인공지능 chapter_01~02

*인공지능(Artificail intelligence)
	공학적 정의 :
    	-사람이 수행햇을 때 지능을 필요로 하는 일을 기계에게 시키고자 하는 학문/기술
        -컴퓨터를 좀 더 똑똑하게 하고자 하는 연구/기술
        -생각하는 기계를 만드는 연구/기술
        
    심리학, 인지과학적 정의
    	-계산기법을 통하여 지능을 공부하는 것
        -프로그램된 인간의 지능
        
*튜링 테스트(Turing Test)
     튜링 테스트는 지능이 있다고 주장되는 기계의 성능을 인간과 비교하여 측정합니다.
    *중요한 특징은 다음과 같습니다:
        지능에 대한 객관적인 개념을 제공합니다.
        혼란스럽고 답할 수 없는 질문에 휘말리지 않도록 합니다.
        생명체에 대한 편견을 제거하고 기계와 공정하게 비교합니다.

*지능 시스템 : 인식, 이해, 판단, 의사결정을 포함합니다. => 이러한 시스템의 결과로 융통성, 자동화, 최적화가 이루어집니다.
	*지능 시스템 개발 방법론
    	지식 기반 접근법(Knowledge-Based Approach) : 인간 지식을 기호 조합으로 표현, 지식 획득, 논리, 전문가 시스템, 퍼지 시스템 활용
        데이터 기반 접근법(Data Driven Approach) : 수집된 예제에서 공통 특성 추출, 훈련, 통계적 방법, 인공 신경망 사용
*Generality vs. Power.
    강력하고 일반적인 문제 해결사를 목표로
        General Problem Solver (일반 문제 해결사)
        	초기의 시도 실패: 복잡성 때문에 초기 시도가 실패함.
        	Toy Problems Only: 단순한 이론적 문제에만 효과적임.
        Power를 얻기 위해 Specialized Approach로 전환
        	Knowledge-Based Approach (지식 기반 접근법)
        	실용적인 전문가 시스템 (Expert Systems): 특정 과제를 해결하기 위해 전문가의 지식을 활용하는 실용적인 시스템.

* Biological and Social Models of Intelligence
    Traditional Approach (전통적 접근법)
        지식을 표현하는 방법으로 논리에 의존
        주된 메커니즘으로 논리적 추론 사용
    Alternative Approaches (대안적 접근법)
        연결주의 네트워크 (Connectionist Networks)
        인공 생명 및 유전 알고리즘 (Artificial Life and Genetic Algorithms)
        에이전트 기반 문제 해결 (Agent-Oriented Problem Solving)
 
* Agent-Oriented Problem Solving:에이전트 지향 문제 해결은 여러 에이전트가 상호작용하여 지능적인 작업을 수행한다고 봅니다
    동기 (Motivation)
        사회 시스템은 지능의 또 다른 비유를 제공합니다.
        개별 구성원이 해결하기 어려운 문제를 전체 시스템이 해결할 수 있는 글로벌 행동을 보입니다.
    예시 (e.g.)
        뉴욕시에서 하루에 소비될 빵의 양을 정확히 예측할 수는 없지만, 뉴욕의 제빵 시스템 전체가 최소한의 낭비로 도시를 잘 공급합니다.
        주식 시장은 각 투자자가 제한된 정보를 가지고 있음에도 불구하고 수백 개 회사의 가치를 잘 설정합니다.
    두 가지 주제
    	*지능을 문화와 사회에 뿌리를 둔 관점
    	*다수의 간단하고 상호작용하는 반자율적인 개인이나 에이전트의 집합적 행동을 통해 지능이 반영됨
    
    에이전트 지향 및 창발적 지능의 주요 주제
        에이전트의 특성
            자율적 또는 반자율적
            "상황에 맞게" 배치됨
            상호작용적
            구조화된 사회를 형성
            창발적인 지능 현상을 보여줌
        창발적 진화 (Emergent Evolution)
            기존 요소의 예기할 수 없는 재편성으로 새로운 생물이나 행동 양식, 의식이 출현
    에이전트 정의 및 설계 요건
        에이전트 정의
             환경의 일부 측면을 인식하고 그 환경에 영향을 미치는 사회의 요소
        설계 및 구축 요건
             정보 표현 구조
             대안 해결책 탐색 전략
             에이전트 상호작용을 지원하는 아키텍처 생성

*딥러닝(Deep Learning)
    개념
        딥러닝은 데이터 표현 학습에 기반한 기계 학습 방법의 일종으로, 특정 작업 알고리즘과는 다릅니다.
        2006년 Geoff Hinton 등은 여러 층으로 구성된 신경망을 효과적으로 사전 훈련할 수 있는 방법을 제시했습니다.
    적용 분야
        컴퓨터 비전, 음성 인식, 자연어 처리, 오디오 인식 등 다양한 분야에 활용됩니다.
        이러한 시스템은 인간 전문가 수준의 성능을 보이기도 합니다.
*Machine Learning vs Deep Learning
    기계 학습 (Machine Learning)
        입력 데이터를 특징 추출 후 분류하여 결과를 도출합니다.
        사람이 직접 특징을 추출하는 과정이 필요합니다.
    딥러닝 (Deep Learning)
        입력 데이터를 자동으로 특징 추출 및 분류하여 결과를 도출합니다.
        여러 층의 신경망을 통해 자동화된 특징 학습이 이루어집니다.
*Simple Neural Network vs Deep Learning Neural Network
    단순 신경망 (Simple Neural Network)
        입력층, 은닉층, 출력층으로 구성되며, 은닉층이 비교적 적습니다.
    딥러닝 신경망 (Deep Learning Neural Network)
        여러 개의 은닉층을 가지며, 복잡한 패턴 인식에 유리합니다.

*기계 학습(Machine Learning)
	: 경험에 의하여 기계 스스로 지식을 축척하여 성능을 향상

*탐색 기법
	최적화 기법
    발생할 수 있는 여러 경우를 분석하여 최선의 경로를 찾는 문제 풀이 기법
    기하급수적으로 증가하는 계산 복잡도의 처리 필요
    	가능성 있는 것부터 평가 (Heuristic Search)
    	국부적 정보를 이용 (Hill Climbing Method)
    	최적해 v.s.  적당히 좋은 해
    병렬 탐색
    	Genetic Algorithm, Simulated Annealing
    
*Automated Reasoning
	Qualitative Reasoning
    	정성적인 지식을 이용한 판단
    	예) 가격이 오르면 수요가 떨어진다.
    Non-monotonic Reasoning
    	Birds can fly & Ostrich is a bird => Ostrich can fly <=> Ostrich cannot fly
    Plausible Reasoning
    	불확실성하에서의 상충되는 정보의 융합 판단
    Case-based Reasoning
        경험을 근거로 한 판단


*인공신경망 (Artificial Neural Networks)
    생물 신경세포의 계산 모델
    	뉴런 (Neuron): 단순한 기능을 수행하는 처리 요소로, 합(sum)과 비선형 임계값(non-linear thresholding)을 사용합니다.
    	여러 뉴런이 상호 연결되어 네트워크를 형성합니다.
    	학습을 통해 연결 강도(weight)를 조정합니다.
    구조
    	연상 메모리 - 주소 지정 가능한 콘텐츠
    	고도의 병렬성
    	입력, 처리, 출력의 단계로 구성된 단순 계산 요소로 설명됩니다.
    	입력 링크를 통해 정보를 받아들이고, 활성화 함수(activation function)를 통해 출력을 생성합니다.

* Physical Symbol System Hypothesis : 지식의 표현과 탐색의 중요성을 강조
	지능적 활동의 구성 요소
    	기호 패턴: 문제 영역의 중요한 측면을 표현.
    	연산: 이러한 패턴을 사용하여 잠재적인 해결책 생성.
    	탐색: 가능한 해결책 중 하나를 선택.
        
*Knowledge Representation
실수의 다양한 표현
	실수: π
    소수 표현: 3.1415927...
    부동 소수점 표현: 31416 \times 10^1 (지수와 가수로 나뉨)
염색체의 디지털 이미지
    배열이 자연스러운 표현 방식
    술어 논리와 같은 다른 표현 방식은 번거로움
사진 2: Knowledge Representation (2)
    표현 체계의 요구 사항
    	필요한 모든 정보를 충분히 표현할 수 있어야 함
    	결과 코드의 효율적인 실행을 지원해야 함
    	필요한 지식을 자연스럽게 표현할 수 있는 체계 제공
        
*AI Representation Language(AI 표현 언어)
    필수 조건:
        질적 지식 처리: 질적 데이터를 효과적으로 다룰 수 있어야 합니다.
        추론 능력: 사실과 규칙의 집합으로부터 새로운 지식을 추론할 수 있어야 합니다.
        일반 원칙 및 특정 상황 표현: 일반적인 원칙뿐만 아니라 특정 상황도 표현할 수 있어야 합니다.
        복잡한 의미 포착: 복잡한 의미론적 의미를 포착할 수 있어야 합니다.
        메타 수준의 추론 허용: 메타 수준의 추론을 허용해야 합니다.
        
   질적 지식 처리:
        블록 세계와 같은 예시를 통해 질적 지식을 다룰 수 있어야 합니다.
        술어 논리를 사용하여 설명 정보를 직접 캡처합니다
        
   새로운 지식 추론:
        사실과 규칙의 집합으로부터 새로운 지식을 추론할 수 있어야 합니다.
        예시: 모든 X에 대해, Y가 X 위에 존재하지 않으면 X는 비어 있음.
        논리 표현: ∀X,¬∃Yon(Y,X)⇒clear(X)
        
    *AI 표현 언어의 요구 사항
    	질적 지식 처리: 복잡한 상황을 다룰 수 있어야 합니다.
        새로운 지식 추론: 사실과 규칙으로부터 새로운 정보를 도출할 수 있어야 합니다.
        일반 원칙 및 특정 상황 표현: 변수 사용을 통해 일반적인 원칙과 특정 상황 모두를 표현할 수 있어야 합니다.
        복잡한 의미 포착: 복잡한 의미론적 의미를 효과적으로 표현해야 합니다.
        메타 수준의 추론 허용: 메타 수준에서의 추론을 지원해야 합니다.
    복잡한 의미 포착:
        대량의 구조화된 상호 연관 지식이 필요합니다.
        논리적 술어 집합을 사용하여 다양한 속성을 표현합니다.
        
     메타 수준 추론 허용:
    	지능형 시스템은 문제 해결 능력뿐만 아니라 자신이 알고 있는 것을 이해하고 설명할 수 있어야 합니다.
    	지식을 구체적이고 일반적인 용어로 설명할 수 있어야 합니다.
    메타 지식:
    	자신이 알고 있는 것에 대한 인식을 포함합니다.
    	진정한 지능형 시스템 설계 및 개발에 필수적입니다.
    AI 표현 언어:
    	술어 논리, 의미 네트워크, 프레임 및 객체를 포함합니다.
    	구현 언어로 LISP와 PROLOG가 사용됩니다.