본문 바로가기

IT기술노트/인공지능47

신경망 I. 신경망의 개요 가. 신경망의 정의 - 사람의 두뇌를 본 따서 여러 개의 판단 노드와 그들간의 연결을 통해 구성된 네트워크로 각 노드는 학습을 통해 가중치를 조정함으로써 점차 해를 찾아가는 휴리스틱 기법 나. 신경망의 특징 - 학습, 분류, 병렬처리, 견고함, 분산메모리, 단순한 구조 II. 신경망의 구조(모델링) 및 구성요소 가. 신경망의 구조(모델링) 구조 모델링 나. 신경망의 구성요소 구분 설명 입력값 - 학습 결과를 도출하기 위한 기초데이터 입력 계층 출력값 - 학습을 통해 도출된 결과값을 출력하는 계층, 처리 단위의 임계 값보다 크면 1, 작으면 0을 출력 중간값 - 하나의 인공 뉴런에 여러 개의 입력값의 주어지고, 각각에 대한 가중치를 곱한 다음 이들을 모두 더하면 중간값 y를 가짐 변형함.. 2021. 3. 4.
전문가시스템 I. 전문가시스템의 개요 가. 전문가시스템의 정의 - 인간이 특정분야에 대하여 가지고 있는 전문적인 지식을 정리하고 표현하여 컴퓨터에 입력시킴으로써 일반인도 이 전문 지식을 이용할 수 있도록 하는 시스템 나. 전문가시스템의 특징 - 사람보다 일의 속도가 빠르고 작업의 질을 높일 수 있음, 고신뢰성 및 비용절감 - 시스템 감시를 통해 시스템을 효율적으로 관리하고 특정 전문가의 지식을 잘 보존 II. 전문가시스템의 구성도 및 구성요소 가. 전문가시스템의 구성도 나. 전문가시스템의 구성요소 구성요소 설명 사용자 인터페이스 - 전문가 시스템과 사용자와의 접촉면 - 사용자가 문제를 진술하고 시스템과 상호작용을 할 수 있는 수단으로 스프레드시트, 멀티미디어 등 추론 엔진 - 지식 베이스를 검색해 문제를 해결하는데 .. 2021. 3. 4.
평가함수 I. 평가함수의 개요 가. 평가함수의 정의 - 탐색 과정에서 노드들의 확장 순서를 정하기 위한 척도 나. 평가함수의 개념도 개념도 설명 - g(N): 출발 노드 S로부터 현재 상태를 나타내는 노드 N까지의 경로비용 - h(N): 노드 N으로부터 목표 노드 G까지의 경로 비용 - h^(N)을 사용하는 경험적 탐색 방법 구분 설명 언덕 오르기 탐색 - h^(N)만을 사용 (과거 비용을 고려하지 않음) A* 알고리즘 - G(N) + h^(N)을 동시에 고려 (과거 비용도 고려) - 어떤 상태가 주어졌을 때 그 상태를 거치는 것이 목표 상태에 대해 얼마나 바람직한 가를 나타내는 함수 2021. 3. 4.
인공지능 윤리 I. 인공지능 윤리 이슈 등장배경 가. 인공지능 도입으로 인한 역기능 - 인공지능의 발전은 사회 전반에 새로운 기회를 가져오고 있으나, 이와 함께 인공지능 도입으로 인한 역기능과 이에 대한 규범적 대응 논의 부상 나. 인공지능 활용을 위한 윤리 및 법, 제도 필요성 분류 필요성 상세설명 자율주행 자동차 제조물 책임 - 자율주행단계 구분에 따라 L3 수준의 주행 도중 사고 발생 - 운전자의 책임이 아닌 제조자에게 책임을 물을 수 있는가? 트롤리 딜레마 - 차량 운행 중 선택의 딜레마에 빠진 경우에 대한 논란 데이터 편향 알고리즘 편향 - 인공지능에 의한 비의도적 차별과 편향의 사례 발생 인간의 편향 - 알고리즘에 대한 코딩을 하는 인간의 주관적 판단이 반영 인공지능간 경쟁, 충돌 개별 영역에서 의사결정모순.. 2021. 3. 4.
인공지능 학습 I. 지도학습의 개요 가. 지도학습의 정의 - 원하는 결과가 표현된 학습 데이터를 이용한 기계학습 방법 나. 지도학습의 알고리즘 - 신경망, 은닉 마르코프 모델(HMM), 의사결정트리, 다층신경망, 지지벡터머신(SVM), 베이지안 망 II. 비지도학습과 강화학습 가. 비지도학습의 정의 - 원하는 결과가 표현되지 않은 학습 데이터를 이용한 기계학습 방법 나. 비지도학습의 알고리즘 - 군집화, K-Means, 계층적 군집화, 자기조직지도, 주성분 분석, 독립성분분석 다. 강화학습의 정의 - 잘한 행동에 대해 칭찬받고 잘못한 행동에 대해 벌을 받은 경험을 통해 자신의 지식을 키워 나가는 학습법 III. 기계학습 3가지 학습방법 정리 2021. 3. 4.
인공지능의 지식 베이스(Knowledge Base) I. 인공지능 지식 베이스와 지식표현의 개요 가. 인공지능의 지식 베이스(Knowledge Base)의 정의 - 지식 베이스는 실 세계 문제 영역내의 객체나 관계를 프로그램 내의 계산에서 사용하는 객체나 관계들로 매칭 시키는 것 나. 인공지능의 지식 표현(Knowledge Representation)의 개념 - 컴퓨터가 지식을 이용하기 위해서는 필요한 지식을 컴퓨터가 효율적으로 이해할 수 있는 형식 언어로 기술 II. 인공지능의 여러가지 지식표현 종류 가. 지식표현의 종류 종류 설명 예 논리(Logic) - 형식적인 논리식을 이용하여 지식베이스를 구축, 인간의 사고 과정과 유사, 추론 과정의 완전성이 보장 - 명제 논리는 하나의 판단을 포함하는 문장이나 정보를 말하며 명제가 참 또는 거짓의 진리 값을 가.. 2021. 3. 4.
튜링테스트 I. 튜링테스트의 개요 가. 튜링테스트의 정의 - 기계가 인간과 얼마나 비슷하게 대화할 수 있는지를 기준으로 기계에 지능이 있는지를 판별하고자 하는 테스트 - 1950년 앨런 튜링 제안 나. 튜링테스트의 개념도 II. 튜링테스트의 절차 절차 설명 1 - 심판은 컴퓨터가 2대가 설치된 방에 혼자 들어간다. (한쪽은 컴퓨터, 한쪽은 사람) 2 - 심판은 실험대상과 다섯번씩 컴퓨터 채팅을 통해 대화한다. 3 - 심판은 더 자연스럽게 대화를 나눈 쪽이 사람이라고 가늠한다. 4 - 컴퓨터가 전체 심판진 가운데 3분의1 이상을 속이고 사람으로 꼽히면 그 컴퓨터 프로그램은 인공지능을 지녔다고 인정한다. 2021. 3. 4.
XAI(eXplainable AI) I. XAI의 개요 가. XAI(eXplainable AI)의 정의 - 머신러닝 또는 인공지능의 의사결정에 대한 이유를 사람이 이해할 수 있는 방식으로 제시하는 인공지능 II. XAI의 메커니즘 및 구현기술 가. XAI의 메커니즘 - XAI는 고양이 여부를 도출하고 판단의 근거까지 사용자에게 제공하여 도출 과정의 타당성을 제공 나. XAI의 구현기술 구현기술 상세설명 구현사례 기존 학습모델 변경 - 기존 학습 모델에 역산 과정을 추가하거나 학습 모델을 수정 - 합성곱 신경망에 역합성곱 신경망 추가 새로운 학습모델 개발 - 원인-결과와 같은 도출 과정이 표현 가능한 학습 모델을 새로이 만드는 것 - 확률적 AND-OR 그래프 기반의 분류 학습 모델 학습모델간 비교 - 방법은 설명하려는 학습 모델에 대한 세.. 2021. 3. 4.
인공지능 I. 인공지능의 개요 가. 인공지능의 정의 - 인간이 가지고 있는 추론, 인식, 판단, 학습 등의 사고 기능을 컴퓨터에 의해 모델화하여 인간의 사고 활동을 컴퓨터 상에서 인간의 사고과정 일부를 개발한 프로그램 나. 인공지능의 특징 - 일반성, 방대성, 부정확성, 지식이용, 추론기능, 휴리스틱 탐색, 출력효율성 제고 다. 인공지능 발전의 단계 - 전문가시스템 > 인공신경망 > 기계학습 > 딥러닝 II. 인공지능의 3가지 능력 및 지식표현 가. 인공지능의 3가지 능력 능력 설명 학습(Learning) - 문제에 관련된 사실과 규칙 등 관련 지식을 일련의 과정을 통해 습득하는 단계로 지식베이스, 신경망을 통한 학습 등이 대표적인 예 인식(Recognition) - 데이터로부터 중요한 특징이나 속성을 추출하여 .. 2021. 3. 4.
랜덤 포레스트(Random Forest) I. 의사결정트리를 앙상블 기법으로 학습, 랜덤 포레스트의 개요 가. 랜덤 포레스트(Random Forest)의 정의 - 머신러닝 기법 중에 하나이며, 다수의 의사결정 트리로부터 분류 혹은 회귀 등에서 사용되는 앙상블 학습 방법 II. 랜덤 포레스트의 개념도 및 알고리즘 가. 랜덤 포레스트의 개념도 - Out-Of-Bag(OOB): 부트스트랩 샘플링 과정에서 추출되지 않은 관측치, 주로 평가용 데이터에서의 오분류율을 예측하는 용도 및 변수 중요도를 추정하는 용도 나. 랜덤 포레스트의 알고리즘 알고리즘 설명 N개의 bootstrap sample 생성 - 부트스트랩을 통해 N개의 훈련 데이터 집합을 생성 임의의 bootstrap sample과 변수로 N개의 tree 생성 - N개의 기초 분류기(트리)들을 훈.. 2021. 3. 3.
반응형

티스토리툴바