브라이어 점수(Brier Score)란? AI에서 예측 확률과 실제 결과의 차이를 평가하는 지표
브라이어 점수는 예측 확률과 실제 결과의 제곱 차이를 평균하는 확률 평가 지표입니다. 이진·다중 클래스의 척도, 정확도·ROC-AUC·캘리브레이션·스킬 점수와의 차이, 양성 클래스·확률 열·가중치와 불균형 자료의 주의점을 설명합니다.
HOG란? AI에서 밝기 변화의 방향을 모아 이미지의 형태를 표현하는 방법
HOG는 작은 이미지 구역에서 밝기 변화의 방향과 세기를 모으고 이웃 블록으로 정규화하는 특징 추출 방법입니다. 셀·블록·출력 차원, SIFT·CNN·객체 탐지와의 차이, 분류기 결합과 회전·크기·시각화의 주의점을 설명합니다.
SIFT란? AI에서 크기와 회전이 달라진 이미지의 특징을 찾아 비교하는 방법
SIFT는 크기와 회전 변화에 대응하는 국소 특징점과 128차원 기술자를 만드는 컴퓨터 비전 알고리즘입니다. 스케일 공간·방향·주요 설정의 뜻, ORB·이미지 임베딩·광학 흐름과의 차이, 매칭과 기하 검증 및 반복 무늬·가림의 주의점을 설명합니다.
코헨 카파(Cohen Kappa)란? AI에서 두 라벨러의 일치를 우연 보정으로 평가하는 지표
코헨 카파는 같은 자료를 분류한 두 라벨러의 일치에서 각자의 범주 비율로 기대한 우연 일치를 보정하는 지표입니다. 일치율·정확도·MCC와의 차이, 선형·제곱 가중과 미정의 값, AI 라벨링·평가 기준의 검수 방법을 설명합니다.
매튜스 상관계수(MCC)란? AI에서 정답과 예측 라벨의 일치를 상관으로 평가하는 지표
매튜스 상관계수(MCC)는 정답과 예측 라벨의 일치를 상관으로 요약하는 분류 평가 지표입니다. 이진·다중 분류 계산과 0점·음수의 뜻, 정확도·F1·균형 정확도와의 차이, 라벨 대응·표본 가중치·임계값·독립 평가의 주의점을 설명합니다.
균형 정확도(Balanced Accuracy)란? AI에서 클래스별 재현율을 같은 비중으로 평가하는 지표
균형 정확도는 클래스별 재현율을 같은 비중으로 평균내는 분류 평가 지표입니다. 정확도·F1·매크로 재현율과의 차이, 이진·다중 분류 예시와 우연 보정·표본 가중치의 뜻, 클래스 누락·작은 표본·실제 오류 비용의 주의점을 설명합니다.
퍼셉트론(Perceptron)이란? AI에서 틀린 사례로 선형 분류 경계를 고치는 방법
퍼셉트론은 정답 라벨로 선형 분류의 가중치와 편향을 고치는 방법입니다. 경계 사례의 갱신과 선형 분리·XOR의 뜻, 로지스틱 회귀·SVM·다층 퍼셉트론과의 차이, 학습률·규제·증분 학습 및 결정 점수와 평가의 주의점을 설명합니다.
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.
감자나라 AI 강의보기 5,000 
