추가 적립 안내

110여 개국 1,300개 이상의 대학에서 교재로 쓰이는 인공지능 바이블!

이 책은 논리학, 확률, 연속수학과 지각, 추론, 학습, 동작, 그리고 초소형 전자기기부터 로봇 행성 탐사 차량에 이르기까지 모든 것을 포괄하는 인공지능 분야의 전 면모를 다루고 있다. 그중 이 책을 관통하는 주제인 지능적 에이전트라는 개념을 깊게 파헤치며, 인공지능의 여러 분야를 현대적 접근방식으로 조합한다.

이 책은 논리학, 확률, 연속수학과 지각, 추론, 학습, 동작, 그리고 초소형 전자기기부터 로봇 행성 탐사 차량에 이르기까지 모든 것을 포괄하는 인공지능 분야의 전 면모를 다루고 있다. 그중 이 책을 관통하는 주제인 지능적 에이전트라는 개념을 깊게 파헤치며, 인공지능의 여러 분야를 현대적 접근방식으로 조합한다.

이 책은 논리학, 확률, 연속수학과 지각, 추론, 학습, 동작, 그리고 초소형 전자기기부터 로봇 행성 탐사 차량에 이르기까지 모든 것을 포괄하는 인공지능 분야의 전 면모를 다루고 있다. 그중 이 책을 관통하는 주제인 지능적 에이전트라는 개념을 깊게 파헤치며, 인공지능의 여러 분야를 현대적 접근방식으로 조합한다.

특히, 제3판에서는 모든 주요 분야의 논법이 갱신됐다. 많은 내용이 세계의 표현 방식(원자적 표현과 분해된 표현, 구조적 표현)에 따른 새로운 조직화 원리에 맞게 갱신되었으며, 부분 관찰 가능 검색, 우발적 계획 수립, 계통적 계획 수립, 관계적 확률 모형과 및 1차 확률 모형, 기계 학습의 정칙화와 손실 함수, 핵 방법, 웹 검색 엔진, 정보 추출, 컴퓨터 시각과 로봇공학 같은 주제에 대한 중요하면서도 새로운 내용이 추가되었다. 또한, 새로운 연습문제 수백 개도 추가되었다.

이 책의 가장 큰 목표는 지난 50년간의 인공지능 연구와 수백 년간의 관련 연구에서 얻은 아이디어들을 독자에게 전달하는 것이다. 그만큼 이 책은 인공지능에 관한 한 가장 포괄적이고 통찰력 있는 책이다.

이 책은 합리적인 의사결정 패러다임을 위한 통합적인 관점을 제공하며, 주요 인공지능 알고리즘의 의사코드들을 포함하고 있다. 또한, 적절한 에이전트 설계를 위한 검색 기법이나 계획 수립, 지식 표현은 물론, 요즘 화두인 자연어 처리, 기계 학습, 로봇공학까지도 아우른다.

또한, 이 책은 기본적으로 대학 학부생용 강의 교재를 염두에 둔 것으로, 총 27장으로 되어 있다. 각 장은 대략 한 주 정도의 강의 분량으로 볼 수 있으며, 책 전체를 떼기가 부담스럽다면 강사와 학생의 관심사에 맞는 장들을 선택해서 한 학기 과정을 만드는 것도 가능하다.

여러분이 강사라면 이 책을 가르칠 수 있는 기쁨을, 학생이라면 이 책을 배울 수 있는 기쁨을 충분히 누릴 수 있기를 바란다.

110여 개국 1,300개 이상의 대학에서 교재로 쓰이는 인공지능 바이블!

이 책은 논리학, 확률, 연속수학과 지각, 추론, 학습, 동작, 그리고 초소형 전자기기부터 로봇 행성 탐사 차량에 이르기까지 모든 것을 포괄하는 인공지능 분야의 전 면모를 다루고 있다. 그중 이 책을 관통하는 주제인 지능적 에이전트라는 개념을 깊게 파헤치며, 인공지능의 여러 분야를 현대적 접근방식으로 조합한다.

특히, 제3판에서는 모든 주요 분야의 논법이 갱신됐다. 많은 내용이 세계의 표현 방식(원자적 표현과 분해된 표현, 구조적 표현)에 따른 새로운 조직화 원리에 맞게 갱신되었으며, 부분 관찰 가능 검색, 우발적 계획 수립, 계통적 계획 수립, 관계적 확률 모형과 및 1차 확률 모형, 기계 학습의 정칙화와 손실 함수, 핵 방법, 웹 검색 엔진, 정보 추출, 컴퓨터 시각과 로봇공학 같은 주제에 대한 중요하면서도 새로운 내용이 추가되었다. 또한, 새로운 연습문제 수백 개도 추가되었다.

이 책의 가장 큰 목표는 지난 50년간의 인공지능 연구와 수백 년간의 관련 연구에서 얻은 아이디어들을 독자에게 전달하는 것이다. 그만큼 이 책은 인공지능에 관한 한 가장 포괄적이고 통찰력 있는 책이다.

이 책은 합리적인 의사결정 패러다임을 위한 통합적인 관점을 제공하며, 주요 인공지능 알고리즘의 의사코드들을 포함하고 있다. 또한, 적절한 에이전트 설계를 위한 검색 기법이나 계획 수립, 지식 표현은 물론, 요즘 화두인 자연어 처리, 기계 학습, 로봇공학까지도 아우른다.

또한, 이 책은 기본적으로 대학 학부생용 강의 교재를 염두에 둔 것으로, 총 27장으로 되어 있다. 각 장은 대략 한 주 정도의 강의 분량으로 볼 수 있으며, 책 전체를 떼기가 부담스럽다면 강사와 학생의 관심사에 맞는 장들을 선택해서 한 학기 과정을 만드는 것도 가능하다.

여러분이 강사라면 이 책을 가르칠 수 있는 기쁨을, 학생이라면 이 책을 배울 수 있는 기쁨을 충분히 누릴 수 있기를 바란다.

인공지능에 관한 책을 딱 하나만 가진다면, 그 책은 반드시 이 책이어야 한다. 이 책은 해박하고 상세하며, 흥미롭고 유용한 통찰들로 가득하다.
- 아비 페퍼 / 하버드대학교 교수

이번에도 저자들은 훌륭한 교과서를 좀 더 훌륭한 교과서로 만드는 데 성공했다. 직관적이고 명확한 서술을 통해 복잡한 문제를 쉽게 만드는 영리한 글쓰기를 보여주었으며, 그것을 이토록 광범위한 주제에 적용했다는 점에 무한한 존경을 표한다. 나는 최근 인공지능에 관한 관심이 부활한 데에는 이런 뛰어난 교과서 덕분이라고 확신한다.
- 볼프강 비벨 / 독일 다름슈타트 공과대학 교수

이 책은 인공지능의 최전선에 대한 확신과 낙관주의, 그리고 전염력 있는 흥분이 가득하다. 그러면서도 이 분야의 복잡성과 깊이를 전혀 손상하지 않았다. 이 책은 교수와 학생이 모두 반기고 즐길 책이다.
- 슐로모 질버스틴 / 매사추세츠대학교 애머스트 캠퍼스 교수

러셀과 노빅의 제1판에 대한 나의 반응은 ‘지금까지 나온 최고의 책이긴 하지만 더 나은 책을 쓰는 게 불가능하지는 않겠다’였다. 제2판에 대한 반응은 ‘그 누구도 이보다 나은 인공지능 교과서를 쓰지는 못할 것이다’였다. 이 서평을 위해 제3판을 자세히 읽고 나니 그런 생각이 다시 확실해졌다. 이 책은 [The Feynman Lectures on Physics](파인만의 물리학 강의) 수준의, 놀랄 만큼 깊고 넓은 훌륭한 교과서다. 그리고 이 책이 단지 인공지능 강좌를 위한 교재인 것은 아니다. 이 책은 합리적 사고와 행동의 이론에 관한 미증유의 개괄서이다.
- 어니 데이비스 / 뉴욕대학교 교수

놀라운 성취이자 진정으로 아름다운 책!
- 셀머 브링스조드 / 렌셀러 폴리테크닉대학교 교수

아비 페퍼(하버드대학교 교수)
인공지능에 관한 책을 딱 하나만 가진다면, 그 책은 반드시 이 책이어야 한다. 이 책은 해박하고 상세하며, 흥미롭고 유용한 통찰들로 가득하다.

볼프강 비벨(독일 다름슈타트 공과대학 교수)
이번에도 저자들은 훌륭한 교과서를 좀 더 훌륭한 교과서로 만드는 데 성공했다. 직관적이고 명확한 서술을 통해 복잡한 문제를 쉽게 만드는 영리한 글쓰기를 보여주었으며, 그것을 이토록 광범위한 주제에 적용했다는 점에 무한한 존경을 표한다. 나는 최근 인공지능에 관한 관심이 부활한 데에는 이런 뛰어난 교과서 덕분이라고 확신한다.

슐로모 질버스틴(매사추세츠대학교 교수)
이 책은 인공지능의 최전선에 대한 확신과 낙관주의, 그리고 전염력 있는 흥분이 가득하다. 그러면서도 이 분야의 복잡성과 깊이를 전혀 손상하지 않았다. 이 책은 교수와 학생이 모두 반기고 즐길 책이다.

어니 데이비스(뉴욕대학교 교수)
러셀과 노빅의 제1판에 대한 나의 반응은 ‘지금까지 나온 최고의 책이긴 하지만 더 나은 책을 쓰는 게 불가능하지는 않겠다’였다. 제2판에 대한 반응은 ‘그 누구도 이보다 나은 인공지능 교과서를 쓰지는 못할 것이다’였다. 이 서평을 위해 제3판을 자세히 읽고 나니 그런 생각이 다시 확실해졌다. 이 책은 《The Feynman Lectures on Physics》(파인만의 물리학 강의) 수준의, 놀랄 만큼 깊고 넓은 훌륭한 교과서다. 그리고 이 책이 단지 인공지능 강좌를 위한 교재인 것은 아니다. 이 책은 합리적 사고와 행동의 이론에 관한 미증유의 개괄서이다.

셀머 브링스조드(렌셀러 폴리테크닉대학교 교수)
놀라운 성취이자 진정으로 아름다운 책!

CHAPTER 13 불확실성의 정량화
13.1 불확실성하에서의 행동
13.2 기본적인 확률 표기법
13.3 완전 결합 분포를 이용한 추리
13.4 독립성
13.5 베이즈 규칙과 그 용법
13.6 웜푸스 세계의 재고찰
13.7 요약
연습문제

CHAPTER 14 확률적 추론
14.1 불확실한 정의역의 지식 표현
14.2 베이즈망의 의미론
14.3 조건부 확률분포의 효율적 표현
14.4 베이즈망의 정확한 추리
14.5 베이즈망의 근사적 추리
14.6 관계적 확률 모형과 1차 확률 모형
14.7 불확실한 추론에 대한 다른 접근방식들
14.8 요약
연습문제

CHAPTER 15 시간에 따른 확률적 추론
15.1 시간과 불확실성
15.2 시간적 모형에서의 추리
15.3 은닉 마르코프 모형
15.4 칼만 필터
15.5 동적 베이즈망
15.6 다수의 객체를 추적
15.7 요약
연습문제

CHAPTER 16 간단한 의사결정
16.1 불확실성하에서의 믿음과 욕구의 결합
16.2 효용이론의 기초
16.3 효용 함수
16.4 다중 특성 효용 함수
16.5 의사결정망
16.6 정보의
16.7 결정이론적 전문가 시스템
16.8 요약
연습문제

CHAPTER 17 복잡한 의사결정
17.1 순차적 의사결정 문제
17.2 평가치 반복
17.3 방침 반복
17.4 부분 관찰 가능 MDP
17.5 다중 에이전트 의사결정: 게임이론
17.6 메커니즘 설계
17.7 요약
연습문제

CHAPTER 18 견본을 통한 학습
18.1 학습의 여러 형태
18.2 감독 학습
18.3 의사결정 트리의 학습
18.4 최고의 가설의 평가와 선택
18.5 학습 이론
18.6 선형 모형을 이용한 회귀와 분류
18.7 인공 신경망
18.8 비매개변수적 모형
18.9 지지 벡터 기계
18.10 앙상블 학습
18.11 실용적인 기계 학습
18.12 요약
연습문제

CHAPTER 19 학습과 지식
19.1 학습의 논리적 형식화
19.2 학습에서의 지식
19.3 설명 기반 학습
19.4 유관성 정보를 이용한 학습
19.5 귀납적 논리 프로그래밍
19.6 요약
연습문제

CHAPTER 20 확률 모형의 학습
20.1 통계적 학습
20.2 완전 자료를 이용한 학습
20.3 숨겨진 변수들이 있는 학습: EM 알고리즘
20.4 요약
연습문제

CHAPTER 21 강화 학습
21.1 소개
21.2 수동 강화 학습
21.3 능동 강화 학습
21.4 강화 학습의 일반화
21.5 방침 검색
21.6 강화 학습의 응용
21.7 요약
연습문제

CHAPTER 22 자연어 처리
22.1 언어 모형
22.2 텍스트
22.3 정보 조회
22.4 정보 추출
22.5 요약
연습문제

CHAPTER 23 자연어 의사소통
23.1 구 구조 문법
23.2 구문 분석(파싱)
23.3 증강 문법과 의미론적 해석
23.4 기계 번역
23.5 음성 인식
23.6 요약
연습문제

CHAPTER 24 지각
24.1 영상 형성
24.2 초기 영상 처리 연산들
24.3 겉보기를 이용한 물체 인식
24.4 3차원 세계의 재구축
24.5 구조적 정보로부터 물체 인식
24.6 시각의 활용
24.7 요약
연습문제

CHAPTER 25 로봇공학
25.1 소개
25.2 로봇 하드웨어
25.3 로봇 지각
25.4 운동 계획의 수립
25.5 불확실한 운동의 계획
25.6 운동의 실행
25.7 로봇공학 소프트웨어 구조
25.8 응용 영역들
25.9 요약
연습문제

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

CHAPTER 27 인공지능의 현재와 미래
27.1 에이전트의 구성요소들
27.2 에이전트 아키텍처
27.3 인공지능 연구의 올바른 방향 <

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 음BR>27.4 인공지능이 정말로 성공한다면?

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

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

참고문헌
찾아보기
성 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.
(/ p.40)

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.
(/ p.244)

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.
(/ p.331)

주어진 문제에 적합한 방법 하나를(또는 여럿을) 선택해야 한다는 점에는 변함이 없다. 최고의 방법을 찾아내는 어떤 확실한 규칙은 없지만, 대략적인 지침은 존재한다. 이산적인 자질들이 많고 그중 다수가 문제와 무관할 것이라고 믿는다면, 의사결정 트리가 좋은 선택이다. 비매개변수적 방법들은 자료는 많고 사전 지식은 없을 때, 그리고 적절한 자질들을 찾는 데 그리 신경을 쓰고 싶지는 않을 때 좋다(단, 자질들이 20개 이하라고 할 때). 그러나 비매개변수적 방법으로 얻은 함수 h는 대체로 실행 시간이 긴 경향이 있다. 자료 집합이 아주 크지 않다면, 제일 먼저 시도해 보기에 가장 좋은 방법은 지지 벡터 기계로 간주된다.
(/ p.335)

웹에는 수 조 페이지 분량의 정보가 있는데, 대부분 자연어로 된 것이다. 지식 획득(knowledge acquisition)을 수행하고자 하는 에이전트는 사람이 사용하는 애매하고 지저분한 언어를 이해해야(부분적으로나마) 한다. 이번 장에서는 텍스트 분류, 정보 조회, 정보 추출 같은 구체적인 정보 탐색 과제들의 관점에서 자연어 처리 문제를 조사한다. 이런 과제들을 해결할 때 한 가지 공통분모는, 언어 표현들의 확률분포를 예측하는 모형인 언어 모형(language model)들을 사용한다는 것이다.
(/ p.457)

텍스트 분류 과제는 어떤 텍스트가 주어졌을 때 그것이 미리 정해진 부류들 중 어떤 부류에 속하는지 판단하는 것이다. 텍스트 분류의 대표적인 예는 언어 식별과 장르 분류이다. 또한, 영화나 제품의 평이 긍정적인지 부정적인지 분류하는 정서 분석(sentiment analysis)과 이메일 메시지가 스팸인지 아닌지 분류하는 스팸 검출(spam detection)도 텍스트 분류에 속한다.
(/ p.463)

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.
_40쪽

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.
_244쪽

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.
_331쪽

주어진 문제에 적합한 방법 하나를(또는 여럿을) 선택해야 한다는 점에는 변함이 없다. 최고의 방법을 찾아내는 어떤 확실한 규칙은 없지만, 대략적인 지침은 존재한다. 이산적인 자질들이 많고 그중 다수가 문제와 무관할 것이라고 믿는다면, 의사결정 트리가 좋은 선택이다. 비매개변수적 방법들은 자료는 많고 사전 지식은 없을 때, 그리고 적절한 자질들을 찾는 데 그리 신경을 쓰고 싶지는 않을 때 좋다(단, 자질들이 20개 이하라고 할 때). 그러나 비매개변수적 방법으로 얻은 함수 h는 대체로 실행 시간이 긴 경향이 있다. 자료 집합이 아주 크지 않다면, 제일 먼저 시도해 보기에 가장 좋은 방법은 지지 벡터 기계로 간주된다.
_335쪽

웹에는 수 조 페이지 분량의 정보가 있는데, 대부분 자연어로 된 것이다. 지식 획득(knowledge acquisition)을 수행하고자 하는 에이전트는 사람이 사용하는 애매하고 지저분한 언어를 이해해야(부분적으로나마) 한다. 이번 장에서는 텍스트 분류, 정보 조회, 정보 추출 같은 구체적인 정보 탐색 과제들의 관점에서 자연어 처리 문제를 조사한다. 이런 과제들을 해결할 때 한 가지 공통분모는, 언어 표현들의 확률분포를 예측하는 모형인 언어 모형(language model)들을 사용한다는 것이다.
_457쪽

텍스트 분류 과제는 어떤 텍스트가 주어졌을 때 그것이 미리 정해진 부류들 중 어떤 부류에 속하는지 판단하는 것이다. 텍스트 분류의 대표적인 예는 언어 식별과 장르 분류이다. 또한, 영화나 제품의 평이 긍정적인지 부정적인지 분류하는 정서 분석(sentiment analysis)과 이메일 메시지가 스팸인지 아닌지 분류하는 스팸 검출(spam detection)도 텍스트 분류에 속한다.
_463쪽