위젯 120개

• 2차원 선형·아핀 사상 linear-map-2d · 7.1 벡터공간과 선형사상
• ReLU 신경망의 조각별 아핀 영역 relu-regions · 7.2 아핀 구조와 비선형성
• SVD: 회전–스케일–회전 svd-explorer · 7.6 SVD·PCA·저랭크 근사
• 계산 그래프와 역전파 autodiff-graph · 8.4 자동미분과 역전파
• 부동소수점 비트 구조 float-precision · 9.1 부동소수점과 수치 오차
• ODE solver의 step 크기와 안정성 ode-stability · 9.6 ODE 수치해법
• 손실 지형 위의 optimizer 궤적 optimizer-landscape · 10.3 1차 최적화 방법
• 분포 탐색기 distribution-explorer · 11.2 주요 분포와 지수족
• 다변량 가우시안의 조건부분포 gaussian-conditioning · 11.4 다변량 가우시안
• 손실함수가 고르는 대표값 loss-to-estimator · 12.3 분포 기반 문제 정의
• 순차적 베이지안 갱신 bayesian-update · 13.1 베이지안 사고방식
• Gaussian process 회귀 gp-regression · 13.7 Gaussian Process
• 데이터 분할과 누수 split-leakage · 15.4 데이터 분할과 누수 방지
• 학습 루프 단계 재생기 training-loop-stepper · 17.5 학습 루프 해부: forward → loss → backward → update
• Attention 계산 attention-visualizer · 18.4 Attention과 Transformer
• 확산 과정의 forward와 reverse diffusion-process · 19.5 확산 모델과 score 기반 모델
• Calibration과 reliability diagram calibration-diagram · 21.2 예측분포와 구간의 평가
• 등가회로 모델 시뮬레이터 battery-ecm · 30.2 배터리 모델의 계층
• Coulomb 행렬 고윳값의 불변성 coulomb-matrix-invariance · 28.1 분자와 결정의 표현
• 무작위 분할 vs scaffold 분할 scaffold-split-explorer · 28.2 물성 예측
• 분자동역학 에너지 보존 md-energy-conservation · 28.3 기계학습 원자간 퍼텐셜
• 예측 모델 착취와 적용 영역 predictor-exploitation · 28.4 분자·재료 생성과 역설계
• 근접 중복 누수 임계 탐색 leakage-threshold · 28.5 화학·재료 데이터와 평가의 함정
• 분할 단위와 예측 지평 split-unit-forecast · 1.3 문제를 수학적으로 정의하기
• seed마다 흔들리는 검증 점수 seed-variance · 1.5 첫 번째 연구 파이프라인 완주하기
• tmux 세션·창·패널 tmux-anatomy · 2.2 프로세스·세션·자원 모니터링
• SSH 포트 포워딩 방향 ssh-tunnel · 2.3 SSH와 원격 접속
• 선점과 체크포인트 간격 preemption-checkpoint · 2.5 공유 서버와 클러스터 사용
• 드라이버·CUDA·프레임워크 호환 cuda-version-stack · 3.1 AI 소프트웨어 스택의 계층
• Dockerfile 레이어 캐시 docker-layer-cache · 3.5 Docker와 컨테이너
• merge·rebase·reset과 커밋 그래프 commit-dag · 4.1 Git의 모델과 기본 작업
• 시도 횟수와 test 낙관 편향 selection-bias · 4.6 에이전트 기반 연구 워크플로
• 브로드캐스팅 규칙 broadcasting-shapes · 5.3 NumPy·pandas·SciPy
• 메모리 배치와 캐시 라인 strides-cache · 5.5 컴퓨터 구조와 병렬 계산
• roofline 모델 roofline · 5.5 컴퓨터 구조와 병렬 계산
• 설정 계층 병합 config-merge · 6.3 설정 관리
• CLI 인자에서 설정으로 argparse-sandbox · 6.4 CLI 설계
• 반복 적용과 고유벡터 power-iteration · 7.5 고윳값과 대칭행렬
• 사영과 최소제곱 projection-lstsq · 7.4 내적·노름·직교성·사영
• einsum 축 표기 einsum-axes · 7.7 텐서와 einsum
• 구면 위 보간 slerp-vs-lerp · 7.8 다양체와 표현의 기하
• 기저 전개와 해상도 basis-expansion · 7.9 함수공간과 연산자
• 등변성 검사 equivariance-check · 7.10 대칭과 군 표현
• 기울기와 Hessian 고유벡터 gradient-hessian-contour · 8.1 다변수 미분
• 조건수와 섭동 증폭 condition-ellipse · 9.2 조건수·안정성·수렴
• 반복법 수렴 비교 iterative-solver-race · 9.3 수치 선형대수
• Newton 끌개 영역 newton-basins · 9.4 비선형 방정식과 반복법
• Runge 현상 runge-interpolation · 9.5 보간·근사·수치적분
• CFL 조건 cfl-advection · 9.7 PDE·DAE와 시뮬레이터 검증
• 손실 단면과 보간 경로 loss-slice · 10.6 비볼록 최적화와 손실 지형
• 1D 베이지안 최적화 bayes-opt-1d · 10.7 특수한 최적화 문제
• 기저율과 자연 빈도 base-rate · 11.3 결합·주변·조건부분포와 독립성
• 중심극한정리와 꼬리 clt-sampler · 11.5 기댓값·부등식·극한정리
• 중요도 가중과 ESS importance-weights · 11.6 Monte Carlo와 샘플링
• Metropolis 혼합 metropolis-chain · 11.7 확률과정 기초
• 신뢰구간 포함률 ci-coverage · 12.4 구간 추정·가설 검정·부트스트랩
• 부트스트랩 단위 bootstrap-resampler · 12.5 모델 비교의 통계
• 잔차 진단 residual-diagnostics · 12.6 회귀모형의 통계적 관점
• 부분 풀링과 수축 partial-pooling · 13.3 계층 모델
• GMM EM 단계 gmm-em · 13.4 잠재변수 모델과 EM
• forward vs reverse KL kl-direction · 14.1 엔트로피·교차엔트로피·KL
• MI 추정 편향 mi-histogram-bias · 14.2 상호정보량과 표현
• double descent double-descent · 14.5 현대 딥러닝의 일반화와 스케일링
• 표집 설계 커버리지 doe-coverage · 15.6 합성 데이터와 시뮬레이션 데이터
• window 겹침 누수 window-overlap-leak · 18.7 시계열 딥러닝
• z와 robust z robust-outlier · 15.3 전처리와 탐색적 분석
• 정규화 경로 regularization-path · 16.2 선형 모델과 정규화
• kNN과 RBF 길이척도 knn-rbf-scale · 16.3 커널 방법과 최근접 이웃
• 트리 깊이와 boosting tree-boosting-overfit · 16.4 트리와 앙상블
• t-SNE perplexity tsne-perplexity · 16.5 비지도학습과 표현 탐색
• Kaplan–Meier와 중도절단 kaplan-meier · 16.8 생존분석과 인과추론 기초
• 곡선 smoothing 착시 smoothing-illusion · 17.8 학습 모니터링과 대시보드
• 학습 곡선 진단 learning-curve-reader · 17.9 학습 실패 진단
• 수용 영역 receptive-field · 18.2 CNN과 공간 구조
• 상태공간 모델 커널 ssm-kernel · 18.3 순환 모델과 상태공간 모델
• temperature와 top-k·top-p sampling-temperature · 18.5 언어모델과 LLM의 기초
• GNN over-smoothing over-smoothing · 18.6 그래프 신경망과 기하학적 딥러닝
• PCA 시각화 vs 선형 프로브 probe-vs-pca · 18.8 표현 분석
• GAN 학습 동역학 gan-dynamics · 19.4 GAN과 Normalizing Flow
• affine coupling 흐름 coupling-flow · 19.4 GAN과 Normalizing Flow
• VAE posterior collapse vae-collapse · 19.3 VAE와 잠재변수 생성모델
• flow matching 경로 flow-paths · 19.6 Flow Matching과 연속시간 생성모델
• 생성 지표의 실패 gen-metric-failures · 19.7 생성모델의 평가
• 대조학습 붕괴 contrastive-collapse · 19.8 자기지도학습
• LoRA 랭크 lora-rank · 19.9 사전학습·전이·Foundation Model
• 격자 세계 가치 반복 gridworld-vi · 20.1 MDP와 동적계획법
• 밴딧 누적 후회 bandit-regret · 20.4 밴딧·오프라인 RL·안전한 의사결정
• LQR과 제약 MPC lqr-mpc · 20.3 모델 기반 방법과 최적제어
• split conformal 포함률 conformal-coverage · 21.3 Conformal Prediction
• 비용 비율과 임계값 cost-threshold · 21.6 위험을 고려한 의사결정
• gradient checkpointing checkpoint-tradeoff · 22.5 GPU 메모리 관리
• ring all-reduce ring-allreduce · 22.6 다중 GPU와 분산 학습
• 배치 크기와 지연·처리량 batching-latency · 22.7 추론 최적화와 배포
• 인용 그래프 PageRank citation-pagerank · 23.1 문헌 탐색과 지식 관리
• 검정력과 seed 수 power-vs-seeds · 23.5 실험 설계
• 2^k 요인 효과 factorial-effects · 23.3 논문 재현
• SD·SE·CI 오차막대 error-bars · 23.6 결과 분석과 주장의 범위
• 축 범위와 lie factor axis-lie-factor · 23.9 Figure와 Table 제작
• 컬러맵 밝기 colormap-lightness · 23.9 Figure와 Table 제작
• PINN 손실 균형 pinn-loss-balance · 24.2 물리 정보 신경망(PINN)
• 스펙트럼 합성곱과 해상도 spectral-conv · 24.4 Neural Operator와 동역학 학습
• 1D 칼만 필터 kalman-1d · 24.6 시스템 식별과 상태 추정
• Tikhonov L-curve l-curve · 24.7 역문제와 불확실성 정량화
• ABC 허용 오차 abc-tolerance · 25.1 시뮬레이션 기반 추론
• 측정 설계와 기대 정보 이득 eig-design · 25.3 능동 학습과 베이지안 실험 설계
• 다목적 Pareto front pareto-front · 25.4 자율 실험과 closed-loop 연구
• 격자 해상도와 셀 Péclet 수 grid-resolution-re · 26.1 ML 연구자를 위한 연속체 역학과 시뮬레이션
• POD 에너지와 외삽 pod-energy · 26.2 시뮬레이션 대리모델
• closure 사전·사후 평가 closure-apriori · 26.3 난류와 closure 모델 학습
• 빔 설계 Pareto beam-pareto · 26.4 형상·설계 최적화와 역설계
• rollout 오차와 스펙트럼 rollout-spectrum · 26.5 시뮬레이션 학습의 벤치마크와 평가
• 위도 가중 평균 area-weighting · 27.1 기상·기후 데이터의 기초
• spread–skill과 rank histogram spread-skill · 27.2 데이터 기반 기상 예측
• 흐릿함과 에너지 스펙트럼 energy-spectrum-blur · 27.4 기상·기후 예측의 평가
• 상동성 기준 분할 homology-split · 29.5 생명과학 AI의 평가와 누수
• Kabsch 정렬과 RMSD kabsch-align · 29.3 단백질 구조 예측과 설계
• 배치 효과와 보정 batch-correction · 29.4 유전체·단일세포 데이터
• 쿨롱 카운팅 vs EKF soc-filter · 30.4 상태 추정과 수명 예측
• 다단계 충전 Pareto charge-pareto · 30.6 충전 최적화와 제어
• 역량 레이더 competency-radar · 31.3 역량 평가와 다음 단계