3학년 여름학기 : 인공지능 수업 정리 노트

• 강 인공지능
• 약 인공지능

---

• 데이터 양의 급격한 증가
• 하드웨어의 발전
• 학습방법과 프로그래밍 언어 발전 : 텐서플로우, 파이토치
• 인공지능의 분류
  • 규칙 기반 : 간단한 논리(if)
  • 신경망 기반 : 복잡한 논리
    • 신경망 구축 및 딥러닝
• 규칙 기반 인공지능 
  • 인간 지식 기반 규칙
  • 규칙이 많이지면 예외처리 복잡해서 관리 어려움

• 신경망 기반 인공지능
  • 컴퓨터가 데이터로 패턴을 학습해서 만드는 것
  • 지속적인 업데이트
  • 성능 검증 + 결과 해석

• 인공지능 구현 아이디어
  • 탐색
  • 불확실성
  • 최적화
  • 머신러닝 : 트레이닝(인공지능 학습시키기), 테스트(학습된 인공지능)
• 지도학습
• 비지도학습 : Label이 없는 데이터로부터 패턴을 학습하는 방식
  • 군집분류 : 유사한 정도로 데이터를 군집을 분류하는 방법
  • 생성모델
• 강화학습 : 반복적인 시행착오를 통해 보상(점수)를 많이 받는 방향으로 학습
• 인간의 뇌는 많은 뉴런이 연결된 상태
• 컴퓨팅 사고 : 복잡하고 다양한 문제해결을 위한 새로운 사고 방법 필요
  • 분해 : 복잡한 문제를 작은 단위의 문제로 분해
  • 패턴인식 : 분해된 문제들의 유사성을 찾기 위한 과정
  • 추상화 : 필요한 정보만을 선택해서 이해하기 쉽게 표현
  • 알고리즘 설계
• 코딩의 종류
  • 블록코딩 : 초보자용
  • 피지컬 컴퓨팅 : 아두이노, 라즈베리파이
  • 텍스트 코딩 : 파이썬, 자바 등등

---

• 탐색 문제 구성요소
  • 에이전트 : 개체(지능화된 개체) / 퍼즐을 풀려고 하는 사람 또는 AI
  • 상태 : 구성 / 퍼즐이 놓인 상태
  • 초기상태, 목표상태(Goal State)
    • Initial State : 탐색 알고리즘이 시작하는 state
    • Goal State : 탐색 알고리즘이 답을 찾은 상태
  •  Action : State에서 실행할 수 있는 action의 집합을 출력
    • State에 따라서 Action이 달라짐
  • 전환모델(Tradition Model) : 어떤 state에서 action을 했을 때 새로 얻어진 state
    • 같은 state여도 action에 따라 결과가 달라짐
  • 상태공간(State Space) : Initial State에서 어떤 연속된 action을 수행할 때 도달할 수 있는 모든 State
    • state s => action a => state a'
  • 목표 테스트 : 현재 state가 목표 상태인지 결정하는 방법
  • 경로비용 : state를 거쳐온 path와 관련된 수치적 비용(numericle cost)
  • 해답(Solution) : Initial State로부터 goal State까지의 일련의 action
    • Optimal solution(최적의 답) : 모든 solution 중 path cost가 가장 낮은 방법
• Node(자료구조)
  • State
  • Parent
  • Action
  • Path cost
• 기본 탐색 알고리즘
  • Stack
  • Queue
  • DFS(Stack) : 깊은 것 부터 먼저 탐색
    • 미로문제
  • BFS(Queue) : 얕은 것 부터 먼저 탐색
    • 최단거리 탐색
• 탐색 알고리즘
  • Uninformed Search
    • 문제와 관련된 지식이 없는 상태
    • path cost를 고려하지 않고 탐색을 진행
    • DFS, BFS
  • Informed Search
    • 문제와 관련된 지식을 사용하는 것(이미 알고 있는 상태)
• UnInformed Search + Informed Search 
  • 휴리스틱 함수 : 추정한 목표에 가장 가까운 방향으로 탐색
    
    • 사용 가능한 정보를 기반하여 탐색의 순서를 정하는 함수
    • 미로 문제
  • 맨해튼 거리
  • BFS + 그리디 : 맨해튼 거리가 짧은 길이로 접근하는 휴리스틱
    • 항상 좋은 결과를 가져오지는 않음 : 최적의 값은 따로 존재할 수 있음
      • 왜냐하면 맨해튼 거리를 기반으로 돌아가기 때문에
  • 이 문제를 해결하기 위해 A * Search 
    • 현재 노드에 도달하는 비용(g(n)) + 목표 도달까지의 추정 비용(h(n)) => 합이 가장 작은 방향으로 탐색
    • 한쪽 길을 가다가 합이 커지면 도중에 다른 방향으로 갈 수 있음
• Adversarial Search(적대적 탐색) : 2개 이상의 agent가 목표를 향해 경쟁(적대적)하면서 탐색하는 것
  • action은 목표 달성 또는 상태가 목표를 달성하지 못하도록 수행
  • MiniMax
  • Optimization : 최적화
  • Depth-Limited Minimax
    • Evaluation Function