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

10_Wiki/Topics_GD/Regularization.md

@@ -1,12 +1,12 @@
 ---
-id: [[P-Reinforce]]-AUTO-REGU-001
+id: [[P-Reinforce|P-Reinforce]]-AUTO-REGU-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 0.97
-tags: [auto-reinforced, regularization, [[Overfitting]], precision, machine-learning, [[L2-Regularization]]]
+tags: [auto-reinforced, regularization, [[Overfitting|Overfitting]], precision, machine-learning, [[L2-Regularization|L2-Regularization]]]
 last_reinforced: 2026-04-20
 ---
 
-# [[Regularization]]
+# [[Regularization|Regularization]]
 
 ## 📌 한 줄 통찰 (The Karpathy Summary)
 > "복잡함에 대한 벌금: 모델이 훈련 데이터의 사소한 잡음까지 외우려 할 때마다 과감하게 제동을 걸어, 너무 똑똑해 보이기보다 '적당히 단순하고 일반적인' 통찰을 갖게 만들어 실전(Test data) 강자로 키워내는 억제 기술."
@@ -20,13 +20,13 @@ last_reinforced: 2026-04-20
     *   **Dropout**: 무작위로 신경망의 연결을 끊음.
     *   **Early Stopping**: 성능이 안 좋아지기 전에 학습 중단.
 2.  **왜 중요한가?**:
-    *   현실 세계의 데이터는 항상 노이즈([[Noise]])가 섞여 있으며, 이를 걸러내지 못하는 모델은 쓸모없는 '암기기계'에 불과하기 때문임. ([[Optimization]]의 필수 요소)
+    *   현실 세계의 데이터는 항상 노이즈([[Noise|Noise]])가 섞여 있으며, 이를 걸러내지 못하는 모델은 쓸모없는 '암기기계'에 불과하기 때문임. ([[Optimization|Optimization]]의 필수 요소)
 
 ## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
 - **과거 데이터와의 충돌**: 과거에는 파라미터 수를 줄이는 정책에만 집중했으나, 현대 정책은 파라미터는 수조 개로 늘리되 데이터 증강(Augmentation)이나 정교한 가중치 감쇠(Weight Decay) 정책을 통해 '거대한 일반 지능 정책'을 구축하는 방향으로 전환됨(RL Update).
 - **정책 변화(RL Update)**: "단순한 것이 최고다(Occam's Razor)"라는 고전 정책을 수학적 수식 정책으로 구현해낸 것이 바로 현대 머신러닝의 정규화 정책임.
 
 ## 🔗 지식 연결 (Graph)
-- [[Overfitting]], [[L2-Regularization]], [[Noise]], [[Optimization]], [[Machine Learning (ML)]]
-- **Modern Tech/Tools**: Weight decay, Batch [[Normalization]], Dropout layers.
+- [[Overfitting|Overfitting]], [[L2-Regularization|L2-Regularization]], [[Noise|Noise]], [[Optimization|Optimization]], [[Machine Learning (ML)|Machine Learning (ML)]]
+- **Modern Tech/Tools**: Weight decay, Batch [[Normalization|Normalization]], Dropout layers.
 ---