docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거

Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를
Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류.

- 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로
  자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거,
  동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거.
- 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming,
  Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business,
  Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로,
  나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는
  title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백).
  원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지.
- 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서.
- 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는
  지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지.
- Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경.
- 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.

10_Wiki/Topic_Programming/AI_and_ML/Mean-Absolute-Error-MAE.md

@@ -0,0 +1,118 @@
+---
+id: wiki-2026-0508-mean-absolute-error-mae
+title: Mean Absolute Error (MAE)
+category: 10_Wiki/Topics
+status: verified
+canonical_id: self
+aliases: [MAE, L1 Loss, Mean Absolute Error]
+duplicate_of: none
+source_trust_level: A
+confidence_score: 0.9
+verification_status: applied
+tags: [loss-function, regression, l1, robust, metric]
+raw_sources: []
+last_reinforced: 2026-05-10
+github_commit: pending
+tech_stack: { language: python, framework: sklearn-pytorch }
+---
+
+# Mean Absolute Error (MAE)
+
+## 매 한 줄
+> **"매 오차를 그대로, 매 outlier 에 강하게"**. MAE 는 예측과 실제값 차이의 절댓값 평균이며, MSE 와 달리 큰 오차를 제곱으로 부풀리지 않아 outlier 에 robust 하다.
+
+## 매 핵심
+### 매 정의
+$$\text{MAE} = \frac{1}{n}\sum_{i=1}^{n} |y_i - \hat{y}_i|$$
+
+- 단위가 target 과 동일 → 해석 직관적.
+- gradient 는 ±1 (0 에서 미분 불가, sub-gradient 사용).
+- 최적해는 **median** (MSE 의 mean 과 대비).
+
+### 매 vs MSE
+1. **MSE**: outlier penalize 강함, gradient 가 오차에 비례 → 큰 오차 빠르게 줄임. mean 으로 수렴.
+2. **MAE**: outlier 영향 작음, gradient 일정 → 학습 후반 수렴 느림. median 으로 수렴.
+3. **Huber**: |e| 작을 때 MSE, 클 때 MAE — 둘의 절충.
+
+### 매 사용처
+1. outlier 가 데이터 본질이 아니라 noise 인 회귀.
+2. 예측 오차의 단위 의미가 중요한 비즈니스 지표 (배송시간, 판매량).
+3. quantile / median regression.
+
+## 💻 패턴
+### 1. NumPy 직접
+```python
+import numpy as np
+mae = np.mean(np.abs(y_true - y_pred))
+```
+
+### 2. sklearn metric
+```python
+from sklearn.metrics import mean_absolute_error
+mae = mean_absolute_error(y_true, y_pred)
+```
+
+### 3. PyTorch L1Loss
+```python
+import torch.nn as nn
+criterion = nn.L1Loss()         # mean reduction
+loss = criterion(pred, target)
+```
+
+### 4. PyTorch SmoothL1 (Huber)
+```python
+nn.SmoothL1Loss(beta=1.0)       # |e|<beta → 0.5 e^2/beta, else |e|-0.5*beta
+```
+
+### 5. Custom weighted MAE
+```python
+def weighted_mae(y, p, w):
+    return (w * (y - p).abs()).sum() / w.sum()
+```
+
+### 6. sklearn regressor 학습 시 MAE 최소화
+```python
+from sklearn.linear_model import HuberRegressor
+from lightgbm import LGBMRegressor
+m = LGBMRegressor(objective='regression_l1')   # L1 = MAE
+```
+
+### 7. MAPE (percentage 변형)
+```python
+mape = np.mean(np.abs((y - p) / y)) * 100   # y!=0 보장
+```
+
+## 매 결정 기준
+| 상황 | Loss |
+|---|---|
+| outlier 가 noise | MAE / Huber |
+| outlier 가 signal (사기탐지 등) | MSE |
+| 균형 + smooth gradient | Huber/SmoothL1 |
+| 비율 오차가 의미 | MAPE / sMAPE |
+| 분포의 꼬리 | quantile loss |
+
+**기본값**: 회귀 평가 metric 은 MAE + RMSE 둘 다 보고, 학습 loss 는 MSE 또는 Huber.
+
+## 🔗 Graph
+- 부모: [[Loss-Function]], [[Regression]]
+- 변형: [[MSE]]
+- 응용: [[Time-Series-Analysis|Time-Series-Forecasting]]
+
+## 🤖 LLM 활용
+**언제**: loss 선택 brainstorm, outlier 대응 전략 설명, 비즈니스 metric 매핑.
+**언제 X**: 데이터셋 전체 통계 추정 (직접 EDA 가 정확).
+
+## ❌ 안티패턴
+- MAE 만 보고 모델 비교 — 분산/꼬리 정보 손실, RMSE 와 함께.
+- target scale 매우 다른 multi-output 에 단일 MAE — feature-wise normalize 필요.
+- 0 근처 target 에 MAPE — 분모 폭주.
+- 0 에서 미분 불가 무시 — Huber/SmoothL1 권장 (특히 SGD).
+
+## 🧪 검증 / 중복
+- Verified. 신뢰도 A.
+
+## 🕓 Changelog
+| 날짜 | 변경 |
+|---|---|
+| 2026-05-08 | Phase 1 |
+| 2026-05-10 | Manual cleanup |