추가 적립 안내

인공지능을 배우는 학생은 물론, 비전공자나 일반인까지 인공지능 입문자를 위한 최적의 가이드!

이 책은 앞으로 점점 더 발전할 것으로 예상되는 인공지능을 처음 배우고자 하는 분들을 위한 책이다. 머신러닝을 시작으로 신경망, 유전 알고리즘, 문제 해결, 게임 전략, 지식 표현 등 인공지능을 지탱하는 다양한 분야의 기초를 파악할 수 있다.

인공지능은 독특하면서도 고도의 기술이 많이 사용되는 분야이긴 하지만, 간단한 입력과 클릭만으로도 실행되는 엑셀 프로그램을 통해 실행 과정과 결과를 눈으로 바로 확인할 수 있도록 하였다. 아이디어가 돋보이는 엑셀 프로그램을 직접 조작하면서 인공지능에 대한 이해를 한층 높일 수 있을 것이다.

이 책에서 다루는 엑셀 프로그램
- 삐뚤어진 문자 인식하기
- ‘약간 높은 듯/약간 낮은 듯’하게 에어컨 제어하기
- 효율적으로 재산 분배하기
- 선교사가 식인종에 잡혀 먹히지 않고 강을 건널 수 있을까?
- 최소 비용으로 산의 정상까지 오르는 경로 탐색하기
- 간단한 카드 게임으로 컴퓨터에 도전하기
- 인공지능에 단어의 의미 가르치기
- 병원에 가기 전에 인공지능에 물어보기
- 범인을 잡아라!

CHAPTER 1 꿈으로 가득 찬 인공지능
1.1 인공지능이 인간을 능가할 수 있을까?
1.2 인공지능의 연구 주제
1.3 인공지능 기술의 초보적 고찰

CHAPTER 2 인간의 뇌를 모방하는 기계 = 신경망
체험해봅시다: 인공지능이라면 약간 비뚤어진 문자를 정확히 인식할 수 있다
체험해봅시다: 인공지능이라면 더욱 비뚤어진 문자라도 정확히 인식할 수 있다
2.1 뇌의 모델과 신경망의 개념
2.2 퍼셉트론
2.3 홉필드 네트워크
2.4 기타 신경망

CHAPTER 3 인간의 애매함을 기계로 처리하기 = 퍼지
체험해봅시다: ‘약간 높은 듯/약간 낮은 듯’하게 에어컨 제어하기
체험해봅시다: 애매한 조건으로 목푯값 유지하기
3.1 퍼지의 개념
3.2 퍼지 추론
3.3 퍼지 제어
3.4 퍼지 관계

CHAPTER 4 좋은 것이 남는 진화의 법칙 = 유전 알고리즘
체험해봅시다: 효율적으로 재산 분배하기
4.1 유전 알고리즘이란?
4.2 유전 알고리즘의 구체적 예
4.3 유전 알고리즘의 응용

CHAPTER 5 우리 주변의 문제 잘 해결하기 = 문제 해결
체험해봅시다: 선교사가 ‘식인종’에 잡혀 먹히지 않고 강을 건널 수 있을까?
5.1 모델화
5.2 상태 전이
5.3 문제 해결의 구체적 예

CHAPTER 6 가장 효율적인 경로를 어떻게 선택할까? = 탐색법
체험해봅시다: 최소 비용으로 산의 정상까지 오르는 경로 탐색
6.1 탐색법의 분류
6.2 체계적 탐색
6.3 휴리스틱 탐색
6.4 탐색법 정리

CHAPTER 7 상대가 있을 경우의 대처 방법 = 게임 전략
체험해봅시다: 간단한 카드 게임으로 컴퓨터에 도전!
7.1 Min-Max 전략
7.2 αβ 전략

CHAPTER 8 인간이 학습하는 과정을 기계로 모방하기 = 머신 러닝
체험해봅시다: 인공지능에 단어의 의미 가르치기
8.1 머신 러닝의 기본적 개념
8.2 버전 공간법

CHAPTER 9 인간의 지식을 기계상에 표현하여 인간을 대신 = 지식 표현과 전문가 시스템
체험해봅시다: 병원에 가기 전에 인공지능에 물어보기
9.1 지식 표현
9.2 전문가 시스템

CHAPTER 10 기계에 인간의 자율성 부여하기 = 에이전트
체험해봅시다: 범인을 잡아라!
10.1 에이전트의 고전적 문제
10.2 에이전트의 개념
10.3 멀티에이전트

CHAPTER 11 인공지능을 개척한 컴퓨터 언어 = Lisp
11.1 리스트 처리
11.2 람다 계산
11.3 스코프와 익스텐트
11.4 쓰레기 수집

CHAPTER 12 사물의 관계를 서술하는 컴퓨터 언어 = Prolog
12.1 명제 논리
12.2 술어 논리
12.3 혼 절
12.4 단일화와 백트랙
12.5 WAM과 추상 명령

참고문헌
찾아보기

딥 러닝(deep learning)의 목적은 주어진 데이터의 특징을 자동으로 추출한다는 점에 있다. 지금까지의 학습법은 어떠한 특징을 지니면 ‘고양이’라고 볼 수 있다는 정보 등을 인간이 찾아서 알려 주는 방식이었다. 즉, 특징들을 미리 제공하고 그 특징을 이용하여 새로운 사실에 대해 그것이 무엇인지 파악하거나 그런 특징들을 합리적인 형태로 정리하는 것이었다. 그런데 딥 러닝은 인간이 아무것도 준비하지 않아도 특징 자체를 추출하고 그 특징들에 따라 잡다한 데이터를 정리할 수 있다. 즉, 특징들을 추상화한 개념을 기반으로(그것에 이름을 붙이는 것은 최종적으로 인간이 하더라도) 새로 들어오는 데이터가 어떤 개념에 속하는지를 알 수 있다. 이것은 인간의 뇌에서 이루어지는 인식과 같은 효과로 보인다.
(/ p.19)

인공지능을 달리 말하면, 인지 메커니즘의 기계적 시뮬레이션라고 한다. 인간의 뇌는 뉴런이라는 신경 세포의 연결로 이루어져 있기 때문에 이것을 모방하여 컴퓨터를 만들면 뇌 활동을 모방하는 것이 가능하다고 생각하는 것이다. 이런 생각에 기초하여 신경망이 탄생하고 발전해 왔다. 인간의 뇌 활동은 뉴런으로만 이루어지는 것은 아니기 때문에 실제로 이런 생각에는 한계가 있지만, 보통의 절차적 프로그램으로는 할 수 없는 것, 예를 들어 연상과 학습에 따른 진화, 수치 처리에서 대규모 계산의 병렬 처리 등이 가능하다는 측면도 있어 응용 범위는 넓다. 최근 주목받고 있는 딥 러닝의 원리도 신경망을 기초로 하고 있다.
(/ p.44)

퍼지 추론을 더욱 효율화하는 제어 규칙표에 기초한 퍼지 제어 시뮬레이션이다. 여기에서는 제어 대상이 되는 목표를 구체적으로 가정하지 않으나, 예를 든다면 온도 조절도 좋고, 막대 세우기도 좋고, 또는 정해진 선을 따라 움직이는 로봇도 좋다. 퍼지 제어에서 처리하는 사례는 수치 제어와는 달리, 감각적인 보정을 가정하고 있다. 편차(목푯값과의 차이)와 편차의 변동을 세로, 가로로 배열한 행렬인 제어 규칙표에 기초하여 수행된다. 이런 어림짐작 같은 제어에서도 안정적인 목푯값을 유지할 수 있다는 것을 실감하는 것이 목표다. 구체적인 목표를 설정하고 시각화하는 것도 가능하지만, 목푯값에 수렴하는 편차 그래프를 보는 것만으로도 충분히 진가를 이해할 수 있다고 생각한다.
(/ p.76)

재산 분배라는 것은 재산이 모두 돈이라면 비례배분으로 간단히 계산이 가능하지만, 일반적으로는 돈 이외의 다양한 형태로 되어 있다. 그런 것들은 분배가 불가능하기 때문에 돈과 같은 연속량으로 다루지 못하고 비례배분과 같은 간단한 계산으로는 분배할 수 없다. 이것을 컴퓨터로 처리하는 경우에는 상속인에 대한 분배의 모든 조합을 생각하고 가장 적정한 분배 비율을 따르게 된다. 유산 물건 수가 적은 경우에는 아무런 문제가 없지만 물건 수가 많으면 방대한 조합 패턴이 되어 컴퓨터로 하나하나 조사한다면 방대한 시간이 걸린다. 그래서 완벽히 유언대로는 아니더라도 거의 유언에 가까운 분배를 찾아내기 위해서는 유전 알고리즘이 효과적이다.
(/ p.99)

분기 한정법(Branch and Bound Method)은 깊이우선/너비우선 방법처럼 단지 도달하기만 하면 되는 것이 아니라 가장 좋은 경로로 진행한다. 좋은 경로, 즉 비용이 적은 경로를 선택하려면 비용을 정의하고 그것을 매번 평가하면서 진행한다. 비용의 정의는 평가 함수에 따라 이루어지지만 분기 한정법에서는 누적 비용만 사용한다.
(/ p.139)