Intro2ai

인공지능 분야에서 머신러닝(기계학습)은 다량의 데이터를 토대로 컴퓨터가 학습을 하게 되는데, 컴퓨터가 하는 작업은 크게 두 가지로 나뉜다. 표현(representation): 데이터 표현, 일반화(generalization): 주어지지 않은 데이터 처리 학습 종류는 머신러닝 처음 배울 때...

큰 범주 즉 heterogenous group을 작은 homogeneous(동일한 목표 값)로 나뉜다. 이 때 나뉠 때는 best split rule에 따라 나뉘게 되는데, 기준은 나누는데 있어서 얼마나 나뉜 값들이 한 목표값만으로 분류되었는지(purity)이다.

KNN에서 배운 바와 같이 비슷한 개체를 묶어서 분류하는 방법이다. 대표적인 Unsupervised learning의 형태로, labed된 데이터가 필요없는 학습 방법이다. 클러스터링은 보통 검색 엔진에 활용되는데, 유사한 단어가 출현이 기대되는 검색된 문서들끼리 같은 클러스터로 묶이게 된다.

KNN은 K Nearest Neighbor의 준말로 이번 포스팅에서 알아볼 방법은 데이터 분포 상 기준에서 가장 가까운 데이터 K개를 자신과 같은 항목으로 분류하는 방법이다. 분류할 때는 euclidean 방법으로 거리 반경 내 유무로 판단하게 된다. 아래는 거리 계산 방법 중 두 가지를 소개한다.

기존에는 문제를 해결하는데 있어서 상태가 알 수 없었던 상태(black box)였다면, 앞으로 해결할 문제들은 공역(domain) D 내에서 상태가 정의 된다. 이 때 목표에 대한 비용은 문제 영역으로 한정된(domain-specific) heuristic function으로 평가가 되며 모든 변수의 값이 해당 변수에 가해진 모든 constraint를 충족하면 문제..

이전과 다르게, 한정된 환경에서 1개의 Agent가 목표를 향해 수행했 것과 반면, 이번 시간에 알아볼 검색 방법은 2개의 Agent가 대립하여 한정된 자원을 차지하는 것이 목표인 방법이다. 상대의 상태를 예측함으로써 자신의 action을 결정하고 번갈아가며(turn-taking) 완전이 관측이 가능한 상태(perfect information)에서 zero-...

이러한 문제들은 여러 가지 알고리즘으로 푸는 것이 가능하나, 이와 같이 경로가 필요없는, 오로지 문제 해결만 초점으로 둔 문제에 Local Search가 사용이 된다. 일단 필자가 이 부분에 관해서 외부 라이브러리 없이 코딩하는 과제가 있었는데, 코드에 관한 설명은 모든 단원이 끝나고 부록으로 첨부한다! (추후 링크 첨부 예정)

지난 시간에 다룬 Uninformed Search는 아래 실세계 문제를 풀기에 한계점을 지니고 있다. 간단히 설명하면 8puzzle 문제는 각 숫자 블록을 오로지 상하좌우로 움직임으로써 오름차순으로 숫자를 정렬하는 것이 목표인 문제다. 이 때 제한 조건(constraint)은 블록이 순간이동하거나 후퇴를 하지 않아야한다는 것.

검색 알고리즘에서는 path에 대한 정보 제공 여부에 따라 두 가지로 나뉜다. 목표까지 Agent가 얼마 남았는지 추정이 가능한 Informed search(정보가 있는 검색 전략) 아닌 경우에는 Uninformed Search(정보 없는 검색 전략) 인공지능에 들어가기 앞서 인공지능 자체가 방대한 데이터셋 속에서 해를 찾는 문제를 해결하는 데 있어서...