AI를 이해하는 18개 레슨,
AI를 만드는 16개 레슨.

첫 번째 섹션에서는 AI의 정의와 몇 가지 예를 살펴보면서 AI의 개념에 익숙해질 것입니다.

AI 외에도 적어도 이름만 알아두면 좋을 밀접하게 관련된 여러 가지 주제가 있습니다. 여기에는 머신러닝, 데이터 과학, 딥러닝이 포함됩니다.

"인공 지능"이라는 용어의 본질은 지능적인 행동이 마음의 존재를 암시하는지 또는 요구하는지, 그리고 의식이 어느 정도 계산으로 복제될 수 있는지에 대한 철학적 질문을 제기합니다.

많은 문제를 검색 문제라고 표현할 수 있습니다. 이를 위해서는 대안 선택과 그 결과를 공식화하는 것부터 시작해야 합니다.

탐색과 게임 같은 사례를 통해 컴퓨터가 가능한 선택지를 비교하고 문제를 해결하는 방법을 배웁니다.

이 섹션에서는 고전적인 AI 문제인 게임을 연구합니다. 명확성을 위해 집중할 가장 간단한 시나리오는 tic-tac-toe 및 체스와 같은 2인용 완벽한 정보 게임입니다.

이전 섹션에서는 체스와 같은 게임과 같이 완벽한 정보가 있는 검색과 검색 응용에 대해 논의했습니다. 그러나 현실 세계에서는 상황이 이렇게 명확하게 드러나는 경우가 거의 없습니다.

우리는 확률 계산의 세부 사항과 그것이 다양한 AI 응용 프로그램에서 사용될 수 있는 모든 방법에 대해 너무 깊이 다루지는 않겠지만 매우 중요한 공식 하나에 대해 논의할 것입니다.

베이즈 규칙의 가장 유용한 응용 중 하나는 소위 나이브 베이즈 분류기입니다.

손으로 쓴 숫자는 머신러닝을 사용하는 이유를 논의할 때 자주 사용되는 고전적인 사례이며, 우리도 예외는 아닙니다.

최근접 이웃 분류기는 가능한 가장 간단한 분류기 중 하나입니다. 분류할 항목이 주어지면 새 항목과 가장 유사한 훈련 데이터 항목을 찾아 해당 레이블을 출력합니다. 다음 다이어그램에 예가 나와 있습니다.

이 섹션의 주요 학습 목표는 지도 학습 방법의 또 다른 좋은 예이며 최근접 이웃 분류기인 선형 회귀만큼 간단합니다. 가까운 사촌인 로지스틱 회귀도 소개하겠습니다.

다음 주제인 딥러닝과 신경망은 다른 많은 주제보다 더 많은 관심을 끄는 경향이 있습니다.

앞서 말했듯이 뉴런은 매우 간단한 처리 단위입니다. 4장에서 선형 및 로지스틱 회귀를 논의한 후 신경망의 필수적인 기술적 세부 사항은 동일한 아이디어의 약간의 변형으로 볼 수 있습니다.

이전 섹션에서는 다층 네트워크, 비선형 활성화 함수, 역전파 알고리즘과 같은 학습 규칙 등 대부분의 신경망 방법 뒤에 있는 기본 아이디어를 논의했습니다.

우리는 가장 어려운 문제 중 하나로 알려진 미래 예측부터 시작하겠습니다.

본 강좌의 초반부에서 우리는 현재와 미래 사회에서 AI가 갖는 중요성에 대해 간략하게 논의했지만, 당시에는 구체적인 용어에 대한 논의를 뒷받침할 기술적 개념과 방법을 충분히 소개하지 않았기 때문에 제한적인 범위에서만 논의할 수 있었습니다.

우리 사회가 AI가 가져온 변화에 얼마나 잘 적응할 수 있는지를 결정하는 가장 중요한 결정은 기술적인 것이 아닙니다. 그들은 정치적이다.

AI가 중요한 이유를 살펴보고, 구현 가능한 AI 아이디어를 만드는 데 필요한 기본 도구와 사고방식을 익힙니다.

“AI에 관해 이야기할 때 무엇을 의미하나요?”라고 질문할 수도 있습니다. 심층 신경망 및 복잡한 알고리즘과 같이 매우 발전된 것입니까, 아니면 소프트웨어에 대한 멋진 단어입니까?

모든 대안을 확인하기 어려운 문제에서 언덕 오르기 알고리즘으로 더 나은 해를 효율적으로 찾는 방법을 배웁니다.

많은 실제 AI 애플리케이션은 부정확성과 불확실성을 처리해야 합니다. 모바일 장치를 사용하여 친구에게 메시지를 입력할 때 손가락이 화면의 키를 약간 부정확하게 터치하는 경우가 종종 있습니다.

이전 섹션에서는 특정 정보를 기반으로 우리가 몰랐던 것에 대해 추론하기 위해 조건부 확률을 사용했습니다. 요약하자면, 우리가 몰랐던 것은 복권 당첨자의 국적이었고, 우리가 활용한 정보는 당첨자가 어부였다는 사실이었습니다.

나이브 베이즈 분류기가 학습 데이터의 단어 분포를 이용해 텍스트를 여러 범주로 분류하는 원리를 배웁니다.

모금할 때: AI다 채용 시: 머신러닝입니다 구현할 때: 선형 회귀입니다.

선형 회귀는 통계에서 차용한 수많은 기계 학습 방법 중 확실한 고전입니다. 컴퓨터 과학자가 발명한 가장 최근의 방법 중(적어도 1800년대 초반에 비해 더 최근) 소위 최근접 이웃 방법은 똑같이 고전적인 기술입니다.

지금까지 우리는 수치 데이터를 사용해 작업해 왔습니다. 캐빈(또는 핀란드에서는 "mökki") 가격을 예측할 때 캐빈의 크기, 실내 화장실 수 등을 살펴보았습니다. 이러한 모든 특성은 숫자로 표현될 수 있습니다.

모델이 학습 데이터에 지나치게 맞춰지는 과적합의 원인과 새로운 데이터에서 성능을 유지하는 방법을 살펴봅니다.

다음 주제인 신경망은 이 과정의 다른 주제를 합친 것보다 더 많은 관심을 끄는 경향이 있습니다. 아마도 이것은 우리 뇌의 신경 처리에서 나타나는 우리 자신의 마음을 이해하려는 희망으로 설명될 수 있습니다.

로지스틱 회귀의 선형 결합과 비선형 함수를 연결하여 신경망의 기본 구조가 만들어지는 과정을 배웁니다.

지금까지 우리는 상대적으로 단순한 모델을 확실히 이해하고 유용한 것이 나올 때까지 더미를 계속 뒤섞는 일종의 "데이터 연금술사"가 되는 것을 피하기 위해 의도적으로 비교적 간단한 모델을 논의했습니다.

과정에서 배운 AI 문제 해결 방법을 정리하고, 실제 아이디어를 구체적인 프로젝트로 발전시키는 다음 단계를 살펴봅니다.

이 과정의 선택적인 최종 과제는 자신의 AI 아이디어로 구성됩니다. 우리는 해결해야 할 만들어진 문제를 제공하지 않습니다. 대신 AI를 사용하여 어떤 문제를 해결하고 싶은지, 어떻게 해결하고 싶은지 듣고 싶습니다.

우리는 이 갤러리가 아이디어를 현실로 만들 수 있는 사람들과 연결되기를 바랍니다.