인공지능이론 및 실습 - 시험요약정리 (중간&기말)

소개글

인공 지능 이론 및 실습 과목에 대한 시험을 대비한 요약본입니다.
교수님이 출제하시는 문제를 위주로 작성하였습니다. (목차 참고)
시험 기출 문제는 별도로 올렸으며, 시험을 대비하기 위한 참고용으로 사용하시기 바랍니다.

목차

[중간고사]
1. 특징패턴
2. 학습과 일반화 능력
3. 벡터양자화
4. K-Means 알고리즘과 LBG 알고리즘
5. 언덕기반 탐색
6. A* 탐색 알고리즘에 의한 퍼즐 문제 풀이
7. 지식기반 시스템의 구성
8. 논리에 의한 지식표현
9. 의미망에 의한 지식표현

[기말고사]
1. 생물학적 뉴런을 수학적으로 간단히 모델링한 처리요소(processing element)를 도식적으로 설명, 활성활 함수란 무엇이고, 활성화 함수 종류 설명.
2. 다층 퍼셉트론의 구조와 학습절차 설명. 학습율을 작게하는 이유.
3. SOFM 구조와 학습방법. SOFM 망 주어지고 1회 학습 후 연결가중치 계산.
4. 학습 규칙에서 모멘텀 항의 역할.
5. 퍼지합성 구하기.
6. 퍼지집합과 크리스프 집합의 차이를 예를 들어 설명.
7. MLP와 SOFM의 응용 예

본문내용

1. 패턴 인식
계산이 가능한 기계적인 장치(컴퓨터)가 어떠한 대상을 인식하는 문제를 다루는 인공 지능의 한 분야

2. 특징 패턴

1) 특징
어떤 객체가 가지고 있는 객체 고유의 분별 가능한 측면, 질 또는 특성 (색, 길이, 높이, 넓이, 무게 등)

2) 패턴
개별 객체의 특색 또는 특징을 의미하며, 특징을 모아놓은 집합
같은 클래스로부터의 표본은 동일하거나 유사한 특징 값을 가져야 하며, 다른 클래스로부터 취해진 표본은 다른 클래스와 서로 다른 특징 값을 가져야 한다.
3) 패턴의 유형
가. 선형 분리 가능한 유형 : 인공 지능 X
나. 비선형 분리 가능한 유형
다. 높은 상관을 가진 유형
라. 멀티 모달 유형 : 음성, 영상

3. 학습
시스템 성능을 개선하는 방향으로 파라메터를 수정하여 시스템의 성능을 높이는 것
즉, 출력값이 목적값에 가까워지도록 하는 것

4. 일반화 능력
학습한 정보를 바탕으로 처음 접하는 유사한 정보를 스스로 유추하는 것.

5. 벡터 양자화
1) 데이터 마이닝
패턴 등 데이터들간의 상호 관계를 인공 지능 및 통계기법으로 분석하는 것

2) 벡터 양자화
N개의 특징 벡터들의 집합 X=[X1…Xn]을 K개의 특징 벡터들의 집합 Y=[Y1…Yn]을 맵핑시키는 것을 말한다.
여기서 Y1을 클러스터 또는 코드 벡터라고 하고 Y를 코드북이라고 한다. 또한, 코드 벡터의 개수를 코드북 크기라고 한다.

참고 자료

패턴인식 개론

압축파일 내 파일목록

01.인공지능이론및실습_중간고사_요약정리.doc
02.인공지능이론및실습_기말고사_요약정리.doc