보호되어 있는 글입니다.

보호되어 있는 글입니다.

보호되어 있는 글입니다.

1) 신경망 인공 신경망(Artificial Neural Network) -생물학적 뉴런이 연결된 형태를 모방한 모델 장점 1. 학습이 가능하다 2. 몇 개의 소자가 오동작하더라도 전체적으로는 큰 문제가 발생하지 않는다 2) 퍼셉트론 퍼셉트론은 논리 연산을 학습할 수 있을까? 3) 퍼셉트론 학습 알고리즘 예제: 논리 연산자 AND 문제 학습 4) 선형 분류 가능(Linearly Separable) 문제 1개의 레이어(layer, 계층)으로 구성된 퍼셉트론은 XOR 문제를 학습할 수 없다는 것을 수학적으로 증명 즉, 단층 퍼셉트론은 선형 분리 가능한 패턴만을 학습할 수 있다는 것을 증명 => XOR 학습은 하나의 직선으로 분리 불가능 퍼셉트론 -> 직선을 이용하여 입력 패턴을 분류하는 선형 분류자의 일종

1) kNN 알고리즘(지도 학습) Weighted kNN 알고리즘 오리지널 kNN에서 k개의 이웃을 고려할 때, 모든 예제들에게 동등한 중요성을 부여함 but Weighted kNN? 이웃하는 예제와의 거리에 따라 가중치를 줌 -> 즉, 가까운 이웃에는 높은 가중치를 주고, 상대적으로 먼 이웃에는 낮은 가중치를 줌 가장 가까운 이웃 k개에 대해 가중치의 합이 높은 클래스를 최종 예측값으로 결정 kNN 알고리즘의 장점과 단점 장점 -모델을 학습할 필요가 없다 -알고리즘이 간단하다 단점 -분류를 위해서는 특징 공간에 있는 모든 데이터에 대한 정보를 메모리에 가지고 있어야 함 -가장 가까운 이웃을 찾기 위해 새로운 데이터에서 모든 기존 데이터까지의 거리를 확인해야 하기 때문 -데이터와 클래스가 많이 있다면, ..

1) 선형 회귀 (Regression) 지도 학습 회귀(regression): 입력에 대해 연속적인 결과값을 예측 분류(classification): 입력에 대해 어떤 카테고리 중의 하나로 예측 => 학습 데이터 (x,y)에 대하여 (x:d차원 벡터, y:실수) => y~f(x)인 함수 f를 추정해내는 것 회귀: 데이터들을 가장 잘 설명하는 직선이나 곡선을 찾는 문제 => 패턴을 찾는 것 선형 회귀 학습 데이터 (x,y) - x:1차원 벡터, y: 실수 함수 f를 직선의 방정식으로 가정 즉, y=f(x)=mx+b 그리하여, 선형 회귀는 입력 데이터를 가장 잘 설명하는 기울기(m)와 절편값(b)을 찾는 문제 손실 함수 (Loss Function) 직선 상의 값(즉, f(x))과 학습데이터의 결과값(y) 간..

1) 기계학습이란? 컴퓨터에 학습 기능을 부여하기 위한 연구분야 데이터를 컴퓨터가 학습하는 알고리즘을 연구 학습데이터가 많아지면 알고리즘 성능이 향상되는 경향이 있음 데이터 중심의 예측 또는 결정 기계학습 활용 분야 복잡한 데이터들이 있고, 이들 데이터에 기반하여 결정을 내려야 하는 분야 기계학습 역사 기계학습 종류 지도 학습 (Supervised Learning) 학습데이터에 결과값(정답, 레이블) 주어짐 입력을 출력에 매핑하는 일반적이 규칙(함수)를 학습하는 것이 목표 비지도 학습 (Unsupervised Learning) 학습데이터에 결과값(정답, 레이블)은 주어지지 않음 학습 알고리즘이 스스로 데이터에서 어떤 구조를 발견하는 학습 강화 학습(Reinforcement Learning) 어떤 환경에서..

1) 불확실성?(Uncertainty) 불확실한 지식이나 정보를 가지고도 올바른 결정을 내릴 수 있어야 함 불확실성이 나타나는 요인 데이터의 불확실성 지식의 불완전성 전문가들의 관점이 다른 경우 정보 획득의 불완전성 인공지능 시스템에서의 불확실성 처리 믿음의 정도 -> 확률 이론 불확실성을 처리하는 대표적인 방법 베이즈 추론(Bayesian reasoning) 확신도(certainty factor) 확률을 이용한 불확실성 처리 확률적인 추론(probabilistic reasoning) -> 0.0에서 1.0 사이의 확률값을 가짐, 가장 확률이 높은 결론이 선택됨 2) 확률 확률의 기본 개념 확률: 특정한 사건(event)이 발생하는 비율 -> [0,1] 사이의 값으로 표현 (0: 불가능한 사건, 1: 확..

1. 퍼지 논리란? fuzzy의 정의 - "not clear, distinct, or precise; blurred", 애매하거나 모호함을 의미 퍼지 논리란? -명확하게 정의될 수 없는 지식을 표현하는 방법 -ex) 비가 약간 오면, 수문을 조금만 개방한다 * 애매한 논리가 아니라, 애매함을 표현할 수 있는 논리 => 애매함을 다루는 질서정연한 논리 이진 논리 vs 퍼지 논리 이진 논리(Boolean Logic) -참과 거짓(즉, 1 or 0)의 진리값만을 가짐: 흑백논리 퍼지 논리 -[0.0,1.0] 범위의 진리값을 가진다. -인간이 사용하는 지식 표현의 애매성을 해결할 방법이 필요 -1965년 Zadeh에 의해 퍼지 집합에 관한 이론이 처음 제시 -퍼지 명제나 규칙을 다루기 위한 퍼지 논리로 발전 기..

1. 지식 표현(Knowledge Representation) 지식표현 방법 2. 규칙 (생성 규칙, Production Rule) 전제(IF)와 결론(THEN)의 두 부분으로 구성 -전제 조건이 일치하면, 규칙이 점화되고 결론 부분이 실행 전문가 시스템의 지식 저장 방법으로 규칙을 주로 사용 -인간이 사고하는 방식과 아주 유사, 지식 입력이 비교적 쉽다 -지식 표현이 규칙의 형태로 제한되므로 융통성이 적고 다양한 구조를 모형화하기에 부적합 3. 의미망 방향 그래프(directed graph)를 이용하여 개념 간의 관계를 나타내는 지식 표현 방법 -노드(node): 사물(objects), 개념(concepts)등을 표현 -아크(edge): 사물이나 개념 사이의 관계(relations)를 표현 ex) is..