-
λ²μλ λ¬Έμλ§μΌλ‘λ λ΄μ©μ μ΄ν΄ν μ μλλ‘ λ¬Έμλ₯Ό λ²μν΄μΌ ν©λλ€.
- κΈ°κ³μ μΈ λ²μμ΄λ νΌμμ μΈ λ¦¬λ·°λ μ§μν΄μ£ΌμΈμ.
- μΌλ° λͺ μ¬μ Class μ΄λ¦μ ꡬλΆνμ¬ λ²μμ νκ±°λ μλ¬Έμ νκΈ°ν©λλ€. (μ. λ°μ΄ν°μ κ³Ό Dataset)
-
λ°λμ 1:1λ‘ λ²μνμ§ μμλ λ©λλ€.
- μ΄ν΄λ₯Ό λκΈ° μν (μ½κ°μ) μμμ΄λ μ€λͺ
μ μΆκ°ν΄λ μ’μ΅λλ€.
- λ¨, μλ¬Έμ μλ―Έκ° λ€λ₯΄κ² ν΄μλ μ¬μ§κ° μλ κ²½μ°μλ μμ ν΄μ£ΌμΈμ.
- λ¬Έμ₯ λ¨μλ μ¬μ΄ μ μ§λ³΄μλ₯Ό μν΄ κ°κΈμ μ§μΌμ£ΌμκΈ°λ₯Ό μμ²λ립λλ€.
- νμ§λ§ λ¬Έμ₯μ΄ μ¬λ¬ μ€μ κ±Έμ³ μ‘°κ°λ μλ κ²½μ° λ±μλ ν μ€μ νλμ λ¬Έμ₯μΌλ‘ λͺ¨μμ£Όμ λ λ©λλ€.
- μ΄ν΄λ₯Ό λκΈ° μν (μ½κ°μ) μμμ΄λ μ€λͺ
μ μΆκ°ν΄λ μ’μ΅λλ€.
-
μλ―Έμλ μ£Όμ΄λ μλ΅ν΄μ£ΌμΈμ.
- μλ₯Ό λ€μ΄,
we
λ κ°μ‘°μ μλ―Έκ° μμ§ μλ μ΄μ λ²μνμ§ μκ³ μλ΅ν©λλ€.
- μλ₯Ό λ€μ΄,
-
κΈ°λ³Έμ μΈ reStructuredText λ¬Έλ²μ μμ§ν΄μ£ΌμΈμ.
- Quick reStructredText λ±μ λ¬Έμλ₯Ό μ°Έκ³ νμ¬ λ¬Έλ²μ μ΅νμ£ΌμΈμ.
- μ΄λ―Έ λ²μλ λ¬Έμλ€μ μ°Έκ³ νμ λ μ’μ΅λλ€. (μ. ` λ€μ νκΈ μμ± μ 곡백 λλ \μ΄ νμν©λλ€.)
- λ²μ νμλ
make html-noplot
λ±μ λͺ λ Ήμ΄λ‘ λ¬Έλ² μ€λ₯λ₯Ό νμΈν΄μ£ΌμΈμ.- λ²μ κ²°κ³Όλ¬Όμ `, * λλ _ λ±μ κΈ°νΈλ₯Ό κ²μνλ©΄ μμ£Ό μ€μνλ λ¬Έλ² μ€λ₯λ₯Ό μ½κ² μ°Ύμ μ μμ΅λλ€.
-
λ²μλ λ¬Έμ₯λ§μΌλ‘ μλ―Έλ₯Ό μ λ¬νκΈ° μ΄λ €μΈ λμλ
νκΈ(μμ΄)
μ κ°μ΄ μμ±ν©λλ€.- μ λͺ©κ³Ό λ³Έλ¬Έμ κ°κ° μ¬μ©λλ κ²½μ° μ²«λ²μ§Έλ‘ ν΄λΉ μ©μ΄κ° μΆννμμ λ λ§€λ² ν¨κ» μμ±ν©λλ€.
- μ. including transposing, indexing, ... => μ μΉ(transposing), μΈλ±μ±(indexing), ...
- κ°κΈμ ν λ²μ©λ§ ν¨κ» μμ±νλ κ²μ μμΉμΌλ‘ νμ§λ§ λ²μμκ° μμλ‘ μ¬λ¬λ² ν¨κ» μμ±ν μ μμ΅λλ€.
- μ. μ§λ ¬ν(Serialize)
- μ λͺ©κ³Ό λ³Έλ¬Έμ κ°κ° μ¬μ©λλ κ²½μ° μ²«λ²μ§Έλ‘ ν΄λΉ μ©μ΄κ° μΆννμμ λ λ§€λ² ν¨κ» μμ±ν©λλ€.
-
μμ€ μ½λ, λ Όλ¬Έ μ λͺ©, μΆλ ₯ κ²°κ³Ό λ±μ κ°κΈμ λ²μνμ§ μμ΅λλ€.
- λ¨, μμ€ μ½λμ ν¬ν¨λ μ£Όμμ κ°κΈμ λ²μν©λλ€.
- μλ¬Έμ ν¨κ» μ°Ύμλ³Ό νμκ° μλ λ Όλ¬Έ μ λͺ© λ±μ λ²μ μ μ 체 μλ¬Έμ ν¨κ» μμ±ν©λλ€.
- λͺ λ Ήμ΄μ μΆλ ₯ κ²°κ³Ό, λ‘κ·Έ(log) λ±μ κ²°κ³Ό λΉκ΅λ₯Ό μν΄ λ²μνμ§ μμ΅λλ€.
-
μ€λ°κΏ λ° κ³΅λ°±μ κ°κΈμ μλ¬Έκ³Ό λμΌνκ² μ μ§ν©λλ€.
- μ΄ν μλ³Έ λ¬Έμμ μΆκ°μ μΈ λ³κ²½μ΄ λ°μν λ μ μ§λ³΄μλ₯Ό λμ΅λλ€.
- λ무 κΈ΄ λ¬Έμ₯μ reStructuredText λ¬Έλ²μ μ§ν€λ μ μμ μ€λ°κΏμ μΆκ°ν΄λ μ’μ΅λλ€.
- μλ μ©μ΄κ° μ μ νλ©΄ κ°κΈμ μλ νμ μ©μ΄λ₯Ό μ¬μ©ν©λλ€.
- μ§μ λ μ©μ΄κ° μλ€λ©΄ μλ μ¬μ΄νΈλ₯Ό μ°Έκ³ νμ¬ μ¬μ©ν©λλ€.
- http://www.ktword.co.kr/
- https://github.com/keunwoochoi/machine_learning_eng2kor/blob/master/dictionary.md
- μ μ ν μ©μ΄κ° μμΌλ©΄ μ μ ν λ¨μ΄λ₯Ό μλ‘ μ¬μ©νκ³ , μλ λͺ©λ‘μ λ΄μ©μ μΆκ°ν©λλ€.
μλ¬Έ | νκΈ | μμ±μ | μΆκ° μ€λͺ |
---|---|---|---|
Acknowledgements | κ°μ¬μ λ§ | λ°μ ν | |
activation | νμ±ν | μ‘°νμ | |
API endpoint | API μλν¬μΈνΈ | λ°μ ν | μμ°¨ νκΈ° |
argument | μΈμ | λ°μ ν | |
Audio | μ€λμ€ | λ°μ ν | ToCμ λΆλ₯λͺ μ λλ€. |
augmentation | μ¦κ° | μ΄μ¬λ³΅ | |
autograd | Autograd | ν©μ±μ | λ²μμν¨ |
Batch Normalization | λ°°μΉ μ κ·ν | λ°μ ν | |
bias | νΈν₯ | μ΄νλ | |
convolution | ν©μ±κ³± | κΉνκΈΈ | |
Dropout | λλ‘μμ | κΉνν | μμ°¨ νκΈ° |
dataset | λ°μ΄ν°μ | λ°μ ν | μμ°¨ νκΈ° |
deep neural network | μ¬μΈ΅ μ κ²½λ§ | λ°μ ν | |
derivative | λν¨μ | λ°μ ν | |
Drop-out | Drop-out | ν©μ±μ | λ²μμν¨ |
epoch | μν | λ°μ ν | μμ°¨ νκΈ° |
evaluation mode | νκ° λͺ¨λ | λ°μ ν | |
Fine-tuning | λ―ΈμΈ μ‘°μ | μ€μν | |
feature | νΉμ§ | λ°±μ ν¬ | |
feed data through model | λ°μ΄ν°λ₯Ό λͺ¨λΈμ μ 곡 | ||
Feed-forward network | μμ ν μ κ²½λ§ | λ°μ ν | |
freezing | λκ²° | κΉμ§νΈ | |
Generative | μμ± λͺ¨λΈ | λ°μ ν | ToCμ λΆλ₯λͺ μ λλ€. |
Getting Started tutorial | μμνκΈ° νν λ¦¬μΌ | λ°μ ν | ToCμ Getting Startedλ₯Ό λ»ν©λλ€. |
gradient | λ³νλ | λ°μ ν | |
Hyperparameter | νμ΄νΌνλΌλ―Έν° | κΉνμ | μμ°¨ νκΈ° |
Image | μ΄λ―Έμ§ | λ°μ ν | ToCμ λΆλ₯λͺ μ λλ€. |
in-place | μ μ리 | νλ¨κ· | |
initialization | μ΄κΈ°ν | κΉμ§νΈ | |
instance | μΈμ€ν΄μ€ | λ°μ ν | μμ°¨ νκΈ° |
instantiate | μμ±νλ€ | λ°μ ν | |
interpreter | μΈν°νλ¦¬ν° | μ΄μ’ λ² | μμ°¨ νκΈ° |
Layer | κ³μΈ΅ | λ°μ ν | |
learning rate, lr | νμ΅λ₯ | λ°μ ν | |
loss | μμ€ | λ°μ ν | |
matrix | νλ ¬ | λ°μ ν | |
mean-squared error | νκ· μ κ³±μ€μ°¨ | νλ¨κ· | |
MelScale | MelScale | ||
memory footprint | λ©λͺ¨λ¦¬ μ 체 μ¬μ©λ | μ΅ν₯μ€ | |
method | λ©μλ | μ₯ν¨μ | μμ°¨ νκΈ° |
mini-batch | λ―Έλ λ°°μΉ | λ°μ ν | μμ°¨ νκΈ° |
momentum | λͺ¨λ©ν | λ°μ ν | μμ°¨ νκΈ° |
normalize | μ κ·ν | νλ¨κ· | |
NumPy | NumPy | λ°μ ν | λ²μνμ§ μμ |
One-Hot | One-Hot | ν©μ±μ | λ²μμν¨ |
Optimizer | μ΅ν°λ§μ΄μ | λ°μ ν | μμ°¨ νκΈ° |
output | μΆλ ₯ | λ°μ ν | |
over-fitting | κ³Όμ ν© | ν©μ±μ | |
parameter | 맀κ°λ³μ | λ°μ ν | |
placeholder | νλ μ΄μ€νλ | λ°μ ν | μμ°¨ νκΈ° |
plotting | λμν | ν©μ±μ | |
Production (environment, use) | Production | νλ¨κ· | λ²μνμ§ μμ |
pruning | κ°μ§μΉκΈ° | κΉμ§νΈ | |
rank 0 | 0-μμ | λ°μ ν | |
Read later | λ μ½μ거리 | λ°μ ν | |
recap | μμ½ | λ°μ ν | |
resample | 리μν | ||
resizing | ν¬κΈ° λ³κ²½ | λ°μ ν | |
requirements | μꡬ μ¬ν | μ₯λ³΄μ€ | |
sampling rate | μνλ§ λ μ΄νΈ | ||
scenario | μλλ¦¬μ€ | λ°μ ν | μμ°¨ νκΈ° |
shape | shape | νλ¨κ· | λ²μνμ§ μμ |
size | ν¬κΈ° | λ°μ ν | |
Tensor / Tensors | Tensor | λ°μ ν | λ²μνμ§ μμ |
Text | ν μ€νΈ | λ°μ ν | ToCμ λΆλ₯λͺ μ λλ€. |
track (computation) history | μ°μ° κΈ°λ‘μ μΆμ νλ€ | λ°μ ν | |
training | νμ΅ | μ΄νλ | |
warmstart | λΉ λ₯΄κ² μμνκΈ° | λ°μ ν | Warmstarting Model = λΉ λ₯΄κ² λͺ¨λΈ μμνκΈ° |
weight | κ°μ€μΉ | λ°μ ν | |
wrapper | λνΌ | λ°μ ν | μμ°¨ νκΈ° |