Concept Glossary: V¶

This page lists English glossary entries for this letter. Entry bodies are generated from per-term source files with includes.

validation¶

Meaning: 여러 설정이나 전처리 선택을 비교 점검하기 위해 학습 과정 중간에 따로 확인하는 데이터 또는 절차입니다. 학습 자체를 위한 데이터와, 설정을 고르기 위한 확인 단계를 분리해 두는 역할을 맡습니다.
Why it matters: 학습에 직접 쓴 데이터만으로 판단하면 과적합을 놓치기 쉬워, 설정을 고르는 단계와 마지막 테스트 단계를 분리해 읽어야 하기 때문입니다. 그래서 검증은 모델을 고르는 자리에 더 가깝고, 테스트는 최종 확인 자리에 더 가깝습니다. 이 개념이 있어야 학습 도중 점수를 계속 보는 일이 곧 정답 유출은 아니라는 점과, 반대로 검증 점수에 맞춰 지나치게 반복 조정하면 또 다른 과적합이 생길 수 있다는 점도 함께 이해하게 됩니다. 또한 검증은 한 번만 보는 의식이 아니라, 하이퍼파라미터와 전처리 선택을 비교하는 반복 판단 지점이라는 점도 붙잡게 됩니다.
Related concepts: test, data leakage, generalization, evaluation
Core Section: P4-4.2
Appears in: P2-12.3, P4-4.1, P4-9.2, P4-15.3

value¶

Meaning: 계산이 실제로 다루는 데이터 그 자체입니다. 숫자 하나일 수도 있고, 문자열, 리스트, 딕셔너리, 배열, 함수 호출 결과처럼 더 큰 구조일 수도 있습니다. 즉 값은 이름표가 아니라, 계산이 실제로 받아서 비교하고 저장하고 바꾸는 대상입니다.
Why it matters: 변수는 값을 가리키고, 식은 값을 계산하고, 함수는 값을 받아 새 값을 돌려줍니다. Python과 수식 읽기의 대부분은 결국 지금 무엇이 값으로 취급되는가를 구분하는 일에서 시작됩니다. 이 개념이 있어야 이름과 실제 데이터, 계산식과 계산 결과를 분리해 읽게 되고, 같은 값이 여러 이름으로 참조될 수 있다는 점도 더 자연스럽게 이해하게 됩니다. 또한 값을 이해해야 무엇을 계산하고 있는가를 이름이 아니라 실제 데이터 층위에서 따라가게 됩니다. 초심자에게는 변수 이름과 그 안에 들어 있는 실제 내용을 분리해 읽는 첫 기준이기도 합니다.
Related concepts: variable, type, return value
Core Section: P2-8.1
Appears in: P2-8.2, P2-8.3, P2-8.5, P2-8.6, P2-12.1

variable¶

Meaning: 값을 가리키기 위해 붙인 이름입니다. 변수 자체가 값 그 자체라기보다, 현재 어떤 값을 참조하거나 담고 있는 이름표에 가깝습니다. 즉 변수는 데이터를 새로 만드는 것이 아니라, 계산 과정에서 값을 다시 부르고 넘기기 쉽게 붙여 두는 표식입니다.
Why it matters: x, loss, prediction 같은 이름이 무엇을 가리키는지 놓치면 수식과 코드를 함께 읽기 어렵습니다. 변수 감각이 있어야 같은 값이 어디서 만들어지고 어디로 전달되는지 추적할 수 있습니다. 이 개념이 있어야 이름표와 실제 데이터를 분리해 읽게 되고, 변수 재할당이나 중간 계산 저장이 왜 필요한지도 더 자연스럽게 이해하게 됩니다. 또한 변수를 이해해야 코드가 길어질수록 지금 이 이름이 무엇을 가리키는가를 놓치지 않고 따라갈 수 있습니다. 초심자에게는 이름이 바뀌었다와 값이 바뀌었다를 구분하는 출발점이기도 합니다.
Related concepts: function, expression, input
Core Section: P2-2.1
Appears in: P2-8.5, P2-10.3

variance¶

Meaning: 값들이 평균 주변에서 얼마나 퍼져 있는지를 나타내는 값입니다. 같은 평균을 가진 데이터라도 값들이 중심 근처에 촘촘히 모여 있는지, 멀리 흩어져 있는지를 한 숫자로 요약한 퍼짐의 정도라고 볼 수 있습니다. 즉 분산은 대표값이 어디쯤인가와는 다른 질문으로, 그 주변에서 얼마나 흔들리는가를 수치로 붙잡는 도구입니다.
Why it matters: 평균이 같아도 데이터의 퍼짐과 안정성이 다를 수 있음을 드러내기 때문입니다. 이 개념이 있어야 대표값이 같다는 사실만으로 두 데이터가 비슷하다고 단정하지 않게 되고, 예측 오차나 성능 점수의 흔들림도 중심값뿐 아니라 퍼짐과 함께 읽어야 한다는 점을 이해하게 됩니다. 또한 분산을 이해해야 평균 하나만 보면 안정적으로 보이는 데이터와, 실제로는 큰 흔들림을 가진 데이터를 구분하게 됩니다. 결국 분산은 대표값의 위치만이 아니라 값들의 안정성을 함께 보게 만드는 핵심 지표입니다.
Related concepts: mean, standard deviation, distribution
Core Section: P2-5.2
Appears in: P2-5.3, P2-5.5, P2-13.2

vector¶

Meaning: 순서가 있는 여러 값을 한 묶음으로 담은 표현입니다. 수학에서는 크기와 방향을 가진 대상으로 읽고, AI 문맥에서는 한 대상을 여러 숫자로 표현한 1차원 수치 묶음이라는 뜻으로 자주 씁니다. 즉 벡터는 여러 숫자를 나열한 목록이면서도, 하나의 대상을 표현하는 통합 단위로 읽어야 합니다.
Why it matters: 리스트와 비슷해 보여도 벡터는 단순 보관 구조보다 계산과 표현에 더 가깝기 때문입니다. 특징 벡터, 임베딩 벡터, 그래디언트 벡터처럼 무엇을 여러 차원 숫자로 나타냈는가를 읽는 기본 단위가 되고, 같은 차원 수를 가진 벡터끼리는 거리, 방향, 내적 같은 연산으로 비교할 수 있다는 점도 함께 중요합니다. 이 개념이 있어야 AI에서 많은 대상이 결국 숫자 배열이 아니라 비교와 계산이 가능한 표현으로 다뤄진다는 점을 이해하게 됩니다. 결국 벡터를 이해해야 숫자 여러 개를 분리된 값들이 아니라 하나의 표현으로 읽게 됩니다.
Related concepts: matrix, dimension, representation
Core Section: P2-3.1
Appears in: P1-3.3, P1-4.3, P1-13.1, P2-3.2, P2-3.3, P2-4.3, P2-11.3

vector database¶

Meaning: 임베딩 벡터를 저장하고, 검색 인덱스와 메타데이터, 필터링, 업데이트를 함께 관리하는 검색용 시스템입니다. 즉 단순히 벡터 몇 개를 보관하는 저장소가 아니라, 실제 검색 서비스에 필요한 조회와 운영 기능을 묶어 둔 인프라 계층이라고 볼 수 있습니다.
Why it matters: RAG 구현에서 중요한 것은 벡터 비교 알고리즘 하나가 아니라, 저장, 메타데이터 필터링, 권한, 갱신, 운영을 함께 다루는 전체 시스템이라는 점을 보여 주기 때문입니다. 이 개념이 있어야 가까운 벡터를 찾는다는 수학적 문제와 실제 서비스에서 어떤 문서를 안전하게, 빠르게, 최신 상태로 꺼내 쓸 것인가라는 운영 문제를 함께 읽게 됩니다. 즉 벡터 데이터베이스는 검색 알고리즘의 부속품이 아니라, 검색 품질과 운영 품질을 같이 떠받치는 계층이라는 감각을 만들어 줍니다. 결국 벡터 데이터베이스는 벡터 저장소보다 벡터 검색 서비스 인프라에 더 가깝습니다.
Related concepts: search index, ANN, approximate nearest neighbor, metadata
Core Section: P6-12.1
Appears in: P1-13.4, P6-12.2

vector space¶

Meaning: 벡터들이 놓여 서로의 위치 관계를 비교할 수 있는 표현 공간입니다. 각 벡터를 좌표 하나처럼 두고, 거리와 방향을 통해 대상들 사이의 닮음과 차이를 읽는 추상적 좌표계라고 볼 수 있습니다. 즉 벡터 공간은 벡터를 숫자 묶음으로만 보지 않고 위치 관계를 가진 점처럼 읽게 만드는 틀입니다.
Why it matters: 임베딩을 숫자 목록이 아니라 서로 가까운 것과 먼 것을 비교할 수 있는 좌표계로 읽게 해 주기 때문입니다. 이 개념이 있어야 검색과 추천에서 가까움이 왜 중요한 신호가 되는지 이해하게 되고, 같은 벡터라도 절대값보다 다른 벡터와의 상대적 위치 관계가 더 중요할 수 있다는 점도 자연스럽게 받아들이게 됩니다. 결국 벡터 공간 개념이 있어야 비슷하다는 말을 막연한 직관이 아니라, 공간 안의 거리와 방향 관계로 읽게 됩니다. 다시 말해 벡터 공간은 의미 비교를 좌표 비교로 바꾸어 주는 공통 무대입니다.
Related concepts: vector, embedding, similarity search
Core Section: P1-13.1
Appears in: P6-3.1, P6-3.2

vectorization¶

Meaning: 반복 계산을 Python for 문 대신 배열 연산 하나로 표현하는 방식입니다. 사람 눈에는 하나씩 반복하지 않았는데 어떻게 전체 계산이 되지?처럼 보일 수 있지만, 실제로는 같은 계산 규칙을 배열의 각 위치나 각 축에 한꺼번에 적용하도록 계산 단위를 올려 적는 표현입니다.
Why it matters: 같은 계산을 배열 단위 문법으로 읽어야 NumPy와 이후 머신러닝 코드의 핵심 흐름을 빠르게 파악할 수 있기 때문입니다. 이 개념이 있어야 한 원소씩 처리한다는 사고에서 배열 전체에 같은 계산을 한 번에 적용한다는 사고로 넘어가게 되고, 속도 향상뿐 아니라 코드 구조가 더 짧고 명확해지는 이유도 함께 이해하게 됩니다. 예를 들어 모든 점수에 5점을 더하는 일을 반복문으로 하나씩 돌리는 대신 scores + 5처럼 적을 수 있다는 감각이 바로 벡터화의 출발점입니다. 결국 벡터화는 단순 최적화 기법이 아니라, 계산 단위를 원소에서 배열로 올려 읽는 표현 전환입니다.
Related concepts: broadcasting, array, shape
Core Section: P2-11.3
Appears in: P2-12.1, P2-15.1

version control¶

Meaning: 시간이 지나며 파일과 폴더가 어떻게 바뀌었는지 그 상태와 이유를 기록하고 다시 찾게 해 주는 방식입니다. 단순 백업과 달리, 어느 시점의 내용이 무엇 때문에 달라졌는지 이력과 비교 단위까지 함께 남기는 작업 방식에 가깝습니다. 즉 버전 관리는 파일 사본을 많이 남기는 일보다, 변경 역사와 판단 맥락을 추적 가능하게 만드는 체계입니다.
Why it matters: 단순 저장만으로는 설명되지 않는 변경 맥락을 남겨, 어떤 상태가 언제 왜 생겼는지 추적하게 해 주기 때문입니다. 문서 집필과 코드 작업에서는 특히 현재 파일 내용보다 어떤 판단으로 바뀌었는가가 중요하므로, 버전 관리가 있어야 수정 실험, 검토, 되돌리기, 배포 이력을 같은 흐름으로 읽을 수 있습니다. 또한 버전 관리를 이해해야 백업 파일 더미와 검토 가능한 이력 체계가 왜 다른지, 그리고 왜 협업이 이력 단위 위에서 가능해지는지도 더 분명히 읽게 됩니다.
Related concepts: Git, commit, repository
Core Section: P2-14.1
Appears in: P2-14.2

version pinning¶

Meaning: 패키지 이름만이 아니라 특정 버전까지 함께 기록해 같은 환경을 다시 만들기 쉽게 하는 방법입니다. 무엇을 설치할까뿐 아니라 정확히 어떤 판을 설치할까까지 적어 두는 방식입니다. 즉 버전 고정은 설치 목록만 남기는 것이 아니라, 실행 조건을 가능한 한 같은 시점 상태로 묶어 두는 재현 장치입니다.
Why it matters: 같은 패키지라도 버전이 달라지면 코드 동작이나 결과가 바뀔 수 있어서 재현성을 높이는 기본 장치가 되기 때문입니다. 환경 차이로 생긴 오류를 줄이려면 코드보다 먼저 버전 차이를 의심해야 하는 경우도 많습니다. 이 개념이 있어야 패키지 이름이 같다와 실행 조건이 같다를 같은 말로 보지 않게 되고, 예제 문서가 나중에도 같은 결과를 내게 하려면 코드와 함께 버전 정보도 관리해야 한다는 점을 이해하게 됩니다. 결국 버전 고정은 같은 코드를 같은 환경에서 다시 실행하게 만드는 재현성 안전장치입니다.
Related concepts: dependency, reproducibility, requirements.txt
Core Section: P2-7.5
Appears in: P2-10.2

virtual environment¶

Meaning: 프로젝트마다 Python과 패키지를 분리해 둘 수 있도록 만든 독립 실행 공간입니다. 같은 컴퓨터 안에서도 프로젝트별로 다른 의존성 조합을 따로 유지하게 해 주는 작은 격리 상자에 가깝습니다. 시스템 전체 Python을 하나만 쓰는 대신, 프로젝트별로 이 작업은 이 인터프리터와 이 패키지 묶음으로 돈다고 분리해 두는 방식입니다.
Why it matters: 프로젝트별 패키지 충돌을 줄이고, 어떤 환경에 설치했고 어떤 환경에서 실행했는지 더 분명히 관리할 수 있기 때문입니다. 가상환경 개념이 있어야 내 컴퓨터에는 되는데 다른 프로젝트에서는 안 된다는 상황을 구조적으로 이해할 수 있습니다. 예를 들어 한 프로젝트는 pandas 최신판을 쓰고 다른 프로젝트는 예전판을 써야 할 때, 가상환경이 없으면 서로의 실행 조건을 쉽게 깨뜨릴 수 있습니다. 결국 가상환경은 한 컴퓨터에서 여러 프로젝트를 서로 덜 망가뜨리며 공존시키는 기본 격리 장치입니다.
Related concepts: local environment, runtime, package
Core Section: P2-7.4
Appears in: P2-7.5, P2-7.9, P2-10.2

visualization¶

Meaning: 숫자나 표 데이터를 선, 점, 막대, 구간 같은 시각적 모양으로 바꾸어 확인하는 과정입니다. 단순히 보기 좋게 꾸미는 일이 아니라, 숫자만으로는 잘 안 보이던 변화와 관계를 눈으로 비교 가능한 형태로 바꾸는 해석 과정이라고 볼 수 있습니다.
Why it matters: 표에서 바로 드러나지 않는 변화, 관계, 분포를 더 빨리 읽게 해 주며, 이후 실험 해석과 기록 작성의 출발점이 되기 때문입니다. 이 개념이 있어야 시각화가 단순 꾸미기가 아니라 무슨 패턴을 먼저 관찰할 것인가를 정하는 분석 도구라는 점을 이해하게 되고, 선 그래프·산점도·히스토그램처럼 형식 선택 자체도 질문에 따라 달라져야 한다는 판단으로 이어집니다. 또한 시각화를 이해해야 같은 데이터라도 어떤 그래프를 고르느냐에 따라 보이는 패턴과 놓치는 패턴이 달라질 수 있다는 점도 더 분명히 읽게 됩니다.
Related concepts: plot, distribution, Figure
Core Section: P2-13.1
Appears in: P2-13.2, P2-13.3, P2-15.1

ViT, Vision Transformer¶

Meaning: 이미지를 작은 패치 토큰으로 나눈 뒤, 각 패치 사이 관계를 self-attention으로 읽어 표현을 만드는 비전 모델 계열입니다. 즉 문장에서 단어 조각을 토큰으로 다루듯, ViT는 이미지도 작은 조각들의 시퀀스로 바꾸어 읽습니다. 그래서 핵심 직관은 이미지를 한 장의 격자로 직접 다루기보다 관계 있는 패치들의 집합으로 다시 표현하는 데 있습니다.
Why it matters: CNN이 가까운 픽셀 묶음에서 점차 큰 패턴을 읽는 방식과 달리, ViT는 처음부터 이미지를 패치들의 시퀀스처럼 다룬다는 점이 핵심 대비가 되기 때문입니다. 이 개념이 있어야 Transformer가 언어 밖으로 확장될 때 무엇이 토큰 역할을 하는지 이해하게 되고, 이미지 분류에서도 지역 특징과 전역 관계를 읽는 방식이 어떻게 달라지는지 더 자연스럽게 비교하게 됩니다. 특히 이미지에서도 attention이 통하는 이유는 무엇인가라는 질문에 대해, 픽셀 자체가 아니라 패치 표현 사이 관계를 읽는 구조라고 설명할 수 있게 됩니다.
Related concepts: CNN, convolutional neural network, Attention, patch
Core Section: P5-11.3
Appears in: P5-11.1, P5-11.2, P6-19.2