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

10_Wiki/Topics_GD/Data Cleaning Algorithms.md

@@ -1,12 +1,12 @@
 ---
-id: [[P-Reinforce]]-AUTO-DCAL-001
+id: [[P-Reinforce|P-Reinforce]]-AUTO-DCAL-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.92
-tags: [auto-reinforced, data-cleaning, data-pre[[Processing]], algorithms, outliers, duplicate-detection]
+tags: [auto-reinforced, data-cleaning, data-pre[[Processing|Processing]], algorithms, outliers, duplicate-detection]
 last_reinforced: 2026-04-20
 ---
 
-# [[Data Cleaning Algorithms]]
+# [[Data Cleaning Algorithms|Data Cleaning Algorithms]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "지식의 필터링: 'Garbage In, Garbage Out'의 저주를 막기 위해, 데이터 속의 노이즈, 중복, 오류를 자동으로 식별하고 교정하여 AI가 오직 '정수(Essence)'만을 배울 수 있도록 닦고 조이는 지적 세척 공정."
@@ -16,7 +16,7 @@ last_reinforced: 2026-04-20
 
 1.  **주요 태스크 및 알고리즘**:
     *   **Missing Value Imputation**: 평균, 최빈값 혹은 KNN/회귀 모델을 이용해 비어있는 값 채우기.
-    *   **Outlier Detection**: Z-Score, Isolation Forest 등을 이용해 정상 범위를 크게 벗어난 이상치 제거. ([[Anomaly-Detection]]과 연결)
+    *   **Outlier Detection**: Z-Score, Isolation Forest 등을 이용해 정상 범위를 크게 벗어난 이상치 제거. ([[Anomaly-Detection|Anomaly-Detection]]과 연결)
     *   **Deduplication (중복 제거)**: 해시 매칭이나 편집 거리(Levenshtein Distance)를 이용해 겹치는 데이터 제거.
     *   **Standardization**: 단위나 형식을 통일 (예: 날짜 포맷 통일).
 2.  **왜 중요한가?**:
@@ -27,6 +27,6 @@ last_reinforced: 2026-04-20
 - **정책 변화(RL Update)**: 거대 언어 모델 학습 시, 저품질 웹 텍스트를 걸러내기 위해 '지능형 분류기(Classifier)'를 통한 고품질 데이터 선별 정책이 모델의 성능을 결정하는 핵심 기밀 정책이 됨.
 
 ## 🔗 지식 연결 (Graph)
-- [[Anomaly-Detection]], [[Statistics & Data Analysis]], [[Optimization]], [[Quality Gates]], [[Signal in Noise]]
+- [[Anomaly-Detection|Anomaly-Detection]], [[Statistics & Data Analysis|Statistics & Data Analysis]], [[Optimization|Optimization]], [[Quality Gates|Quality Gates]], [[Signal in Noise|Signal in Noise]]
 - **Modern Tech/Tools**: Pandas, Scikit-learn, Great Expectations, DVC.
 ---