오늘 걷지 않으면 내일 뛰어야 합니다

퍼지 논리란? 모호함을 설명하는 논리다.퍼지 논리는 낱말, 의사 결정, 상식에 관한 인간의 감각을 모델링 하기 위해기계를 좀 더 인간에 가깝고 지능적으로 만든다. 퍼지 논리는 얀 루카지위츠가 1920년대에 소개하고, 맥스 블랙이 1930년대에 심화했으며, 로트피 자데가 1960년대에 재발견하고 수리 논리를 사용하는 정형화된 시스템으로 확장시켜 널리 전파했다. 퍼지 논리는 고전적인 이진 논리의 크리스프 소속성보다 소속된 정도에 바탕을 두고 표현하는 지식에 대한 수학 법칙의 집합이다. 불 논리를 2치 논리지만, 퍼지 논리는 다치 논리다. 퍼지 집합은 사람의 키를 작은 키, 보통 키, 큰키로 나누는 것처럼 경계가 모호(퍼지)한 집합이다. 퍼지 집합을 ..

불확실성이란? 확실하고 믿을 만한 결론에 도달하기 위한 정확한 정보의 부족으로 정의할 수 있다. 지식이 불확실해지는 주된 이유는 상관관계가 취약한 함축, 부정확한 언어, 데이터의 분실, 다른 전문가의 관점을 통합하면서 겪는 어려움 때문이다. 확률 이론은 전문가 시스템에서 불확실성을 다룰 수 있도록 정확하고 수학적으로 올바른 접근법을 제시한다. 베이즈 규칙은 일부 증거를 관찰했을 때 가설의 확률을 결정하게 해준다. 광물 탐사용 전문가 시스템인 PROSPECTOR는 시스템 전체에 걸쳐 불확실성을 전파하는 증거의 베이즈 규칙을 적용하여 성공한 첫 시스템이다. 베이즈 접근법에서 전무가는 가설 H의 사전 확률과 증거 E가 있는 경우, 가설에 대한 신뢰도를..

지식이란?어떤 주제나 분야에 대해 이론적 혹은 실제로 이해한 것을 말한다. 지식은 현재 알려진 것의 총집합이다. 전문가는 특정 분야에 관해 사실과 규칙의 형태로 표현할 수 있는 깊은 지식과 다양한 실제 경험을 갖춘 사람이다. 전문가는 다른 사람이 할 수 없는 일을 할 수 있다. 전문가는 보통 자신의 지식을 생성 규칙의 형태로 표현한다. 생성 규칙은 IF(전건) THEN(후건) 문으로 나타낸다. 생성 규칙은 지식을 표현할 때 가장 많이 쓰이는 유형이다. 규칙은 관계, 추천, 지시, 전략, 휴리스틱을 나타낼 수 있다. 관계IF '연료 탱크' 가 비었다. THEN 차가 멈췄다.추천IF 가을이다. AND 하늘이 흐리다. AND 일기예보는 보슬비다. TH..

인공지능이란?인간의 지능이 필요한 작업을 기계도 할 수 있게 만드는 것을 목표하는 과학이다. 기계가 특정 인지 작업에서 인간 수준의 성과를 낼 수 있으면 지능이 있다고 생각할 수 있다.지능적인 기계를 만들기 위해서는 특정 문제 영역에서 전문가 지식을 획득하고 구성하며,사용할 수 있어야 한다. 보다 지능적인 기계를 위해서는 문제 영역을 충분히 제한해야 한다는 사실을 깨달았기 때문에 범용으로 쓰이는 (지식이 빈약한) 약한 방법에서 특정 분야의 (지식 집중적인) 방법으로 '패러다임 전환' 이 이루어졌다. 이는 한정된 문제 영역에서 인간 전문가 수준의 성능을 보이는 전문가 시스템(컴퓨터 프로그램) 을 개발하도록 했다. 전문가 시스템의 특징은 특정 규칙의..

이제 본격적은 '진화연산' 에 대해 알아보도록 하겠습니다.앞에서도 언급했지만 '진화연산' 은 생물이 환경과 상호작용하면서, 필요한 형질을 획득하는 진화과정의 모의하여 검색과 최적화 혹은 지식 획득 같은 처리하는 것을 말합니다.여기서는 가장 대표적인 '유전 알고리즘' 에 대해서 설명하고 있습니다. '유전 알고리즘' 의 개념을 이해하려면, 몇가지 키워드에 대해 짚고 넘어가야 합니다.유전자, 유전자좌, 유전자 풀, 적응도 함수 등이 있겠습니다. '유전자' 는 우리가 추구하는 최적해의 성질 또는 규격이라고 표현 하겠습니다.'유전자' 는 어떤 값들의 나열된 형태로 표현됩니다. '유전자 좌'란 그 때 '유전자' 를 구성하는 각각의 값에 해당합니다. '유전자 풀'은 여러 종류의 '유전자' 들이 모인 집합을 의미합니다..

이번에 다룰 주제는 유전 학습입니다.유전 학습에 대해 다루기 전에 '랜덤 탐색' 과 '계통적 탐색' 에 대해 집고 넘어갑니다.앞에서 다루었던 '감독 학습' 에서 논리식을 랜덤으로 생성해 평가하고, 최적해를 구하는방식이 '랜덤 탐색' 의 예라고 할 수 있겠습니다.'랜덤 탐색' 은 획득해야 하는 지식의 탐색 범위가 방대하고, 최적의 지식의 존재하는위치가 불분명할 때 효과적입니다. 이와 반대로 탐색 범위가 비교적 명확하고 탐색 방향을 어느정도 알고 있다면,'랜덤 탐색' 보다는 '계통적 탐색' 을 하는 편이 유리합니다. 여기서 '계통적 탐색' 은 탐색 공간을 특정한 순서에 따라 빠짐 없이 조사하는 것을 말합니다. '계통적 탐색' 의 예로는 기본적으로 '횡형탐색', '종형탐색'이 있습니다.좋아 보이는 부분을 우선..

그럼 이번엔 실제 앞에 내용들을 활용해 기계 학습하는 과정을 알아봅시다. '의사결정 트리의 기계 학습 알고리즘'(1) 주어진 학습 세트가 비어 있으면 학습 종료(2) 주어진 학습 세트의 요소가 모두 단일 카테고리에 속해 있으면 학습 종료(3) 학습 세트를 적절히 분류하는 속성을 선택해 학습 세트를 서브 세트로 분류,각 서브 세트에 대해 학습 과정을 재귀적으로 적용한다.(4) 적용할 수 있는 속성이 없는데 분류가 끝나지 않았다면 학습을완료하지 않은 채 종료 여러 분류 기준 중 앞에서 활용한 p1 ~ p4를 활용해 설명하자면,최초 학습 데이터 세트에 대해서 p1 ~ p4 까지 속성을 모두 테스트 해봅니다.그 후, 이들 중, 학습 세트의 요소가 모두 단일 카테고리에 속해 있을 경우, ( 이때 모두 단일 카테고..

이번 장의 주제는 '감독학습' 입니다.'감독 학습' 은 감독 혹은 지도받은 지식에 기초해 학습하는 방법입니다.'감독 학습' 에서는 어떤 데이터가 올바른지 아닌지 가르쳐주는 '교사'가 있습니다.그런 의미에서 '감독 학습' 은 '교사 학습' 이라고도 불립니다.이와 반대로 개개의 학습 사례와 학습 방법에 대해 지시를 받지 않은 학습을보통 '비교사 학습' 이라고 합니다. 일반적으로 교사학습 비교사학습보다 효율적이고 정밀하게 학습할 수 있습니다.하지만 교사학습은 비교사학습보다 일반화하는 능력이나 데이터에 없는 상황에대해서 대처하는 능력이 뒤쳐질 가능성이 있습니다. 여기서 감독 학습의 알기 쉬운 적용 분야로 '분류 지식 학습' 을 설명합니다.이는 주어진 데이터가 어느 카테고리에 해당하는지 분류하는 지식을 학습하는 ..

이번 장의 주제는 구체적인 사례들을 통해 '법칙'이나 '원리'를 끌어내는 '귀납학습' 입니다. 여기서는 그 구체적인 사례를 텍스트를 받아 그 특징에 관한 지식을 '암기 학습' 을 통해추출하는 '텍스트 마이닝' 방법에 대한 간략한 설명을 하고 있습니다. 보통 웹상의 데이터를 분석 할 때는 앙케트 조사 같은 방법을 사용합니다. 하지만, 이 방법은 시간과 비용의 제약이 상당한 측면이 있습니다. 이와 비교하여, '텍스트 마이닝'을 통해 웹사이트나 블로그에서 텍스트 데이터를 수집해수집한 데이터를 분석하여 결과를 도출하는 편이 더욱 용이합니다. 웹상에 올라오는 사람들이 적은 글은 '자연어' 라고 합니다. 이런 '자연어' 를 컴퓨터가 분석해서 그 의미를 파악하는 과정을 '자연어 처리' 라고 합니다.여기서 그 방법에 ..

이번 글의 주제는 '기계학습의 역사1'에 등장하는 '파라미터 조정의 의한 학습' 입니다.앞에서 간략하게 다루었던 내용을 조금 더 상세하게 알아보려고 합니다. '파라미터 조정의 의한 학습' 에서 획득해야 하는 데이터는 '파라미터를 포함한 수식'입니다.이 수식은 대수식처럼 일반적인 수식이 되고, 다양한 함수를 포함한 복잡한 형식도 됩니다.앞에서 학습을 '내부상태를 변화시키는 행동이나 어떤 것'을 학습이라 했습니다.'파라미터 조정의 의한 학습'에서는 내부상태를 이 수식으로 정의합니다.더욱 정확히 말하면 수식에 포함되는 '파라미터' 들을 내부상태로 정의합니다. '파라미터'는 대수식의 항의 계수처럼 수치일 때도 있고, 식의 차수와 형식을 결정하는 값일 때도 있습니다. 이러한 '내부상태' 즉, '파라미터'를 데이터..