인공지능 2 : 현대적 접근방식

CHAPTER 13 불확실성의 정량화 1
13.1 불확실성하에서의 행동 1
13.2 기본적인 확률 표기법 6
13.3 완전 결합 분포를 이용한 추리 14
13.4 독립성 18
13.5 베이즈 규칙과 그 용법 20
13.6 웜푸스 세계의 재고찰 25
13.7 요약 29
연습문제 33

CHAPTER 14 확률적 추론 39
14.1 불확실한 정의역의 지식 표현 40
14.2 베이즈망의 의미론 43
14.3 조건부 확률분포의 효율적 표현 49
14.4 베이즈망의 정확한 추리 54
14.5 베이즈망의 근사적 추리 63
14.6 관계적 확률 모형과 1차 확률 모형 74
14.7 불확실한 추론에 대한 다른 접근방식들 82
14.8 요약 89
연습문제 97

CHAPTER 15 시간에 따른 확률적 추론 105
15.1 시간과 불확실성 106
15.2 시간적 모형에서의 추리 111
15.3 은닉 마르코프 모형 120
15.4 칼만 필터 127
15.5 동적 베이즈망 135
15.6 다수의 객체를 추적 145
15.7 요약 149
연습문제 153

CHAPTER 16 간단한 의사결정 159
16.1 불확실성하에서의 믿음과 욕구의 결합 160
16.2 효용이론의 기초 161
16.3 효용 함수 165
16.4 다중 특성 효용 함수 174
16.5 의사결정망 179
16.6 정보의 가치 182
16.7 결정이론적 전문가 시스템 187
16.8 요약 191
연습문제 196

CHAPTER 17 복잡한 의사결정 203
17.1 순차적 의사결정 문제 204
17.2 평가치 반복 211
17.3 방침 반복 216
17.4 부분 관찰 가능 MDP 218
17.5 다중 에이전트 의사결정: 게임이론 228
17.6 메커니즘 설계 244
17.7 요약 251
연습문제 256

CHAPTER 18 견본을 통한 학습 261
18.1 학습의 여러 형태 262
18.2 감독 학습 264
18.3 의사결정 트리의 학습 267
18.4 최고의 가설의 평가와 선택 279
18.5 학습 이론 286
18.6 선형 모형을 이용한 회귀와 분류 291
18.7 인공 신경망 302
18.8 비매개변수적 모형 313
18.9 지지 벡터 기계 321
18.10 앙상블 학습 326
18.11 실용적인 기계 학습 331
18.12 요약 336
연습문제 344

CHAPTER 19 학습과 지식 349
19.1 학습의 논리적 형식화 349
19.2 학습에서의 지식 359
19.3 설명 기반 학습 363
19.4 유관성 정보를 이용한 학습 368
19.5 귀납적 논리 프로그래밍 372
19.6 요약 383
연습문제 387

CHAPTER 20 확률 모형의 학습 389
20.1 통계적 학습 390
20.2 완전 자료를 이용한 학습 393
20.3 숨겨진 변수들이 있는 학습: EM 알고리즘 406
20.4 요약 416
연습문제 420

CHAPTER 21 강화 학습 423
21.1 소개 423
21.2 수동 강화 학습 425
21.3 능동 강화 학습 433
21.4 강화 학습의 일반화 440
21.5 방침 검색 443
21.6 강화 학습의 응용 446
21.7 요약 449
연습문제 455

CHAPTER 22 자연어 처리 457
22.1 언어 모형 458
22.2 텍스트 분류 463
22.3 정보 조회 466
22.4 정보 추출 473
22.5 요약 485
연습문제 489

CHAPTER 23 자연어 의사소통 491
23.1 구 구조 문법 492
23.2 구문 분석(파싱) 496
23.3 증강 문법과 의미론적 해석 502
23.4 기계 번역 513
23.5 음성 인식 520
23.6 요약 527
연습문제 533

CHAPTER 24 지각 539
24.1 영상 형성 541
24.2 초기 영상 처리 연산들 547
24.3 겉보기를 이용한 물체 인식 555
24.4 3차원 세계의 재구축 560
24.5 구조적 정보로부터 물체 인식 572
24.6 시각의 활용 576
24.7 요약 581
연습문제 586

CHAPTER 25 로봇공학 589
25.1 소개 589
25.2 로봇 하드웨어 592
25.3 로봇 지각 598
25.4 운동 계획의 수립 606
25.5 불확실한 운동의 계획 614
25.6 운동의 실행 618
25.7 로봇공학 소프트웨어 구조 625
25.8 응용 영역들 628
25.9 요약 632
연습문제 638

CHAPTER 26 철학적 토대 645
26.1 약 인공지능: 기계가 지능적으로 행동할 수 있는가? 646
26.2 강 인공지능: 기계가 정말로 생각할 수 있는가? 653
26.3 인공지능 개발의 윤리와 위험 662
26.4 요약 670
연습문제 674

CHAPTER 27 인공지능의 현재와 미래 677
27.1 에이전트의 구성요소들 678
27.2 에이전트 아키텍처 681
27.3 인공지능 연구의 올바른 방향 683
27.4 인공지능이 정말로 성공한다면? 685

APPENDIX A 수학적 배경 687
A.1 복잡도 분석과 O() 표기법 687
A.2 벡터, 행렬, 선형 대수 690
A.3 확률분포 692

APPENDIX B 언어와 알고리즘에 관해 697
B.1 BNF를 이용한 언어의 정의 697
B.2 알고리즘 서술에 쓰이는 의사코드 698
B.3 온라인 도움말 700

참고문헌 701
찾아보기 749

변수들 사이의 독립 관계와 조건부 독립 관계가 완전 결합 분포를 정의하기 위해 지정해야 할 확률의 개수를 크게 줄여 준다는 점도 제13장에서 이야기했다. 이번 절에서 는 변수들 사이의 의존관계를 나타내는 베이즈망(Bayesian network)이라는 자료구조를 소개한다. 베이즈망은 본질적으로 임의의 완전 결합 분포를 표현할 수 있으며, 많은 경우 완전 결합 분포를 아주 간결하게 표현할 수 있다.

메커니즘 설계의 예로는 싼 항공권 경매, 컴퓨터들 사이의 TCP 패킷 라우팅, 인턴들을 병원들에 배정하는 방법 결정, 로봇 축구 선수들을 하나의 팀으로써 협동하게 만들기 등이 있다. 1990년대에 몇몇 나라에서는 메커니즘 설계가 학술적 연구 주제 차원을 넘어서서, 여러 주파수 대역의 방송 권한에 대한 경매 문제에 실제로 적용되었다. 그런 문제에서는 메커니즘 설계가 잘못되면 수억 달러의 잠재적 수익이 날아갈 수 있다. 형식적으로, 하나의 메커니즘은 (1) 에이전트가 채택할 수 있는 허용 가능한 전략들의 집합을 서술하는 언어, (2) 게임의 에이전트들이 선택한 전략에 대한 정보를 모으는, 중앙 에이전트(center agent)라고 부르는 개별적인 하나의 에이전트, (3) 모든 에이전트에게 알려지는, 에이전트들의 전략 선택들이 주어졌을 때 중앙 에이전트가 각 에이전트에게 부여할 이익을 결정하는 데 사용하는 결과 규칙(outcome rule)으로 이루어진다.

지금까지 다양한 기계 학습 기법을 소개하고, 각각에 대해 간단한 학습 과제의 예도 제시했다. 이번 절에서는 실용적인 기계 학습의 두 가지 측면을 고찰한다. 하나는 손으로 쓴 숫자를 인식하는 법을 배우고 그것을 이용해서 예측 성과를 최대한 뽑아내는 능력을 갖춘 알고리즘을 찾는 것에 관련된 것이고, 또 하나는 모든 것에 관여하는, 자료의 획득, 정리, 표현에 관한 것이다. 후자는 적어도 알고리즘 공학만큼이나 중요한 측면이다.