본문 바로가기

𝓡𝓸𝓸𝓶5: 𝒦𝑜𝓇𝑒𝒶 𝒰𝓃𝒾𝓋/Artificial Intelligence(COSE361)

(17)

[인공지능] 17. Making Sequential Decisions 1. Markov Decision Process 1) Episodic Decisions - nondeterministic, partially observable한 상황에서는 다음 state를 확신할 수 없다. 따라서 observations e가 주어졌을 때 outcome은 outcome s'가 맞을 때의 확률로 나타낼 수 있다. P(Result(a) = s' | a, e) - Utility function U(s)는 각 state의 좋은 정도를 나타내는 하나의 숫자이다. 주어진 evidence에서 어떤 action을 취했을 때의 expected utility 값은, 그 action을 취했을 때 나오는 outcome의 average utility value값이다. EU(a | e) = ∑(s') P(Res..

[인공지능] 16. Hidden Markov Models (HMM) 1. Definition of Hidden Markov Model : 시간의 개념이 포함된 확률 모델 - single discrete random variable로 이루어져 있는 probabilistic model. - state variable Xt 는 정수 1, ... , S를 가질 수 있으며, S는 가능한 states의 수이다. - transition model P(Xt|Xt-1) 은 S*S의 matrix T이다. (T_ij = P(Xt = j | X_t-1 = i) - evidence variable Et는 각 state에서 specify하고, 각 state i에서 P(et | Xt = i) 를 통해 state가 et를 야기하는지에 대해 알 수 있다. 이 value는 편의상 S*S의 diagona..

[인공지능] 15. Probabilistic Reasoning over Time (PRoT) 1. Introduction - 세상을 몇 개의 observable 하거나 그렇지 않은 random variables을 포함하고 있는 어떤 snapshot 또는 time slices의 집합이라고 생각하자. - Xt : state variables at time t , 시간이 t일 때의 state variable들의 집합. 관측할 수 없는, 그 값을 알 수 없는 variable이다. - Et : evidence variables, 관측할 수 있는, 알 수 있는 variable - transition model : state이 어떻게 변하는지 정의한다. 예를 들어 t-1 일 때 state이 X일 때, 다음 state이 X 일 확률 - sensor model : evidence variable이 값이 어떻게 ..

[인공지능] 14. Bayesian Networks 1. Definition of Bayesian Networks 1) Bayesian networks (= belief networks, Bayesian belief networks, graphical models) - Directed graph임 - Nodes (= Random variable)와 Links 로 구성됨 - node X로부터 node Y로의 links로 이루어진 directed acyclic graph(DAG) - X는 causes, Y는 effects - Conditional probability distribution P(Xi | Parents(Xi) ) : Xi 의 부모 노드들이 발생할 때 Xi가 발생할 확률 즉 ~가 발생할 때의 확률을 트리처럼..? 그래프로 나타냄 2) Condit..

[인공지능] 13. Probability and Statistics 1. Review of Probabilities and Statics 1) Elements of Probability - Random experiment : 시행, Nondeterministic - Sample space : 전체집합 요소들. Mutually exclusive(배반사건)이고 exhaustive(합집합 = 전체집합) 이다. - Events : 사건, Sample space의 부분집합 - Probability : 확률. the proportion, or relative frequency (비율, 상대적 빈도수) / degree of belief (기댓값) 2) Axioms of Probability Theory - 확률은 0과 1 사이임 - Sample space의 모든 확률을 더하면 1 -..

[인공지능] 8~9. First-Order Logic(FOL) 1. Syntax and Semantics : propositional logic, 명제논리학은 이 세상의 모든 문제를 propositional symbol로 나타내고 오직 true/false의 값만 가진다. 따라서 이 세상에 많은 object들을 표현하기엔 부족한 면이 있다. (lack the expressive power) 우리가 자연어의 문법을 살펴보면, 대부분의 elements들이 명사와 명사구로 object를 나타내고, 동사나 동사구로 object간의 relation을 나타낸다. 그리고 이 relation중의 일부는 어떤 input이 주어졌을 때 하나의 value를 내뱉는 function(object의 1:1 관계)이기도 하다. First-order logic은 이 세상엔 object와 이들을 ..

[인공지능] 7. Propositional Logic - 3 5) Analysis of Resolution Algorithm resolution rule은 어떤 complete한 search algorithm과 결합할 때 complete한 inference algorithm을 만들어낸다. PL-Resolution이 complete함을 보이기 위해서 resolution closure = RC(S)를 정의한다. RC(S)란 "clause의 집합 S에 들어있는 clause와 그 clause끼리 resolution을 통해 만들어진 모든 clause들"에 또 resolution을 반복해서 적용해서 만들 수 있는 모든 clause들의 집합을 말한다. RC(S)가 유한하다는 것은 명백히 알 수 있다. 유한한 symbol들로 만들 수 있는 clause는 유한개 존재할 것이고, ..

[인공지능] 7. Propositional logic - 2 3. Theorem Proving : Theorem Proving이란 우리가 이미 알고있는 사실(Knowledge base)의 sentence들에 추론 규칙(Inference rule)을 적용해서 새로운 사실을 알아내는 것/ 새로운 문장을 만들어내는 것을 말한다. 만약 model의 개수가 많고, proof의 길이가 짧다면, theorem proving이 model checking보다 더 효율적이다. 1) Inference Rules - Modus Ponens : α⇒β이고 α가 true면 β도 true다. - And-Elimination : α and β가 true이면 α는 항상 true이다 - Logical equivalences : α and β가 true이면 β and α도 true이다. - α 와..

[인공지능] 7. Propositional logic - 1 1. Propositional Logic (명제 논리학) 1) Example 이번 단원 내내 지겹도록 보게 될 Wumpus World game이다. 이 게임은 (1,1)에서 용사가 출발해 괴물과 함정을 피해 gold를 무사히 찾는 것이 목표이다. 함정이 있으면 함정의 사방으로 breeze 바람이 불고, 괴물이 있으면 괴물의 사방으로 악취 strench가 풍긴다. 이 힌트를 이용해 최소한으로 움직여 무사히 gold를 찾으면 된다. 용사가 어떤 Action을 취할 때마다 cost가 든다. 이건 알아도 되고 몰라도 되는데 용사는 화살을 쏠 수 있다. 화살을 쏘면 직선 방향으로 쭉 날아가는데, 괴물이 맞으면 소리를 지르면서 죽는다. 이 소리를 듣고 괴물의 위치를 예측할 수 있다. 용사는 자기가 있는 칸에서 정보..

[인공지능] 6. Constraint Satisfaction Problems 1. Problem Formulation as a CSP : 문제 상황을 표현하는 방법 중에서는 factored represetation이 있다. 어떤 문제가 어떤 제한사항, 조건들(Constraint)를 만족시켜야 풀린다고 해보자. Factored representation은 각 states를 variable을 활용해 표현하는 것이고(goal state 또한 그렇다), 이 variable에 할당된 value값이 constraint을 만족하는 값일 때 문제를 해결했다고 말하는 것이다. 즉, 어떤 값을 할당할 수 있는 variable과 논리연산자를 이용해 어떤 문제 상황을 표현한다고 할 때, 이런 문제들을 Constraint Satisfaction Problem이라고 한다. ( 지금까지는 autonomic..

이전 1 2 다음

티스토리툴바