생물학적 신경망과 학습 신경망 모델링 뉴런의 연산 모델 (구간 단위) 선형 계열 활성화 함수 시그모이드 활성화 함수 뉴런 연산 예제 물리적 구성 단층 신경망: 퍼셉트론 퍼셉트론의 구조와 동작 선형분리성 퍼셉트론 수렴성

1. 머신러닝의 개념 i. 전통적 프로그래밍의 한계 ii. 머신러닝의 기본 원리 2. 머신러닝의 기술적 체계 ML 체계: 1 머신러닝 태스크 ML 체계: 2 머신러닝 기법 머신러닝 학습기법은 학습 및 활용의 분리 여부에 따라 인스턴스 기반과 모델 기반으로 분류 가능 인스턴스 기반 기법: (대표적) KNN 모델 기반 기법: (대표적) 뉴럴 네트워크 ML 체계: 3 머신러닝 학습 방식 3. 머신러닝 기법의 구성 머신러닝 기법은 학습데이터, 모델, 학습 알고리즘의 3가지 요소로 구성 i. 학습 데이터 ii. 학습 모델 iii. 학습 알고리즘 4. 딥러닝 개요 딥러닝의 부상 이유 딥러닝 특징

1. 논리(Logic) 기반 지식표현 및 추론 1. 논리식 (logical expression) 2. 술어 논리의 구문 표현의 구성 요 2. 규칙(Rule) 기반 지식현과 추론

트리, 그래프, 상태 공간 그래프(state space graph) 1. 탐색 방식의 종류 A* 알고리즘은 게임 탐색이 아니다. 2. 맹목적 탐색 방법의 비교 깊이 우선 탐색 장점: 메모리 공간 사용 효율적 단점: 최단 경로 해 탐색 보장 불가 너비 우선 탐색 장점: 최단 경로 해 탐색 보장 단점: 메모리 공간 사용 비효율 3. 정보 기반 탐색(informed search) 휴리스틱 탐색(heuristic search)이라고도 부름 언덕 오르기 방법, 최상 우선 탐색, 빔 탐색, A*알고리즘 등 언덕 오르기 기법(hill climbing method) 현재 시점에서 휴리스틱 평가값이 가장 좋은 이웃 노드 하남나을 확장해 가는 탐색 방법 국소 최적점(local optima)에 빠질 위험 존재 A* 알고리즘..

1. 튜링 테스트 기계가 얼마나 인간을 잘 흉내 내는가 테스트 이미테이션 게임에서 착안 2. AI 패러독스 (Paradox) 인공지능의 실용적 정의: 인공지능의 원리보다는 결과에 주안점을 두는 (귀납적) 정의가 우세. 어제의 AI로 간주되던 것이 오늘은 'AI'로 정의되지 않는 경우가 있음. ex) 체스 챔피언을 이긴 Deep(er) Blue. 오늘날의 컴퓨터로는 체스를 탐색 알고리즘만으로 해결 가능. 따라서 이제는 체스 두는 것은 AI로 간주되지 않음. 바둑은 여전히 AI의 영역임. 3. 인공지능의 주요 접근 방식 기호주의 (Symbolism) 지능적 문제해결 알고리즘에 초점 흑묘백묘, 새 ==> 비행기 문제해결에 필요한 지식을 수작업으로 구축한 후에 이를 바탕으로 탐색 및 추론 등의 해결방식 고안\ ..

1. 함수 기초 생략 2. 스택 프레임 스택은 높은 메모리주소에서 -> 낮은 메모리 주소로 진행 프로그램이 실행될 때 스택 메모리 크기를 지정함 만약 함수를 무한정 호출하면 스택오버플로우 발생 가능 (재귀함수 등) 3. 지역 변수와 값 전달 전역변수: DATA 영역에 할당. (초기화 여부, const 여부 등에 따라 .data, .bss, .rodata 등에 할당) - 전역변수는 디버깅하기 어렵기 때문에 웬만하면 사용 지양. 지역변수: STACK 영역에 할당. 4. 호출 스택 (call stack) #include using namespace std; // 오늘의 주제: 호출 스택 // 디버거에서 call stack 확인 가능 // 함수 선언 // 나중에 함수 선언부만 별도의 파일로 관리하게 될 것임. ..