인공지능의 핵심적인 개발과 이해를 위해 아래와 같은 수학의 여러 개념들이 필요합니다.
선형 대수학: 인공지능, 특히 머신러닝과 딥러닝에서는 벡터, 행렬, 텐서 등 선형 대수학의 개념들이 중요합니다. 이들은 데이터를 표현하고, 변환하고, 연산하는 데 사용됩니다.
미적분학: 미적분학은 최적화 문제를 해결하는 데 필수적입니다. 경사하강법 같은 알고리즘은 비용 함수를 최소화하기 위해 미분을 사용합니다.
확률론과 통계학: 인공지능은 데이터로부터 패턴을 학습하기 때문에 확률과 통계는 핵심적입니다. 이를 통해 불확실성을 다루고, 예측을 하며, 모델의 성능을 평가합니다.
정보 이론: 정보 이론은 데이터의 정보량을 측정하고, 알고리즘의 성능을 평가하는 데 사용됩니다.
최적화 이론: 인공지능에서 최적의 모델 파라미터를 찾기 위해 최적화 이론이 사용됩니다. 이는 비용 함수를 최소화하거나 최대화하는 파라미터를 찾는 과정을 포함합니다.
그래프 이론: 인공지능의 특정 분야, 예를 들어 그래프 신경망이나 구조화된 데이터를 다루는 경우, 그래프 이론은 중요한 역할을 합니다.
이러한 수학적 개념들은 인공지능의 다양한 부분에서 사용되며, 효과적인 인공지능 시스템을 개발하고 이해하는 데 있어 중요합니다.
각 과목에 대해 대략적인 목차와 설명입니다. 알아두셔야 할 것은, 각 주제는 넓은 영역을 다루고 있으며 아래 목록은 그 중 일부만을 담고 있다는 점입니다. 또한 각 주제의 순서는 학습 경로에 따라 다르게 구성될 수 있습니다.
선형 대수학:
선형 대수학은 데이터를 표현하고 처리하는 데 필요한 핵심적인 도구입니다. 벡터와 행렬을 이용하여 데이터를 조직하고, 연산을 수행하며, 선형 변환을 통해 데이터를 다른 차원으로 변환하거나 데이터의 특성을 추출할 수 있습니다. 고유값과 고유벡터, 특이값 분해 등은 데이터의 기본적인 구조를 이해하고 특징을 추출하는 데 중요한 도구입니다.
미적분학:
미적분학은 함수의 변화율을 계산하고, 곡선 아래의 영역을 측정하는 데 사용됩니다. 특히 미분과 적분은 함수의 최대값 또는 최소값을 찾는 데 필요한 기본 도구입니다. 인공지능에서는 미적분학을 이용하여 비용 함수를 최소화하거나, 가능도를 최대화하는 모델 파라미터를 찾습니다.
확률론과 통계학:
확률의 기본 개념
조건부 확률과 베이즈 정리
확률 분포 (이산 및 연속)
기대값, 분산, 공분산
중심 극한 정리
추정 이론
가설 검정
확률론과 통계학은 불확실성을 이해하고 정량화하는 데 사용됩니다. 이를
통해 데이터의 변동성을 처리하고, 모델의 불확실성을 추정하며, 예측에 대한 신뢰도를 평가할 수 있습니다. 인공지능에서는 확률론과 통계학을 이용하여 데이터로부터 모델을 학습하고, 예측을 생성하며, 모델의 성능을 평가합니다.
정보 이론:
정보 이론은 데이터의 정보량을 측정하는 방법을 제공합니다. 이를 통해 데이터의 불확실성을 측정하고, 데이터 사이의 상관 관계를 평가하며, 모델의 예측 성능을 측정할 수 있습니다. 인공지능에서는 정보 이론을 이용하여 학습 알고리즘의 성능을 최적화하고, 데이터의 복잡성을 다룹니다.
최적화 이론:
최적화 이론은 주어진 목적 함수를 최대화 또는 최소화하는 변수의 값을 찾는 방법을 제공합니다. 인공지능에서는 최적화 이론을 이용하여 비용 함수를 최소화하거나 가능도를 최대화하는 모델 파라미터를 찾습니다.
그래프 이론:
그래프 이론은 객체 간의 관계를 모델링하는 데 사용됩니다. 인공지능에서는 그래프 이론을 이용하여 복잡한 네트워크를 모델링하고, 구조화된 데이터를 처리하며, 경로 찾기 문제를 해결합니다.
알기 쉬운 선형대수 / Howard Anton, Chris Rorres
https://www.yes24.com/Product/Goods/97799029
미분적분학 / 제임스 스튜어트 (에디션 크게 상관없음)
수리통계학 / 송성주, 전명식
https://www.yes24.com/Product/Goods/89240500
베이지안으로 접근하는 자연어 처리 / 샤이 코헨 (에디션 크게 상관없음)
패턴 인식과 머신 러닝 / 크리스토퍼 비숍 : 머신러닝 기초 바이블
https://www.yes24.com/Product/Goods/64189352