HOME / ¹®¼°øÀ¯ / ºñÁî´Ï½º / ±âŸ/ÀϹÝ
0
0°ÇÀÇ Èı⺸±â¡á¿¬°áÁÖÀÇ (Connectionism) -µÎ³ú°¡ µ¿ÀÛÇÏ´Â ¹æ½ÄÀ» ÄÄÇ»ÅÍ¿¡¼ ½ÇÇöÇϱâ À§ÇÑ ¿¬±¸ (¡®how the brain act¡¯) -ÀΰøÀûÀ¸·Î ±¸¼ºµÈ ½Å°æ¸Á¿¡ ´ëÇÑ ¿¬±¸ ¡á±âÈ£ÁÖÀÇ (Symbolism) -µÎ³ú°¡ ÇÏ´Â ÀÏÀ» ÄÄÇ»ÅÍ°¡ ÇÒ ¼ö ÀÖ±â À§ÇÑ ¿¬±¸ (¡®what the brain do¡¯) -Ž»ö, °èȹ µî AI¿¬±¸ÀÇ ÁÖ·ù¸¦ Çü¼º ÃÑ 52ÆäÀÌÁö ·Î ±¸¼ºµÈ Àΰø½Å°æ ȸ·Î¸Á(ANN) ¼³¸íÀÚ·áÀÔ´Ï´Ù.
1Àå Àΰø½Å°æȸ·Î¸Á(ANN)ÀÇ °³¿ä
1. ¿ª»ç
2. Á¤ÀÇ ¹× Ư¡
3. Á¾·ù
2Àå Hopfield ½Å°æȸ·Î¸Á
1. ´ÜÃþ ÆÛ¼ÁÆ®·Ð(Perceptron)
2. ´ÙÃþ ÆÛ¼ÁÆ®·Ð (Multi-Layer Perceptron)
3Àå °æÀïÇнÀ (Competitive Learning)
4Àå Self-Organizing Feature Map (SOM) algorithm
5Àå ART ¸ðµ¨
1. ART ³×Æ®¿öÅ©ÀÇ ±¸Á¶
2. ART ½Ã½ºÅÛ ±¸Á¶
3. ART ¾Ë°í¸®Áò
6Àå ½Å°æȸ·Î¸Á ÀÀ¿ë
1. À¯Àü ¾Ë°í¸®Áò (Genetic Algorithm)
2. A Short Break with Charles Darwin
3. º¸·Î³ëÀÌ ´ÙÀ̾î±×·¥ÀÇ ¿¹
Àΰø½Å°æȸ·Î¸Á(ann)ÀÇ °³¿ä ½Å°æȸ·Î¸Á(neural networks) (Àΰø)½Å°æȸ·Î¸Á (ann or nn)
»ý¹°ÇÐÀû ½Å°æ°è¿Í °°Àº ¹æ½ÄÀ¸·Î µ¿ÀÛÇÒ ¼ö ÀÖµµ·Ï ´Ü¼øÇÏÁö¸¸ ÀûÀÀÀûÀÎ ¿ä¼ÒµéÀ» ´ë·®À¸·Î º´·Ä ¿¬°áÇÑ ¸ÁµéÀÇ °èÃþÀû Á¶Á÷
ai ¿¬°áÁÖÀÇ (connectionism)
µÎ³ú°¡ µ¿ÀÛÇÏ´Â ¹æ½ÄÀ» ÄÄÇ»ÅÍ¿¡¼ ½ÇÇöÇϱâ À§ÇÑ ¿¬±¸ (¡®how the brain act¡¯)
ÀΰøÀûÀ¸·Î ±¸¼ºµÈ ½Å°æ¸Á¿¡ ´ëÇÑ ¿¬±¸ ±âÈ£ÁÖÀÇ (symbolism)
µÎ³ú°¡ ÇÏ´Â ÀÏÀ» ÄÄÇ»ÅÍ°¡ ÇÒ ¼ö ÀÖ±â À§ÇÑ ¿¬±¸ (¡®what the brain do¡¯)
Ž»ö, °èȹ µî ai¿¬±¸ÀÇ ÁÖ·ù¸¦ Çü¼º ÀΰøÁö´É: °³³ä ¹× ÀÀ¿ë
9.½Å°æȸ·Î¸Á
ÄÄÇ»ÅÍ vs ½Å°æ¸Á vs Àΰ£ µÎ³ú (Ç¥ 9.1)
±¸ºÐ ÁøÈ Á¾Á·ÀÇ ±Þ°ÝÇÑ ÁøÈ °³Ã¼ ´É·ÂÀº º¯È ¾ÊÀ½ ÀûÀÀÀû º¯È°¡ °¡´ÉÇÑ ÇÁ·Î±×·¥ Á¾Á·ÀÇ ¿Ï¸¸ÇÑ ÁøÈ °³Ã¼ ´É·ÂÀÇ ±Þ¼ÓÇÑ ¹ß´Þ ¼º´É ¼Óµµ ºü¸§ (ns, ps) gb ÀÇ ±â¾ï¿ë·®
ÄÄÇ»Åͺ¸´Ù ´À¸° 󸮼ӵµ»ç¶÷º¸´Ù ÀÛÀº ±â¾ï¿ë·®
´À¸° 󸮼ӵµ (ms) Å« ±â¾ï¿ë·® (4x10 10 gb) ½ÅÈ£ Àü±â Àü±â ÈÇйÝÀÀ¿¡ ÀÇÇÑ Àü±â µ¥ÀÌŸ µðÁöÅÐ µðÁöÅÐ , ¾Æ³¯·Î±× ¾Æ³¯·Î±× ÀÛµ¿ ±âÁ¤µÈ ¾Ë°í¸®Áò¿¡ ÀÇÇÑ ÃÖÀûÀÇ °á°ú ¸ñÇ¥ ÇнÀÇÒ ¼ö ÀÖ´Â ÀûÀÀÀû ¾Ë°í¸®Áò ÀûÀÀÀûÀ̸ç ÈÞ¸®½ºÆ½ÇÑ À¯Çü ±âÁ¤ÀÇ ¾Ë°í¸®ÁòÀº ¾øÀ½ °áÇÔ Çã¿ë¼º Á¶±ÝÀÇ °áÇÔÀÌ¶óµµ ½Ã½ºÅÛÀÇ ÀÛµ¿¿¡ Ä¡¸íÀûÀÓ ´Ù¼öÀÇ º´·Ä ¿¬°á ±¸Á¶´Â °æ¹ÌÇÑ °áÇÔÀ» Çã¿ëÇÔ
°æ¹ÌÇÑ ¼Õ»óÀº ÀüüÀûÀ¸·Î º°´Ù¸¥ ¿µÇâÀ» ¹ÌÄ¡Áö ¾ÊÀ½
ºñ±³Àû ¿ìÀ§ °è»ê°ú ÀÚ·áÀÇ ÀúÀå ÄÄÇ»Å͸¦ ÀÌ¿ëÇÑ ÆÇ´Ü°ú ÀÎ½Ä ÆÇ´Ü°ú ÀÎ½Ä ±¸ºÐ ÁøÈ Á¾Á·ÀÇ ±Þ°ÝÇÑ ÁøÈ °³Ã¼ ´É·ÂÀº º¯È ¾ÊÀ½ ÀûÀÀÀû º¯È°¡ °¡´ÉÇÑ ÇÁ·Î±×·¥ Á¾Á·ÀÇ ¿Ï¸¸ÇÑ ÁøÈ °³Ã¼ ´É·ÂÀÇ ±Þ¼ÓÇÑ ¹ß´Þ ¼º´É ¼Óµµ ºü¸§(ns, ps) gbÀÇ ±â¾ï¿ë·®
ÄÄÇ»Åͺ¸´Ù ´À¸° 󸮼ӵµ»ç¶÷º¸´Ù ÀÛÀº ±â¾ï¿ë·®
´À¸° 󸮼ӵµ(ms) Å« ±â¾ï¿ë·® (4x1010gb) ½ÅÈ£ Àü±â Àü±â ÈÇйÝÀÀ¿¡ ÀÇÇÑ Àü±â µ¥ÀÌŸ µðÁöÅÐ µðÁöÅÐ, ¾Æ³¯·Î±× ¾Æ³¯·Î±× ÀÛµ¿ ±âÁ¤µÈ ¾Ë°í¸®Áò¿¡ ÀÇÇÑ ÃÖÀûÀÇ °á°ú ¸ñÇ¥ ÇнÀÇÒ ¼ö ÀÖ´Â ÀûÀÀÀû ¾Ë°í¸®Áò ÀûÀÀÀûÀ̸ç ÈÞ¸®½ºÆ½ÇÑ À¯Çü ±âÁ¤ÀÇ ¾Ë°í¸®ÁòÀº ¾øÀ½ °áÇÔ Çã¿ë¼º Á¶±ÝÀÇ °áÇÔÀÌ¶óµµ ½Ã½ºÅÛÀÇ ÀÛµ¿¿¡ Ä¡¸íÀûÀÓ ´Ù¼öÀÇ º´·Ä ¿¬°á ±¸Á¶´Â °æ¹ÌÇÑ °áÇÔÀ» Çã¿ëÇÔ
°æ¹ÌÇÑ ¼Õ»óÀº ÀüüÀûÀ¸·Î º°´Ù¸¥ ¿µÇâÀ» ¹ÌÄ¡Áö ¾ÊÀ½
ºñ±³Àû ¿ìÀ§ °è»ê°ú ÀÚ·áÀÇ ÀúÀå ÄÄÇ»Å͸¦ ÀÌ¿ëÇÑ ÆÇ´Ü°ú ÀÎ½Ä ÆÇ´Ü°ú ÀÎ½Ä ÀΰøÁö´É: °³³ä ¹× ÀÀ¿ë
9.½Å°æȸ·Î¸Á
°³¿ä ½Å°æȸ·Î¸Á(neural networks)
»ý¹°ÇÐÀû ½Ã½ºÅÛÀÇ °è»êƲ ¡æ ÄÄÇ»ÅÍ·Î ¸ð¹æ ºÒ°¡ ¡æ »ý¹°ÇÐÀû Á¤º¸Ã¼°è ¿¬±¸¸¦ À§ÇØ ½ÃÀÛ-½É¸®ÇÐ,½Å°æ°úÇÐ,ÀÎÁö°úÇÐ, ½Ã½ºÅÛ ÀÌ·Ð º´ÇÕ
±âº» ÀÛ¾÷
ÇнÀ(learning): ÆÐÅÏ ºÎ·ù¿¡ µû¶ó ½Å°æ¸ÁÀÇ ¿¬°á°¡ÁßÄ¡ Á¶Á¤
Àç»ý(recall): ÇнÀµÈ °¡ÁßÄ¡¿Í ÀԷº¤ÅÍ¿ÍÀÇ °Å¸® °è»êÇÏ¿© °¡Àå °¡±î¿î Ŭ·¡½º·Î ºÐ·ù
¡æ »ç¶÷°ú °°Àº ÇнÀ ´É·Â: ÆÐÅÏ ºÐ·ù, ÀνÄ, ÃÖÀûÈ, ¿¹Ãø
¡æ ±âÁ¸ ÀΰøÁö´É ¹®Á¦ ÇØ°áÀÇ »õ·Î¿î °è»êƲ Á¦°ø
(Àΰø)½Å°æȸ·Î¸Á
Àΰ£ÀÇ µÎ³úÀÛ¿ëÀ» ½Å°æ ¼¼Æ÷µé°£ÀÇ ¿¬°á°ü°è·Î ¸ðµ¨¸µ
¡æ Àΰ£ÀÇ ÇнÀÀ» ¸ðµ¨¸µ ÀΰøÁö´É: °³³ä ¹× ÀÀ¿ë (ÀÌÇÏ »ý·«)
¹ÞÀº º°Á¡
0/5
0°³ÀÇ º°Á¡
¹®¼°øÀ¯ ÀڷḦ µî·ÏÇØ ÁÖ¼¼¿ä.
¹®¼°øÀ¯ Æ÷ÀÎÆ®¿Í Çö±ÝÀ» µå¸³´Ï´Ù.
Æ÷ÀÎÆ® : ÀÚ·á 1°Ç´ç ÃÖ´ë 5,000P Áö±Þ
Çö±Ý : ÀÚ·á 1°Ç´ç ÃÖ´ë 2,000¿ø Áö±Þ