본문 바로가기

분류 전체보기836

Q-러닝 강화학습, Model-Free, Q함수, 벨만 방정식, 마르코프 가정 I. Q-러닝의 개요 가. Q-러닝(Q-Learning)의 정의 - 특정한 상태에 놓여있을 때 취할 수 있는 각각의 행동에 대한 효용(Q)값을 미리 계산하여, 마르코프 의사결정 과정에서 최적의 정책을 찾는 강화학습 방법 II. Q-러닝의 프로세스 및 구성요소 가. Q-러닝의 프로세스 프로세스 설명 1) Value table Q(상태, 액션) 초기화 2) 현재 상태에 대한 관찰 수행 3) 액션 선택 정책에 기반하여 현재 상태에 맞는 액션 선택 4) 새로운 상태와 보상에 대한 관찰 5) 보상에 대한 관찰 및 다음 상태에서의 보상 최대치 업데이트 6) 새로운 상태 설정 및 반복 수행 - 보상에 의한 정책에 따라 액션을 수행하고, 보상의 측정.. 2021. 3. 6.
은닉 마르코프(HMM, Hidden Markov Model) I. 은닉 마르코프 모델의 개요 가. 은닉 마르코프(HMM, Hidden Markov Model)의 정의 - 관측될 수 없는 은닉 상태를 관측이 가능한 결과를 통하여 모델링하는 이중 확률론적 모델 나. HMM의 기반이 되는 마르코프(MM) 모델의 가정 - 특정 사건이 관측될 확률은 이전 시간 관측 결과에 의존하며, 상태를 직접 볼 수 없음 II. 은닉 마르코프 모델의 기본 모델도와 유형 및 구성요소 가. 은닉 마르코프 모델의 기본 모델도와 유형 항목 설명 기본 모델도 HMM 유형 Ergodic - 모든 상태가 연결, 상태간 확률 연계 - 순환모델 Left to Right - 상태 전이가 순차 발생 - 일자형 모델 - 은닉상태/관찰가능상태 집합, 상태전이/관찰확률 행렬 및 파이 벡터기반 HMM 모델링 나... 2021. 3. 6.
R-CNN I. R-CNN의 개요 가. R-CNN의 정의 - Image classification을 수행하는 CNN 과 이미지에서 물체가 존재할 영역을 제안해 주는 Region proposal 알고리즘을 연결하여 높은 성능의 Object detection을 수행하는 알고리즘 II. R-CNN의 객체탐지절차 및 기술요소 가. R-CNN의 객체탐지절차 - Region Proposal, CNN, SVM 알고리즘의 조합을 통해 객체 탐지 수행 나. R-CNN의 기술요소 기술요소 역학 설명 Region Proposal - 최대 2K의 영역제한 - Selective Search 알고리즘 사용, 물체 존재 영역 제안 Warped region - 이미지 Crop - CNN을 수행하기 위해 동일 사이즈 이미지 전처리 CNN - F.. 2021. 3. 5.
LSTM(Long Shot Term Memory) I. LSTM의 개요 가. LSTM(Long Shot Term Memory)의 정의 - RNN으로 해결할 수 없는 장기 메모리가 필요한 문제를 해결하기 위해 개발된 신경망 II. LSTM의 상세설명 구분 개념도 설명 Forget Gate Layer Input Gate Layer Cell State Update Determine Output 2021. 3. 5.
RNN(Recurrent Neural Network) I. RNN의 개요 가. RNN(Recurrent Neural Network)의 정의 - 순환 신경망이라고 하며 내부에 루프를 가진 네트워크로 신호가 한쪽 방향으로 흘러가는 것이 아니라 순환 구조를 가지는 신경망 나. RNN의 특징 - 언어 학습에 특화되어 음성인식, 단어의 의미 판단, 대화식 학습에 유리 - 영상, 소리 등 순차적인 데이터를 기반으로 동영상 분류, 음악 장르 분류에도 유리 II. RNN의 개념도 - 내부에 루프를 가진 네트워크를 구성함으로써 정보의 지속성을 획득 - BPTT(Backpropagation Through Time)라는 변형된 알고리즘을 통해 학습 - 은닉층이 깊어질수록 장기 의존성 문제에 의해 학습 효율이 떨어져 LSTM으로 발전 2021. 3. 5.
CNN(Convolutional Neural Network) I. 영상분류 및 객체 검출에 탁월한 인공지능 알고리즘, CNN의 개요 가. CNN(Convolutional Neural Network)의 정의 - 컴퓨터 비전을 위해 convolution layer, pooling layer, fully connected layer를 통해 feature 추출, 차원 축소 단계를 거쳐 이미지를 분류, 인식 가능한 신경망 알고리즘 나. CNN의 특징 II. CNN의 구조 및 기술요소 가. CNN의 구조 나. CNN의 기술요소 구분 기술요소 설명 Layer 구성 Convolution Layer - 합성곱 연산을 통해 Feature를 추출 Pooling Layer - Sub Sampling을 통한 차원축소로 max-pooling, average pooling등 활용 Fully.. 2021. 3. 5.
인공지능 관련법 I. ICT 융합 확대를 위한 인공지능 산업 활성화 개요 II. 인공지능 촉진을 위한 유관 법률 및 규제현황 가. 인공지능 촉진을 위한 유관 법률 유관법률 내용 지능형로봇 개발 및 보급촉진법 - 인공지능 기술보다는 지능형 로봇이라는 기계장치에 초점 - 궁극적인 발전이 유체물로서 로봇과 연계 소프트웨어 산업진흥법 - 초기 인공지능의 활용은 소프트웨어적 차원의 서비스일 가능성이 높기 때문에 비교적 직접적인 촉진 유관법률 적용이 가능 ICT융합특별법 - 인공지능 기술이라는 것이 기본적으로 네트워크 통산 및 데이터 기술에 근간을 두고 있으며, 이를 통해 구축된 ICT 산업생태계를 전체로 한 측면에서 정보통신 진흥 및 융합 활성화 등에 관한 특별법ICT융합 특별법)]도 진흥법으로 적용이 가능 - 인공지능만을 대상.. 2021. 3. 5.
엑소브레인(Exobrain) I. 지성 인공지능, 엑소브레인의 개요 가. 엑소브레인(Exobrain)SW의 정의 - 기계가 자연어를 이해하고 지식을 학습해 생산하며 자연어로 기술된 질문에 대해 정답을 제공할 수 있는 자연어 질의응답 (Natural Language Question Answering)지원 SW 나. 엑소브레인SW의 기술요소 기술 내용 추진기관 자연어 이해기술 - 자연어 이해를 통한 지속적 언어지식 학습 - 빅데이터를 베이스로 형태소 분석 및 자연어 이해 ETRI 질의응답 기술 - 사람과 유사한 자연어 기반 최적 질의 대응 자가학습 KB기술 - 지식 생산을 베이스로 지식베이스 구축 솔트룩스 추론기술 - 지식베이스 기반 스스로 예측/추론하는 강한 인공지능 지향 기술 인간 모사형 학습지능 원천기술 - 자가 학습을 인간과 유.. 2021. 3. 5.
인공지능 특이점 I. 인공지능 특이점의 개요 가. 인공지능 특이점의 정의 - 인간이 스스로 만든 인공지능을 기술을 이해하거나 따라잡지 못하는 미래의 한계점, 즉 인공지능이 인간을 뛰어넘는 시점 나. 인공지능 특이점의 개념도 - 유엔 미래포럼 등에서는 2045년을 특이점으로 예측, 빠르면 2025년, 늦어도 2070년 예상 II. 인공지능 특이점을 향한 기술적 변화 - 특이점으로 가는 과정에 딥러닝, 기계학습, 지성/시각/음성 인공지능 등 다양한 인공지능 기술들이 필요하며 그 중 인공두뇌를 SW화한 엑소브레인 SW와, 시각 인공지능을 구현한 딥뷰가 대표적 기술 2021. 3. 5.
룰렛 휠 선택(Roulette wheel Selection) 알고리즘 I. 룰렛 휠 선택(Roulette wheel Selection) 알고리즘 가. 룰렛 휠 선택 알고리즘의 개념 개념 - 적합도가 높을수록 부모 해로 선택도리 확률이 높아지도록 하는 방식 - 적합도가 100인 C는 룰렛에서 보듯이 선택될 확률이 높음 - 하지만 적합도가 40인 D는 C 와 달리 선택될 확률이 낮음 - 이처럼 우월한 유전자를 가질수록 부모 해로 선택될 확률로 높이는 것이 “룰렛 휠 선택” 나. 룰렛 휠 선택 알고리즘의 역할 역할 설명 비례 선택 - 개체의 적응도에 비례해서 개체의 선택 비율을 변경할 수 있도록 k 값을 조절하여 선택압을 조절 가능 적합도 향상 - 적합도가 높은 염색체가 더 높음 확률로 선택되도록 선택영역을 조정가능 2021. 3. 5.
반응형

티스토리툴바