 행렬을 직교행렬과 준삼각행렬로 바꾸는 방법
슈어 분해는 정사각행렬을 직교·유니터리 행렬과 위 삼각 또는 준삼각 행렬로 바꾸는 분해입니다. 고유값 분해·QR·헤센베르크·SVD와의 차이, 실수·복소수 슈어 형식, 불변 부분공간과 수치 검증법을 쉽게 설명합니다.
LU 분해(LU Decomposition)란? AI 행렬을 아래·위 삼각행렬로 나누는 방법
LU 분해는 행렬을 아래 삼각행렬 L과 위 삼각행렬 U로 나누는 행렬 분해입니다. 부분 피벗팅과 순열행렬의 역할, QR·촐레스키·SVD와의 차이, 선형방정식·행렬식 계산 활용법과 특이행렬·수치 안정성 점검법을 쉽게 설명합니다.
QR 분해(QR Decomposition)란? AI 행렬을 직교행렬과 삼각행렬로 나누는 방법
QR 분해는 행렬을 직교·유니터리 행렬 Q와 위 삼각행렬 R의 곱으로 나타내는 방법입니다. 완전·축소 QR, 하우스홀더 반사와 열 피벗팅, SVD·LU·촐레스키 분해와의 차이, 최소제곱·직교화·랭크 진단의 활용과 검증법을 쉽게 설명합니다.
촐레스키 분해(Cholesky Decomposition)란? AI의 양의 정부호 행렬을 삼각행렬로 나누는 방법
촐레스키 분해는 대칭 양의 정부호 행렬을 하나의 삼각행렬과 그 전치행렬의 곱으로 나타내는 방법입니다. 고유값 분해·SVD·LU·QR과의 차이, 가우시안 프로세스와 공분산 계산 활용, 대칭성·양의 정부호·지터·수치 오차 점검법을 쉽게 설명합니다.
고유값 분해(Eigendecomposition)란? AI 행렬의 변하지 않는 방향을 찾는 방법
고유값 분해는 정사각행렬을 고유벡터의 방향과 고유값의 배율로 나누는 행렬 분해입니다. 대칭 행렬의 eig·eigh 선택, SVD·PCA·Schur 분해와의 차이, 복소수·대각화 조건·수치 오차 점검법을 쉽게 설명합니다.
감자나라 AI 강의보기 5,000 
