docs: finalized wiki integrity maintenance (v3.0 standard) - pruned 1400+ stubs and fixed 11k+ ghost links

10_Wiki/Topics_GD/Active Learning.md

@@ -1,12 +1,12 @@
 ---
-id: [[P-Reinforce]]-AUTO-ACLE-001
+id: [[P-Reinforce|P-Reinforce]]-AUTO-ACLE-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.98
-tags: [auto-reinforced, active-learning, machine-learning, [[Optimization]], data-[[Efficiency]], human-in-the-loop]
+tags: [auto-reinforced, active-learning, machine-learning, [[Optimization|Optimization]], data-[[Efficiency|Efficiency]], human-in-the-loop]
 last_reinforced: 2026-04-20
 ---
 
-# [[Active Learning]]
+# [[Active Learning|Active Learning]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "똑똑하게 질문해서 배우기: 모든 데이터를 맹목적으로 학습하는 대신, 정답을 알았을 때 모델의 지능이 가장 크게 상승할 것 같은 '핵심 질문(데이터)'만 골라 인간에게 정답을 요청하는 고효율 학습 전략."
@@ -14,7 +14,7 @@ last_reinforced: 2026-04-20
 ## 📖 구조화된 지식 (Synthesized Content)
 능동 학습(Active Learning)은 머신러닝 모델이 스스로 학습 과정에 참여하여, 레이블(Label)되지 않은 데이터 중 학습에 가장 도움이 될 데이터를 선별하고 전문가에게 레이블링을 요청하는 기법입니다.
 
-1.  **동작 원리 (Query [[Strategy]])**:
+1.  **동작 원리 (Query [[Strategy|Strategy]])**:
     *   **Uncertainty Sampling**: 모델이 정답을 가장 확신하지 못하는(Entropy가 높은) 데이터를 고름.
     *   **Query-by-Committee**: 여러 모델의 의견이 가장 일치하지 않는 데이터를 추출.
     *   **Representativeness**: 전체 데이터의 분포를 가장 잘 대표하는 표본을 선택.
@@ -28,6 +28,6 @@ last_reinforced: 2026-04-20
 - **정책 변화(RL Update)**: 인간과의 상호작용 피로도를 낮추기 위해, "꼭 필요한 질문만 던지는" 에이전트의 예절 및 효율성 알고리즘을 최적화하는 정책이 RAG 부문 및 도메인 특화 모델 개발의 표준이 됨.
 
 ## 🔗 지식 연결 (Graph)
-- [[SFT (Supervised [[Fine-tuning]])]], [[RLHF (인간 피드백 기반 강화 학습)]], [[Resource-Management]], [[Decision Theory]], [[Scientific Communication]]
+- [[SFT (Supervised Fine-Tuning)|SFT (Supervised [[Fine-tuning]])]], [[RLHF (인간 피드백 기반 강화 학습)|RLHF (인간 피드백 기반 강화 학습)]], [[Resource-Management|Resource-Management]], [[Decision Theory|Decision Theory]], [[Scientific Communication|Scientific Communication]]
 - **Modern Tech/Tools**: Prodigy (Labeling tool), ModAL (Python framework for Active Learning).
 ---