인공지능

연구분야 탐색(search) : state space에서 문제에 대한 최적의 해를 찾기 위해 공간을 체계적으로 찾아보는 것

통신 단말에서 정보 단말로 지능화함애플의 siri, 구글의 now 등이 존재함자연어로 주어진 질문에 답변을 하는 인공지능 시스템언어간 교차 번역 시스템이미지 주석 달기, 화풍에 따른 그림 그리기자동화 기술: 생산성 향상, 일자리 감소 문제, 사회적 문제 초래ex) 자율

문제의 해가 될 수 있는 것들의 집합을 공간으로 간주하고, 문제에 대한 최적해를 찾기위해 공간을 체계적으로 찾아보는 것특정 시점에 문제의 세계가 처해있는 모습문제에 포함된 대상들과 이들의 상황을 포괄적으로 지칭문제 해결 과정에서 초기 상태로부터 도달할 수 있는 모든 상

상대가 있는 게임에서 자신과 상대방의 가능한 게임 상태를 나타낸 트리게임의 결과는 마지막에 결정많은 수(lookahead)를 볼 수록 유리수치가 클수록 자신에게 유리해지고, 작을수록 상대방에게 유리해진다.MAX 노드: 자신에 해당하는 노드로 자기에게 유리한 최대값 선택

주어진 제약조건을 만족하는 조합 해(combinatorial solution)를 찾는 문제깊이 우선 탐색을 하는 것처럼 변수에 허용되는 값을 하나씩 대입모든 가능한 값을 대입해서 만족하는 것이 없으면 이전 단게로 돌아가서 이전 단계의 변수에 다른 값을 대입인접 변수 간

데이터 피라미드데이터(data)특정 분야에서 관측된 아직 가공되지 않은 것사실인 것처럼 관측되지만 오류나 잡음을 포함 가능정보(infomation)데이터를 가공하여 어떤 목적이나 의미를 갖도록 한 것지식(knowledge)정보를 취합하고 분석하여 얻은 대상에 대해 사람

명제의 내용을 다루기 위해 변수, 함수 등을 도입하고 이들의 값에 따라 참, 거짓이 결정되도록 명제 논리를 확장한 논리 문장의 '주어+서술어' 형태에서 서술어에 해당 대상의 속성이나 대상간의 관계를 기술하는 기호 참 또는 거짓 값을 갖는 명제의 기본형식 존재 한정

지식을 규칙의 형태로 표현주어진 문제 상황에 적용될 수 있는 규칙들을 사용하여 문제에 대한 해를 찾도록 하는 지식 기반 시스템전문가 시스템을 구현하는 전형적인 형태구축된 지식과 주어진 데이터나 정보를 이용하여 새로운 사실을 생성하는 것규칙의 조건부와 만족하는 사실이 있

약한 인과성(weak implication)이나 애매한 연관관계(vague association)인 지식의 표현ex. IF(조건)dhk THEN(취해야 할 행동) 사이의 연관성의 강도=> 확신도(certainty degree) 사용 표현=> 베이즈 정리(Bayesian

어떤 사건이 일어날 가능성빈도주의자 확률(frequentist probability) 전체 실험 회수 대비 관심 사건의 상대적 빈도 확신 또는 믿음의 정도 사건 A와 B가 동시에 일어날 확률 B가 주어질 때 A가 일어날 확률 전문가에 의한 각 규칙에 대한 충분 가능

결과정보가 없는 데이터들에 대해서 특정 패턴을 찾는 것데이터에 잠재함 구조, 계층구조를 찾아내는 것숨겨진 사용자 집단을 찾는 것문서들을 주제에 따라 구조화하는 것로그 정보를 사용하여 사용패턴을 찾아내는 것대상: 군집화, 밀도추정, 차원축소유사성에 따라 데이터를 분할하는

트리 형태로 의사결정 지식을 표현한 것내부 노드(internal node): 비교 속성간선(edge): 속성 값단말 노드(terminal node): 부류(calss), 대표값모든 데이터를 포함한 하나의 노드로 구성된 트리에서 시작반복적인 노드 분할과정분할 속성을 선택

데이터를 유사한 것들끼리 모으는 것군집 간의 유사도는 작게, 군집 내의 유사도는 크게군집 간의 거리는 크게, 군집 내의 거리는 작게군집화의 결과가 군집들이 계층적인 구조를 갖도록 하는 것병합형(agglomerative) 계층적 군집화(바텀 업 방식)각데이터가 하나의 군

인간 두뇌에 대한 계산적 모델을 통해 인공지능을 구현하려는 분야신경세포(neuron)의 인공적인 모델\-> 퍼셉트론 : 학습가능한 신경망 모델 (함수의 역할을 한다고 볼수 있음)OR 연산을 수행하는 퍼셉트론선형 분리가능 문제선형 분리불가 문제XOR 문제여러 개의 퍼셉트

일반 신경망: 소수의 은닉층 포함딥러닝 신경망: 다수의 은닉층 포함원시 데이터에서 직접 특징(handcrafted feature)을 추출해서 만든 특징 벡터를 입력으로 사용특징 벡터들의 품질에 영향특징추출과 학습을 함께 수행데이터로부터 효과적인 특징을 학습을 통해 추출

동물의 시각피질에서 이루어지는 계층적인 정보처리과정을 모방해서 만든 것\-> 점차 추상적인 특징이 추출되고 합쳐저 구체적인 결과로 인식전반부: 컨볼루션 연산을 수행하여 특징 추출후반부: 특징을 이용하여 분류영상분류, 문자 인식 등 인식문제에 높은 성능일정 영역의 값들에

특징 추출을 위한 컨볼루션 부분컨볼루션 연산을 하는 Conv층ReLU 연산을 하는 ReLU풀링 연산 Pool추출된 특징을 사용하여 분류 또는 회귀를 수행하는 다층 퍼셉트론 부분전방향으로 전체 연결된 FC층 반복분류의 경우 마지막 층에 소프트맥스를 하는 SM연산 추가소프

5 계층 구조: Conv-Pool-Conv-Pool-Conv-FC-FC입력 : 32x32 필기체 숫자 영상풀링 : 가중치x(2x2블록의 합)+편차항시그모이드 활성화 함수 사용성능 : 오차율 0.95%(정확도: 99.05%)상위-5 오류율 : 16.43%8계층 구조ReL

Google에서 공개한 오픈소스 라이브러리파이썬/C++ API을 이용해 쉽게 사용가능원래 많은 수치 계산을 효과적으로 지원하기 위해 개발됨현재는 기계학습과 딥러닝 응용 시스템을 개발하는데 널리 활용실제 내부 코드는 C/C++로 개발되어 컴파일 속도 빠름CPU, GPU,

기본적인 산술연산은 동일 shape의 텐서에서 동일 위치 별로 수행텐서의 크기를 줄이는 함수reduce_f(x)(텐서, 축)특정 확률 분포에 따라 난수 생성