| (방송통신대 인공지능 기말시험)몬테카를로 트리 탐색의 개념과 탐색 과정을 구성하는 단계 k-평균 군집화 로젠블랫이 제안한 단층 퍼셉트론의 개념과 한계점 오차 역전파(BP) 모델의 | |  인공지능.hwp |
해당 자료는 해피레포트에서 유료결제 후 열람이 가능합니다. | | | 분량 : 8 페이지 /hwp 파일 | 설명 : 과제물의 문제에 적합한 형식과 내용으로 정성을 다해 작성했습니다.
여러 참고자료를 바탕으로 주요내용을 최대한 이해하기 쉽도록 정리했습니다.
리포트를 효율적으로 작성하시는 데 작은 도움이라도 되시기를 진심으로 바랍니다.^^
문단 모양(왼쪽 여백 0, 오른쪽 여백 0, 줄간격 160%)
글자 모양(바탕체, 장평 100%, 크기 11 pt, 자간 0%) | | 목차
1. 몬테카를로 트리 탐색의 개념과 탐색 과정을 구성하는 단계들에 대하여 A4용지 1매 정도로 정리하여 설명하라. (20점)
2. k-평균 군집화에 대한 다음 질문에 답하라. (20점)
(가) k-평균 군집화에 대하여 간략히 설명하라. (A4용지 1매 이내)
(나) k=2이며, 평균 벡터의 초깃값은 (2, 8)과 (8, 1)일 때, 2차원 특징공간상에서 다음과 같은 입력 표본들을 대상을 k-평균 군집화를 수행하라. (각 반복 단계에서 표본벡터의 변화를 구하라.)
입력 표본집합 = {(1, 2), (2, 3), (4, 2), (7, 10), (5, 7), (9, 7)}
3. 신경회로망 및 심층학습(딥러닝)에 대한 다음 질문에 답하라. (가)~(다) 각각 A4용지 1매 정도로 정리하여 작성한다. (30점)
(가) 로젠블랫이 제안한 단층 퍼셉트론의 개념과 한계점을 설명하라.
(나) 오차 역전파(BP) 모델의 개념을 설명하고, BP 학습 과정에서 발생하는 경사 소멸 문제에 대하여 설명하라.
(다) 합성곱 신경망(CNN)의 개념을 간략히 설명하고, CNN을 구성하는 층에 대해 설명하라.
4. 참고문헌
본문일부
1. 몬테카를로 트리 탐색의 개념과 탐색 과정을 구성하는 단계들에 대하여 A4용지 1매 정도로 정리하여 설명하라. (20점)
현재의 상태에서 하나의 의사결정을 해야 한다. 이때 모든 가능한 의사결정을 다 실행해보고 그 결과를 확인한 후 최고의 결과를 만들어내는 의사결정을 선택하는 것이 가장 확실하다. 즉, 당연한 말이지만 실제로 해본 후 의사결정을 하면 승률 100%이다. 그러나 경우의 수가 무수히 많은 경우에는 그것들을 모두 수행한다는 것은 현실적으로 불가능하고, 현실적으로 가능한 경우에도 미리 실행하고 그 결과를 확인한 후에 의사결정을 하는 것은 게임의 규칙에 어긋나기 때문에도 불가능하다.
실제 해볼 수 없다면, 상상이나 컴퓨터를 활용한 시뮬레이션을 생각할 수 있다. 다만, 인간의 머릿속 상상으로 미리 내다 볼 수 있는 수는 많아야 수십 수에 불과하다. 물론 그 수십 수만 내다 봐도 고수라고 불리지만, 자원의 한계만 없다면 컴퓨터의 무한한 상상(시뮬레이션)에는 비할 바가 못 된다. 다만, 자원의 한계로 컴퓨터라도 모든 경우의 수를 다 수행해 볼 수는 없기 때문에 최선의 의사결정이 가장 현실적이다. 그리고 현재 상태에서 최선의 의사결정 하나를 찾기 위해 컴퓨터를 활용한 상상의 방법 중 하나가 몬테카를로 트리 탐색이다.
몬테카를로 방법(Monte Carlo method)은, 난수 발생을 통해 무수히 많은 시도를 함으로써 얻어진 확률로써 문제의 답을 추정하는 것으로, 이론적으로 시도횟수가 무한대가 되면 정답에 근접하게 될 것이다. 예를 들면 어떤 폐곡선의 면적을 구할 경우, 그 폐곡선에 외접하는 사각형 내부의 점들을 무작위로 추출하고, 그 점의 위치가 폐곡선 내부일 확률(폐곡선 내부의 점의 횟수/ 전체 횟수)을 구해 사각형의 면적에 곱한 값을 폐곡선의 면적으로 추정하는 것이다. 무작위 점의 추출횟수가 많을수록 실제 폐곡선의 면적에 근접하게 될 것이다.
몬테카를로 트리 탐색(Monte Carlo tree search, MCTS)은 몬테카를로 방법을 트리 탐색에 적용한 것으로, 탐색 공간에서 무작위 표본추출을 통해 탐색 트리를 확장하면서 가장 확률이 높은 경우를 선택함으로써, 경우의 수가 무수히 많은 게임 등의 의사결정 문제에 활용되는 경험적 탐색 알고리즘이다. 즉, 전체 경우의 수를 모두 계산하면 최고의 수를 찾을 수 있지만, 무수히 많은 경우의 수를 모두 다 계산해보는 것은 불가능하므로, 무작위로 선택해서 그 중 가장 승률이 높은, 최선의 수를 선택한다는 개념으로 이해할 수 있다. 몬테카를로 트리 탐색은 최대최소 탐색과는 달리 어떠한 상태에 대한 가치 추정에 있어 경험적 지식을 반영한 평가함수를 사용하지 않기 때문에 경우의 수가 많은 게임영역에서 효과적으로 적용될 수 있다.
참고문헌
이광형, 이병래(2018). 인공지능. 한국방송통싱대학교출판문화원.
아키바 신야 , 스기야마 아세이 , 데라다 마나부(2019). 머신러닝 도감. 제이펍.
사이토 고키(2017). 밑바닥부터 시작하는 딥러닝. 한빛미디어. | |      | | 출처 : 해피레포트 자료실 |
|
작성일 : 20-11-24 20:56
조회 : 94
