인공지능 관련 용어집

인공지능 관련 용어 공부자료

참고:https://brunch.co.kr/@stormktu9/148

 

- 상정 논법 (Abduction) = 가추, 귀추, 유사 추론(plausible inference)

Rule의 Condition을 추측해내는 것. -> 결과는 False일 수 있음.(추측(=heuristic)이기 때문)

A->B에서 B를 알면 A를 추론 가능

- 연역법(deduction)

전제가 참이면 결론이 필연적으로 참이되는 것

- 귀납법(induction)

관찰과 경험을 통해 자료를 수집하고, 수집한 자료에서 비롯된 성향, 관련성을 가지고 결론을 도출하는 방법

- 에이전트(Agent)

복잡한 동적인 환경에서 목표를 달성하려고 시도하는 시스템

"Agent 는 자신의 센서 (Sensor) 를을 통해 환경 (environments) 을 지각 (Percept) 하여 작용기 (effectors) 를 통해 그 환경에 대해 반응 (action) 하는 시스템을 말한다" (Russel 1994)

정리하자면, 현재 인공지능들은 Agent의 컴포넌트이며 모든것(행동인식, 객체인식 등)이 집약된 것이 Agent

-액추에이터(Actuator)

하나의 에이전트가 어떤 환경에 대해 작동하는 메커니즘 

*제어의 목적을 달성하도록 조작량을 변화시킬 수 있는 구조가 필요*

ex) 인간 - 팔, 손, 손가락, 다리

-아달라인(Adaptive Linear Neuron, Adaline)

분류(classification)를 위한 보다 발전된 머신러닝 알고리즘인 회귀(regression), 로지스틱 회귀(logistic regression), SVM(support Vector Machine)에 대한 알고리즘의 토대 마련 - 너무 어렵..

- A/B 테스팅

테스터를 두 집단으로 나누고 집단 A에게 기존 프로덕트를 제공, 집단 B에게 새로운 프로덕트 제공하여 어떤 집단이 더 높은 성과를 보이는지 측정 -> 인과관계 추측 가능

- Alpha-Beta Pruning

2명의 player가 참가하는 Min-Max problem과 같은 상황에서 자신에게 유리한 노드들만 남기는 기법 -> 결과적으로 pruning 하지 않은 min-max와 결과는 같지만 더 효율적이라함(효율적 = 속도 -> 탐색할 노드의 개수가 줄었기 때문)

- 유추(Analogy)

"손과 손바닥의 관계는 발과 무엇의 관계와 같나?"

또 다른 예로 선생이 학생들에게 예제문제를 풀어주고 그와 유사한 문제를 학생들 스스로 풀게하는 경우 -> 일반적인 딥러닝 학습 과정

- 추론(Inference, Reasoning)

이미 알고있는 명제를 기초로 하여 새로운 명제를 유도하는 과정 -> 일반적인 딥러닝 테스트 과정

-적응공명이론(Adaptive Resonance Theory, ART)

기존에 학습되었던 것이 새로운 학습에 의해 지워지지 않도록 새로운 지식을 자동적으로 전체 지식 베이스에 일관성 있는 방법으로 통합한다. -> lifelong learning에 사용되는 이론

-퍼지 집합(Fuzzy Set)

membership-degree function의 특징을 가지며 이는 전체 집합의 모든 멤버를 구간[0, 1]에 매핑한 것. 0의 값은 멤버가 주어진 집합에 속하지 않는다는 뜻

- 퍼지이론(fuzzy)

퍼지 논리는 불분명한 상태, 모호한 상태를 참 혹은 거짓의 이진 논리에서 벗어난 다치성(비슷하게는 아날로그 값)으로 표현하는 논리 개념이다. (퍼지 집합론에 기본을 둠)

- A* 알고리즘 -> 포스팅 필요

최단거리 찾기 알고리즘 중 가장 훌륭한 선택 -> 다익스트라, BFS 보다 빠름

- 역전파(Back-propagation) -> 포스팅 필요

신경망을 훈련시키기 위해 사용하는 기술

- 베이즈 정리 -> 포스팅 필요

- Entropy

무질서한 정도

- K-means clustering algorithm

partitional clustering의 종류 중 하나로 hyperparameter인 k(seed point)를 이용하여 clustering하는 기법

1.initialization - loop[2.assignment - 3.update]로 이루어져 있음

1. 초기 cluster 중심 설정 k

2. 모든 데이터와 각 중심사이의 거리를 계산하고 가까운 것들끼리 군집화

3. 군집된 데이터들의 벡터 평균으로 중심점 갱신

break: 갱신시 변화가 없을 경우 종료

- K-NN

새로운 데이터가 입력되었을 때 기존의 데이터 바탕으로 분류하는 것

hyperparameter: K, 거리 측정 방법(유클리디안, 맨하탄 등)