인공지능

• 인간의 지능을 컴퓨터로 구현

• 머신 러닝

  • 지도 학습
    • 라벨이 있는 트레이닝 데이터를 사용하여 배움
    • 학습한 것을 기반으로 라벨이 없는 데이터의 라벨을 예측하는 방법
    • regression과 classification이 있다.
  • 비지도 학습
    • 라벨이 없는 트레이닝 데이터를 사용하여 배움
    • 비슷한 특성을 가지는 유사한 데이터를 그룹화 하여 예측하는 방법
    • clustering
  • 강화학습

    • 트레이닝 데이터가 미리 주어져 있지 않다.

    • Agent가 실제 환경에서 상호작용하면서 학습을 한다.

    • Agent가 환경에서 자신의 상태를 인식하는 것을 State라고 한다.

    • 인식하고 나서 어떤 행동을 취하게 되는데 그것을 Action이라고 한다.

    • 행동을 취할때 어떤 조건하에 행동을 취하는데 그것을 Policy라고 한다

    • 그 행동의 보상으로 Reward를 얻게 되고 그 Reward를 누적합 하여 Total Reward를 Maximize하는 방향으로 학습한다.

    • Policy Evaluation

    • Policy Improvement

    • 시간이 정말 중요하고, 일부 보상은 지연될 수 있다.

• 딥러닝

  • Deep Neural Networks + 머신러닝

• Deep Reinforcement Learning

  • Big data, powerful computation, new DL algorithms

  • DRL로 인해서 game, robotics, finance, autonomous cars가 발전하게 되는 계기가 됨.

  • State spaces가 매우 중요함, state variables에 비해 exponentially하게 커진다. ( 차원의 저주 )

  • DL이 높은 차원의 데이터를 낮은 차원의 데이터로 바꿔준다. (images, text and audio)