인공지능 개념 정리
1. 최대최소 탐색 트리 (Minimax Tree)
기본 개념
- 두 명의 플레이어(보통 MAX vs MIN)가 번갈아 게임을 할 때, 각각 자신의 최선의 수를 두는 완전정보 게임 모델.
- 리프 노드는 평가 함수로 미리 점수가 주어져 있고, 이 값을 기반으로 상위 노드의 값을 거슬러 올라가며 가치를 계산함.
원리
- MAX 노드는 자식 중 최댓값 선택
- MIN 노드는 자식 중 최솟값 선택
- 루트 노드에서 시작하여 리프까지 탐색, 리프의 평가 값을 바탕으로 루트의 최선의 선택 결정
예시
- A가 MIN 노드, 자식 노드들의 최댓값:
- B → max = 9
- C → max = 12
- D → max = 13
- A는 min(9, 12, 13) = 8 선택
2. α-β 가지치기 (Alpha-Beta Pruning)
기본 개념
- Minimax 탐색 트리에서 탐색하지 않아도 되는 가지를 잘라내어 속도를 향상시키는 방법
- 즉 Minimax 알고리즘에서 불필요한 가지를 잘라 탐색 효율을 향상시킴.
설명
- α(alpha): MAX 노드가 선택할 수 있는 최선의 선택
- β(beta): MIN 노드가 선택할 수 있는 최선의 선택
- α ≥ β가 되면 해당 서브트리는 더 이상 탐색할 필요 없음
3. 몬테카를로 트리 탐색 (Monte Carlo Tree Search, MCTS)
기본 개념
- 시뮬레이션 기반의 트리 탐색 알고리즘으로, 특히 게임 AI에서 자주 사용됨
4단계
- Selection(선택): 기존의 트리를 따라 가장 유망한 노드 선택 (UCT 등 기준 사용)
- Expansion(확장): 선택된 노드에 자식 노드 하나 추가
- Simulation(시뮬레이션): 임의의 수로 게임을 끝까지 진행
- Backpropagation(역전파): 결과를 루트까지 통계적으로 반영 (승률 업데이트)
탐사와 활용
- 탐사(Exploration): 덜 알려진 노드 탐색
- 활용(Exploitation): 지금까지 승률이 높은 노드 선택
4. 지식기반 시스템 (Knowledge-Based System)
기본 개념
- 전문가 지식을 시스템에 저장하고, 이를 기반으로 추론을 수행하는 시스템. 즉 전문가의 지식을 활용하여 문제를 해결.
구성 요소
- 지식 베이스 (Knowledge Base): 규칙 및 사실 저장
- 추론 엔진 (Inference Engine): 조건을 확인하고 결과 도출
- 설명 기능: 사용자에게 추론 과정을 설명함
특징
- 지식과 추론이 분리되어 유지보수 및 확장이 용이
5. ako ("a kind of")
기본 개념
- 상속 관계를 표현하는 용어
- 객체가 더 일반적인 상위 개념의 특성을 물려받음
- 객체지향에서 활용
예시
- "승용차 ako 차량"은 승용차가 차량의 특성을 상속함을 의미
6. 명제 논리: ∼p∨q
기본 개념
- 이는 조건명제
p → q와 논리적으로 동치 - p → q는 “p가 참일 때 q도 참이어야 한다”
해석
- p가 참일 경우, q가 참이어야 전체 명제가 참
- p가 거짓일 경우 전체 명제는 항상 참
- “p가 참이 아니라거나(∼p), 혹은 q가 참이다.” → 둘 중 하나만 참이어도 전체 명제는 참.
추가
-
p → q ≡ ∼p ∨ q ≡ contrapositive: ∼q → ∼p
-
‘’‘ p → q ’‘’
• “p이면 q이다”
• “p가 참이면 q도 참이다”
• “p는 q이기 위한 충분조건이다”
• “q는 p이기 위한 필요조건이다” -
조건명제
p → q진리표
| p (조건) | q (결과) | ∼p | ∼p ∨ q | p → q (조건명제) | 해석 |
|---|---|---|---|---|---|
| T | T | F | T | T | 조건도 맞고 결과도 맞음 |
| T | F | F | F | F | 조건 맞는데 결과 틀림 → 거짓 |
| F | T | T | T | T | 조건 틀림 → 전체 참 |
| F | F | T | T | T | 조건 틀림 → 전체 참 |
| 용어 | 논리식 | 해석 | 논리적 동치 관계 |
|---|---|---|---|
| 조건명제 | p → q | p이면 q이다 | - |
| 역 (Inverse) | ∼p → ∼q | p가 아니면 q도 아니다 | 일반적으로 동치 아님 |
| 이 (Converse) | q → p | q이면 p이다 | 일반적으로 동치 아님 |
| 대우 (Contrapositive) | ∼q → ∼p | q가 아니면 p도 아니다 | p → q 와 동치 |
7. 연언 표준형 (CNF: Conjunctive Normal Form)
기본 개념
- 논리식을 컴퓨터가 처리하기 좋은 형태로 바꾸는 방법
- AND(∧)로 연결된 OR(∨) 집합
예시
(~p ∨ q) ∧ (r ∨ s)- 각 괄호는 OR 절, 전체는 AND 연결
8. 해석적 추론 (Resolution)
기본 개념
- 두 명제(절) 간의 공통 리터럴을 제거하여 새로운 절을 도출하는 논리적 방법
예시
~P(x) ∨ Q(x)~Q(A) ∨ R(B)
→ 공통 리터럴 Q(x)를 제거 →~P(A) ∨ R(B)
9. 퍼지 집합 (Fuzzy Set)
기본 개념
- 고전 집합은 소속 여부가 0 또는 1, 퍼지 집합은 0과 1 사이의 연속적인 소속도 허용
- 요소의 소속 정도가 0~1 사이의 연속적인 값
연산
- 합집합:
max(μA(x), μB(x)) - 교집합:
min(μA(x), μB(x)) - 보집합:
1 - μA(x) - 드모르간 법칙 성립:
~(A ∩ B) = ~A ∪ ~B,~(A ∪ B) = ~A ∩ ~B
10. 퍼지 논리 연산자
| 연산 | 수식 |
|---|---|
| NOT | 1 - a |
| AND | min(a, b) |
| OR | max(a, b) |
| IF-THEN | max(1 - a, b) |
11. 퍼지 제어 시스템
기본 개념
- 언어적 규칙(예: "온도가 높으면 팬을 빠르게")을 사용하여 복잡한 시스템을 제어
- 언어적 규칙을 기반으로 시스템을 제어
구성
- 퍼지화 (Fuzzification): 실수 입력 → 퍼지 값
- 퍼지 추론 (Inference): 규칙 적용
- 디퍼지화 (Defuzzification): 퍼지 출력 → 실수값
12. 영상처리 기초
주요 개념
- 표본화(Sampling): 아날로그 → 디지털 좌표화
- 양자화(Quantization): 밝기값을 이산화
- 중간값 필터(Median Filter): 잡음 제거에 탁월
- 소벨 연산자(Sobel): 에지 검출 (강도 + 방향)
13. 주성분 분석 (PCA)
기본 개념
- 고차원의 데이터를 정보 손실을 최소화하며 저차원으로 축소
방법
- 공분산 행렬 → 고유값 분해 → 분산이 큰 성분 선택 → 차원 축소
14. 거리 측정
마할라노비스 거리
- 공분산 행렬을 고려하여 거리 계산
- 분포가 다를 경우, 단순 유클리드 거리보다 정밀
15. 최대 가능도 추정 (MLE)
기본 개념
- 주어진 데이터에서 관측될 가능성이 가장 큰 모수(parameter)를 찾는 방법
16. k-NN 분류
원리
- 테스트 데이터 주변의 k개의 학습 데이터를 찾고, 다수결로 클래스 결정
17. 학습 방식 분류
| 유형 | 설명 |
|---|---|
| 지도학습 | 입력과 출력 쌍 제공 |
| 비지도학습 | 출력 없이 입력만 제공 |
| 강화학습 | 보상 기반 학습 |
18. 오차 유형
- False Positive (거짓 양성): 실제는 부정인데 참으로 분류
- False Negative (거짓 음성): 실제는 긍정인데 거짓으로 분류
19. 결정트리
구성
- 불순도 척도: 엔트로피, 지니계수
- 분할 기준: 정보 이득(Information Gain)
20. 선형 회귀 & 경사하강법
기본 개념
- 선형 관계:
y = wx + b - 경사하강법:
w ← w - α * ∂C/∂w
21. 로지스틱 회귀
용도
- 이진 분류 문제 (0 또는 1)
함수
- 시그모이드 함수 사용:
f(x) = 1 / (1 + e^(-x))
22. k-평균 군집화
기본 개념
- k개의 클러스터 중심을 정의하고 데이터 재배치
- 비지도 학습 방식
23. 신경망의 특성
- 가중치에 정보 저장
- 결함내성 존재
- 뉴런은 단순 계산 유닛
24. 활성함수
| 함수 | 설명 |
|---|---|
| Sigmoid | 0~1 확률 출력 |
| tanh | -1~1 출력 |
| ReLU | 0 이상이면 x, 미만이면 0 |
| 선형(x) | 사용 부적절 (비선형성 부족) |
25. 퍼셉트론
- 단층 퍼셉트론: 선형 문제만 해결 가능
- XOR 문제: 해결 불가 → 다층 필요
26. 관성항 (Momentum)
- 학습 시 이전 가중치 변화량을 일정 비율 반영
- 진동 억제 + 지역 최소 탈출
27. 자기조직화 지도 (SOM)
- 입력 벡터에 가장 가까운 뉴런(BMU)을 선택
- 가중치 업데이트:
w(t+1) = w(t) + α(t)(x - w(t))
28. 경사 소멸 문제 (Vanishing Gradient)
- 딥러닝에서 층이 깊어질수록 기울기가 0에 가까워져 학습이 되지 않음
29. 심층 신뢰망 (Deep Belief Net)
- RBM(제한 볼츠만 머신)을 여러 층으로 구성
- 확률 기반의 심층 모델
30. 합성곱 신경망 (CNN)
- 합성곱층: 필터를 통해 지역적 특징 추출
- ReLU: 비선형성 도입
- Pooling: 다운샘플링
- Fully Connected: 최종 분류 수행
Working Abroad ...