머신러닝 기술의 이해

Part I
기술사회학적 측면
c hapter 01 기계의 이미지 | 3
골렘(Golem) 이야기 | 3
피그말리온(Pygmalion) 신화 | 5
기계는 무엇인가 | 7
“기계-같은(machine-like)” | 10
기술은 세계를 이해하는 방식 | 10
의미의 프레임(Frame of Meaning) | 13
기술시스템 | 14
인공지능을 위한 의미의 프레임 | 15
c hapter 02 자동인형 이야기 | 17
도시 공공 건축물, 시계탑 | 17
기계주의(mechanism) | 21
기계장치, 행동의 번역 | 22
체스 두는 기계인형, 투르크 | 24
계몽 | 25
철학적 존재로서 자동인형 | 28
행동의 대체인가 | 29
c hapter 03 튜링 테스트(Turing Test) 논쟁 | 31
튜링 기계 | 31
“생각한다”란 무엇인가 | 33
튜링기계 비판 | 34
튜링 테스트 | 35
엘리자 프로그램 | 38
강한 인공지능 비판 | 40
생각하는 기계, 인간을 돕다 | 42
hapter 04 지식의 사회적 성격 | 45
과학, 구성되는 지식 | 45
고전물리학과 현대물리학의 대결 | 47
지식은 사회적 실천의 결과 | 49
실험자 회귀(experimenter's regress) | 50
튜링테스트의 사회적 성격 | 51
기계지능의 사회적 차원 | 52
지식의 사회적 구성문제가 인공지능문제에서 중요하게 언급되어야 하는 이유는
무엇인가? | 54
c hapter 05 SF와 인공지능(1) | 57
최초의 SF 소설, 프랑켄슈타인 | 57
아이 로봇 | 60
블레이드 러너 | 63
로봇 G | 65
c hapter 06 SF와 인공지능(2) | 67
2001 스페이스 오디세이 | 67
매트릭스 | 68
공각기동대 | 73
로봇, 소리 | 76
c hapter 07 알파고와 인간(1) | 79
뢰브너상 대회(Leobner’s Prize Contest) | 79
알파고의 대국 | 81
알파고의 복기 | 84
알파고의 자기 대국 | 86
스스로 개선하는 기계 | 87
알파고의 바둑 이해하기 | 87
기계의 독자성 문제 | 89
c hapter 08 알파고와 인간(2) | 93
확장된 튜링테스트 | 93
(A) : 알파고, 인간의 진실을 흔들기 | 95
(B) : 이세돌, 인간의 진실을 증언하기 | 97
(C) : ‘인간면접관’의 등장 | 99
기계와 인간의 공존이 가능하려면 | 102
c hapter 09 인공지능의 전망들 (1) | 105
영국 과학기술위원회 보고서 | 105
유럽의회 권고(안) | 108
아실로마 인공지능 원칙 개발회의 | 111
IBM 의견서 | 115
제4차 산업혁명 | 117
KISTEP / KISDI 보고서 | 118
c hapter 10 인공지능의 전망들 (2) | 121
인공지능 100년 연구 | 121
백악관 과학기술위원회 보고서 | 124
IEEE, AI/AS 윤리적 숙고를 위한 자료 | 128
c hapter 11 인공지능과 노동 | 137
일의 종말? | 137
인간노동과 기계노동의 관계 문제 | 139
인간노동의 분해와 조합 | 140
인간노동의 재현이라는 이데올로기 | 141
노동과 지능의 관계 | 145
기계와 인간의 불화를 넘어서 | 147
c hapter 12 포스트 휴먼(Post-Human) | 151
근대적 정체성 | 151
사이보그 | 153
포스트 휴먼 | 157
포스트휴먼의 주체성 | 158
인간과 기계의 합성 | 160
포스트휴먼: 컴퓨터 사용자 | 161
포스트휴먼: 디지털 시민 | 162
정보주체와 개인정보 문제의 함의 | 164
Part II
공학적 측면
c hapter 01 서론 | 169
머신러닝 어떻게 공부하면 좋을까? | 169
주요 머신러닝 코스 | 170
c hapter 02 기초확률이론 | 175
확률 공리(probability axioms) | 176
랜덤 변수 | 177
다변수 가우시안 분포 | 179
c hapter 03 함수근사를 위한 선형 모델 | 185
최소자승법(least-squares method) | 186
최우추정법(maximum likelihood estimation, MLE) | 190
정칙화된 최소 자승법(regularized least squares method) | 192
베이지안 방법(Bayesian approach)에 의한 선형 함수 근사 | 193
c hapter 04 이진분류를 위한 선형 모델 | 197
선형 판별 분석(linear discriminant analysis, LDA) | 198
로지스틱 회귀(logistic regression) | 204
c hapter 05 커널 기법 개론 | 211
커널 기법을 위한 표현 정리( representer theorem) | 211
가우시안 프로세스 회귀(Gaussian process regression) | 214
c hapter 06 서포트 벡터 머신 관련 기초이론 | 223
서포트 벡터 분류 문제를 위한 컨벡스 최적화 문제의 유도 | 224
라그랑제 최적화 이론 소개를 위한 기본 예제 | 230
hapter 07 서포트 벡터 머신 | 235
최대 마진 분류기를 위한 컨벡스 QP 문제 | 235
최대 마진 분류기를 위한 쌍대 문제 | 242
C-SVM: 슬랙 변수(slack variables)의 도입 | 243
c hapter 08 젠센 부등식과 응용 | 247
젠센 부등식(Jensen’s inequality) | 247
산술 평균, 기하 평균 및 조화 평균 | 248
깁스 부등식(Gibbs’ inequality) | 251
EM 알고리즘 | 255
c hapter 09 마코프 의사결정 과정 | 263
유한 마코프 의사결정 프로세스 | 264
상태 가치 함수 | 267
벨만 방정식(Bellman equation) | 271
c hapter 10 확률론적 최적 제어 | 277
임의 보행(random walk) | 280
브라운 운동(Brownian motion) | 283
확률 제어 시스템 | 287
c hapter 11 강화학습 | 291
Q 학습(Q-learning) | 295
정책 기울기 정리(policy gradient theorem) | 298
액터-크리틱(actor-critic) | 300
c hapter 12 딥 러닝 개론: DNC를 중심으로 | 305
MLP와 보편적 근사 정리(universal approximation theorems) | 307
순환형 신경망 모델(recurrent neural network model) | 308
미분가능 뉴럴 컴퓨터(differentiable neural computer) | 312
국문 색인 | 327
영문 색인 | 335