Please enable JavaScript.

Coggle requires JavaScript to display documents.

인공지능의 이해 (1113 박시후) - Coggle Diagram

- - - - 탐색이란 문제상황에서 답을 찾아가는과정이다.
    - - 출발부터 도착까지 모든 과정을 일일이 명령하면 그대로 수행하는 방식으로 그림의 미로를 빠져나갈 수 있다.<가장 간단한 방식이지만 출발지나 도착지가 변경된거나 미로의 모양이 바뀌면 매번 새롭게 명령해야하는 번거로움이 있고, 미로의 모습을 정확한 명령이 가능하기에 미로의 모습을 모르는 상황에서는 수행하기 어려운 알고리즘이다.
    - - 왼쪽 벽을 따라가며 미로 탐색 문제를 해결하는 방법을 사용한다. 이 방식은 미로의 모양에 따라 탈출하지 못하고, 간단한 연결 미로의 경우에는 탈출할 수 있는 방법이긴 하지만 탐색 경로가 항상 최단 경로로 보장되지는 못하며, 출발점이 미로의 가운데 있거나 외곽으로 연결된 미로라면 탈출하지 못할 수도 있다는 한계점이 있다.
    - - 각 미로 칸마다 숫자 정보를 부여하고 탐색하는 알고리즘이다. 사람이 길을 찾을 때처럼, 정반대면 목적지와 반대로 이동하고 목적지 쪽이면 목적지 방향으로 이동할 것이다. 미로 탐색 문제처럼 목적지에 가까이 가는 방향으로 이동하려 하면, 불필요한 탐색 범위를 줄일 수 있다. 미로의 모습은 알 수 없더라도 출발지와 목적지의 위치와 미로의 크기를 알고 있기에 그 정보를 활용하는 것이다. 따라서 각 미로 칸이 벽인지 길인지 구분할 수 없는 상황에서도 출발지에서 목적지와 몇 칸 떨어져 있는지 미로를 구조화한 배열에 저장한다. 미로를 탐색하며 벽에 이르기 전까지 이동하게 하고, 그 과정에서 배열에 저장된 숫자가 작은 값을 선택하게 하면 목적지와 가까운 방향으로 이동하게 되어 탐색 범위를 줄인다.
    - - 탐색의 범위나 시간을 좁혀 탐색을 최적화한 것을 의미한다
  - - - 딥 블루 (Deep Blue) → 인간 챔피언과 체스 대국에서 승리 가능성 보여줌
        알파고 (AlphaGo) → 바둑 361개의 대국을 탐색하며 가능성 증명
    - - 내비게이션 시스템
        
        목적지까지 최단 경로 탐색
        
        탐색 범위를 좁혀 효율적·빠른 탐색 수행
    - - 유리한 수만을 탐색 → 탐색 범위 효율적으로 줄임
        
        딥러닝(Deep Learning) → 전문가 기보·데이터 학습 → 좋은 수 선택
  - - - 1.문제 상태 정의하기
        2.초기 상태와 목표 상태 설정하기
        3.수행 작업 파악하기
        4.탐색전략 세우기
- - - - 깊이 우선 탐색(DFS: Depth First Search)은 상태 공간 트리에서 자식 노드(node)를 먼저 방문하는 수직 방향의 탐색 알고리즘이다. 자식 노드가 두 개 이상일 경우 주로 왼쪽 노드를 먼저 방문한다.
        탐색 중에 단말 노드에 도착했는데도 목표 노드를 찾지 못했다면 다시 분기점으로 되돌아가 방문하지 않은 노드부터 다시 수직 방향으로 탐색한다.
        만약 목표 노드가 수직 방향으로 깊이 있다면 문제를 빨리 해결할 수 있고, 필요한 저장 공간도 비교적 적게 드는 장점이 있다.
        하지만 목표 노드가 없는 경로에 깊이 빠져 버리거나 목표 노드에 이르는 경로가 여러 개일 경우, 지금의 방문 경로가 최단 경로임을 보장할 수 없다는 단점이 있다.
    - - 너비 우선 탐색은 상태 공간 트리에서 형제노드를 먼저 방문하는 수평 방향의 탐색 알고리즘이다. 상태 공간 트리의 깊이가 얕고 넓은 경우, 목표 노드를 빨리 찾을수 있다. 또한 목표 노드를 찾을 떄까지 모든 상태 공간을 탐색하므로 목표 노드가 존재한다면 반드시 찾을수 있고 최단 경로를 알 수 있다는 장접이 있다, 하지만 노드수가 많아지거나 목표노드가 수직 방향으로 깊은 곳에 있다면 시간이 오래 걸리고, 탐색을 위한 공간과 범위가 지나치게 넓어지는 단점이 있다.
      - 탐규
  - - - 초기 상태에서 현재 상태에 이르기까지의 비용을 고려하지 않고 현재 가장 좋은 것을 선택하는 탐색 방법이다 현재 상태 노드애서 다음 방문할 상태 노드를 결정할떄 목표에 가장 가까워 보이는 노드를 택한다
      - 평가 함수는 현재 상태가 목표 상태에 얼마나 가까운지를 평가하는 함수로 최상 우선탐색은 이를 이용해 목표에서 가장 가까운 상태를 선택한다.
      - 최상 우선 탐색은 평가 함수로 휴라스틱 값만을 사용하기 떄문에 다음 그림과 같이 추상화된 지도에 평가 함수값을 표사허여 다음 상태를 선택하기 쉽도록 구조화했다
      - 최상우선탐색에서 다음상태를 선택할떄 현재 상태보다 평균 함수값이 ㅋ크다는 것은 목표 상태에서 멀어졌다는 뜻이다.
      - 최상우선탐색은 목표와 가장 가까운 상태를 선택하는 알고리즘이기 때문에 방문이 가능한 다음 상태 중에서 평가 함수값이 가장 작은 노드를 다음 상테로 선택하여 방문한다.
      - 현재상태유지,평균 함수값높음,선태X
    - - a*탐색 알고리즘은 최상우선탐색을 개선한 알고리즘이다.
      - a*탐색은 앞으로 남은 탐색 거리에 , 초기 상태에서 현재 상태에 이르기까지의 비용도 고려하므로 보다 탐색 비용을 줄일 수 있는 알고리즘이다.
      - 초기 상태에서 현재 상태까지의 탐색비용을 반영하여 갱신된 평가 함수값을 사용한다.
      - 최상우선탐색 개선,남은탐색 거리에 초기상태에서 현재상태에 이르기까지의 비용고려
- - - - 추론은 이미 알고 있는 지식을 토대로 새로운 결론을 이끌어 내는 사고 과정을 말한다. 즉,알고 있는 사실로부터 모르고 있던 사실을 알게 되는 과정이라 할 수 있다.
    - - 데이터는 관찰이나 실험,조사로 얻은 사실이나 자료를 의미하며, 가공하기 전의 상태이다. 반면, 정보는 다양한 데이터 중에서 사용자의 필요에 따라 처리한 데이터를 말한다. 지식은 개념화된 정보로 일반화하고 체계화한 것이라 할 수 있다.
    - - 인공지능을 활용하기 위해서는 사람과 컴퓨터가 동시에 이해할 수 있는 형태로 지식을 나타내는 것이 필요하고, 지식을 이러한 형태로 나타내는 것을 지식표현이라고 한다.
    - - 다양한 지식 표현 방법 중 대표적인 한 가지는 규칙을 이용한 방법이다. 우리가 흔히 사용하는 ‘만약 ⟨A⟩라면, ⟨B⟩이다.’ 또는 ‘⟨A⟩하면, ⟨B⟩하다.’와 같은 형태로, IF ⟨A⟩ THEN ⟨B⟩로 나타낼 수 있다. ⟨A⟩는 주어진 정보나 사실에 대응될 조건이고, ⟨B⟩는 조건을 만족할 때 하는 판단이나 행동의 결론이다. A가 참이면, B를 수행하 는 형태이므로, 이를 생성 규칙이라고도 하며, 인과 관계, 추론, 전략, 경험적 지식 등을 표현할 수 있다.
    - - 논리는 수학 논리학에서 사용하는 명제 논리나 술어 논리를 사용한다. 명제 논리는 명제를 가지고 논리를 판별하는 것이고, 술어 논리는 주어와 서술어 간의 관계를 다루는 것이다. 명제 논리에서 나타나는 한계를 술어 논리로 보완될 수 있다.
    - - 의미망(semantic net)은 지식이나 기억, 실체계를 노드(node)와 호(ark)를 이용하여 네트워크 구조로 표현한 것이다. 노드는 객체, 개념, 사건 등을 표현하고, 호는 노드 간의 관계를 화살표(has-a(~이 있다),is-a(~이다.),do(~을 한다))로 나타낸다.
    - - 프레임(frame)은 특정한 객체나 개념에 대한 지식을 슬롯(slot)으로 표현한 것이 하나의 프레임이다. 여러 개의 슬롯으로 구성되고, 슬롯 이름과 슬롯 값으로 이루어진다. 제목이 ‘인공지능’인 책을 예로 들어 살펴보면, 책에는 작가가 있고, 출판 연도가 있다. 또한 책의 분량을 페이지로 나타낼 수 있다. 프레임은 관련된 지식을 한눈에 알 수 있다는 것과 표현력이 우수하다는 장점이 있지만, 슬롯에 대한 표준이 없고 지식을 생성하는 것이 매우 힘들다는 단점이 있다.
  - - - 일반적인 전제를 바탕으로 새로운 결론을 논리적으로 도출하는 추론 방법이다. 대표적인 방법으로는 삼단 논법이 있다
        
        삼단논법
        
        두개의 전제와 하나의 결론으로 된 형식을 가지고 있다. 최초의 대전제가 결론을 이끌어 내는 중요한 근거가되며 논리의 일관성이 있다.
    - - 구체적인 사례에서 일반적인 결론을 이끌어 내는 추론으로 이미 알고 있는 사실로부터 모르고 있던 사실을 유추해 내는 것이다. 그렇게 떄문에 사례의 다양성이나 정확성이 결론에 큰 영향을 끼친다.
    - - 연역 추론이나 귀납 추론으로 언제나 옳은 결론에 도달하는 것은 아니다. 연역 추론에서 오류는 전제 조건을 생략하거나 잘못 설정했을떄 발생할수 있고 귀납 추론에서 오류는 관찰된 표본이 전체를 대표할 수 있는 표본이 아닌 경우나 전체에 대한 표본의 해석이 잘못되는 경우에 발생할수 있다.