AI, 그래프 및 신경망

무엇을 찾아야 할지 알려지지 않고 보기를 배운 프로그램

• 2012 팀은 고양이 모양에 대한 규칙 하나도 주어진 적이 없는 프로그램으로 이미지 인식 대전에 참여했습니다.数百万 labeled 사진들을 보여주었을 뿐이며, 시스템이 스스로 규칙을 도출했습니다.
• 이는 모든 수동 프로그래밍된 Entries의 오류율을 절반으로 줄였습니다. 3년 내에 해당 분야 전체가 규칙을 작성하는 것을 포기했습니다.
• 이러한 역전이 이 주제의 핵심입니다: "우리가 컴퓨터에게 고양이가 무엇인지 어떻게 말해야 하는가"가 아니라 "컴퓨터가 예시로부터 어떻게 이해하는가"입니다.
• 이 교훈이 바로 머신러닝(machine learning) 과 딥러닝(deep learning) 의 의미이며, 그래프(graph) 가 AI 문제를 탐색 문제로 전환하는 방식, 그리고 인공 신경망(artificial neural network) 이 실제로 계산하는 내용입니다.

AI, 머신러닝 및 딥러닝

• 인공지능(AI) 은 시각, 음성, 번역, 운전 등 일반적으로 인간 지능이 필요한 작업을 수행하는 시스템이라는 광범위한 목표입니다.
• 머신러닝은 이를 지배하는 접근법입니다: 단계별로 프로그래밍받는 대신 데이터에서 패턴을 학습하는 알고리즘입니다.
• 딥러닝은 여러 계층의 신경망(neural networks) 을 사용하는 머신러닝입니다. 2010년대부터 이 분야에서 주도해 왔습니다. 손으로 설계한 특징(feature) 없이 원시 데이터, 픽셀, 오디오 또는 텍스트에서 직접 학습하기 때문입니다.
• 이들은 중첩됩니다: 딥러닝은 머신러닝의 일부이며, 머신러닝은 AI의 일부입니다.

세 개의 원, 세 명의 적수가 아닙니다

그래프, 그리고 왜 많은 AI가 탐색(search)인가

• 그래프는 노드(node) 들이 엣지(edge) 로 연결된 집합입니다. 노드는 상태, 장소 또는 개념이며, 엣지는 이동, 도로 또는 관계입니다.
• 경로 찾기(pathfinding): 도로 네트워크는 그래프이며, 경로를 찾는 것은 디(resolve스算法(Dijkstra's algorithm) 또는 A*를 사용한 그래프 탐색입니다.
• 게임 플레이: 모든 게임 포지션은 노드이며 합법적인每一步是 엣지이므로, 게임은 각 플레이어的最佳选择을 취한다고 가정하는 미닉맥스(minimax) 탐색을 하는 트리입니다.
• 지식 표현(knowledge representation): 의미망 semantic network은 개념을 노드로, 관계를 엣지로 유지합니다. 너비 우선(Breadth-first) 및 ** 깊이 우선(Depth-first)** 탐색은 이러한 것들을 탐색하는 표준 도구입니다.

worked example: 문제를 그래프로 모델링하기

인공 뉴런

• 인공 뉴런은 여러 입력을 받습니다. 각 입력에 무중량(weight) 을 곱하여 편향(bias) 와 더한 뒤, 총합을 비선형 활성화 함수(activation function) 에 통과시켜 출력을 생성합니다.
• 무중량은 네트워크가 학습하는 요소입니다. 활성화 함수는 네트워크가 직선이 아닌 것을 표현할 수 있게 하는 요소입니다: 없으면 어떤 개수의 계층도 단일 선형 공식으로 붕괴됩니다.

곱하기, 더하기, 굽히기

계층(layers)과 '딥(deep)'이 무슨 뜻인가

• 뉴런은 계층으로 배열됩니다. 입력층(input layer) 은 데이터를接收합니다. 하나 이상의 숨겨진 계층(hidden layers) 은 내부 패턴을 학습합니다. 출력층(output layer) 은 클래스 또는 숫자라는 답을 생성합니다.
• 숨겨진 계층이 많을 때 네트워크를 딥(deep) 이라고 하며, 이러한 네트워크를 훈련시키는 것이 딥러닝입니다.
• 숨겨진 계층이 중요한 이유: 이미지 네트워크에서 초기 계층은 엣지를, 중간 계층은 형태를, 후기 계층은 객체를 학습합니다. 그 계층 구조를 설계한 사람은没有人; 그것은 훈련이 산출한 결과입니다.

입력, 숨겨진 계층, 출력 및 학습은 이들을 연결하는 가중치(weights)에 포함됨

풀이 예제: 신경망(neuron)의 연산 방식 설명하기

놓칠 수 있는 점

이해했습니다