딥러닝과 인공지능의 핵심 알고리즘을 그림과 개념으로 이해한다! 《쏙쏙 들어오는 인공지능 알고리즘》은 어려운 용어는 가능한 피하고 일러스트레이션, 연습문제, 그리고 직관적인 설명으로 기본적인 인공지능 개념을 설명한다. 독자는 단지 고등학교 수준의 대수학만 알고 있으면 된다. 기본적인 이론 외에 금융사기 감지, 예술 작품 제작, 자율주행 자동차 설정과 같은 도전적인 코딩 과제도 포함하고 있다. 이 책의 주요 내용 ● 다양한 인공지능 알고리즘의 사용 사례 ● 의사결정을 위한 지능적 검색 ● 생물학적으로 영감을 받은 알고리즘 ● 머신러닝 및 신경망 ● 더 나은 로봇을 만들기 위한 강화학습 이 책의 대상 독자 ● 인공지능을 공부하는 학생 및 1~5년차 현업 종사자 ● 고등학교 수준의 대수학 및 미적분, 그리고 의사코드를 이해할 수 있는 소프트웨어 개발자

옮긴이 머리말 ix 서문 xi 감사의 글 xviii 이 책에 대하여 xix 베타리더 후기 xxii 《쏙쏙 들어오는 인공지능 알고리즘》 지도 xxiv 1장 인공지능의 직관적 이해 1 인공지능이란 무엇인가? 1 인공지능의 간략한 역사 6 문제 유형과 문제 해결 패러다임 8 인공지능 개념의 직관적 이해 10 인공지능 알고리즘의 사용 14 2장 검색의 기초 21 계획 및 검색이란? 21 계산 비용: 스마트한 알고리즘이 필요한 이유 23 검색 알고리즘을 적용할 수 있는 문제 24 상태 표현: 문제 공간과 솔루션 표현을 위한 프레임워크 생성 27 정보 없는 검색: 맹목적으로 솔루션 찾기 33 너비 우선 탐색: 깊게 보기 전에 넓게 보기 35 깊이 우선 탐색: 넓게 보기 전에 깊게 보기 43 정보 없는 검색 알고리즘 사용 사례 50 선택 사항: 그래프 유형에 대한 추가 정보 50 선택 사항: 다양한 그래프 표현 방법 52 3장 지능형 검색 55 휴리스틱 정의: 학습된 추측 설계 55 정보 있는 검색: 지침이 있는 솔루션 찾기 58 적대적 탐색: 변화하는 환경에서 솔루션 찾기 68 4장 진화 알고리즘 85 진화란 무엇인가? 85 진화 알고리즘을 적용할 수 있는 문제 88 유전 알고리즘: 수명 주기 93 솔루션 공간 인코딩 95 솔루션 모집단 생성 99 모집단 내 개체 적합도 측정 101 적합도에 따른 부모 선택 103 부모로부터 개체 복제 106 다음 세대 채우기 112 유전 알고리즘 매개변수 설정 115 진화 알고리즘 사용 사례 116 5장 고급 진화 방식 119 진화 알고리즘 수명 주기 119 다른 개체 선택 전략 121 실숫값 인코딩: 실숫값으로 작업 124 순서 인코딩: 시퀀스(sequence) 작업 128 트리 인코딩: 계층 작업 131 진화 알고리즘의 일반적인 유형 134 진화 알고리즘 용어집 135 추가적인 진화 알고리즘 사용 사례 136 6장 군집 지능: 개미 139 군집 지능이란? 139 개미 군집 최적화를 적용할 수 있는 문제 142 상태 표현: 경로와 개미는 어떤 모습일까? 145 개미 군집 최적화 알고리즘 수명 주기 149 개미 군집 최적화 알고리즘 사용 사례 169 7장 군집 지능: 입자 173 입자 군집 최적화란? 173 최적화 문제: 약간 더 기술적인 관점 175 입자 군집 최적화를 적용할 수 있는 문제 179 상태 표현: 입자는 어떤 모습일까? 181 입자 군집 최적화 수명 주기 182 입자 군집 최적화 알고리즘 사용 사례 202 8장 머신러닝 207 머신러닝이란? 207 머신러닝이 가능한 문제 209 머신러닝 작업 순서 211 의사 결정 트리를 통한 분류 236 또 다른 인기 있는 머신러닝 알고리즘 253 머신러닝 알고리즘 사용 사례 254 9장 인공 신경망 257 인공 신경망이란? 257 퍼셉트론: 뉴런의 개념적 표현 260 인공 신경망 정의 264 순전파: 훈련된 인공 신경망 사용 272 역전파: 인공 신경망 훈련 279 활성화 함수 선택 290 인공 신경망 설계 291 인공 신경망 및 사용 사례 295 10장 Q-러닝을 통한 강화학습 299 강화학습이란? 299 강화학습이 가능한 문제 303 강화학습 수명 주기 304 딥러닝 기반 강화학습 324 강화학습 사용 사례 325 찾아보기 330

각 장은 처음부터 끝까지 순차적으로 읽어야 한다. 각 장을 따라 진행하면서 개념을 잡고 점차 이해를 높여 나간다. 각 장을 읽은 후, 코드 저장소에서 파이썬 코드를 참조하여 각 알고리즘을 어떻게 구현할 수 있는지 실험하고 실질적인 통찰력을 얻는 것이 유용하다. _xx쪽 이번 장에서는 인공지능의 개념, 인공지능 영역 내 주제 분류, 해결하려는 문제, 일부 사용 사례에 대한 추상적인 직관을 얻었다. 다음 장에서는 지능을 모방하는 가장 오래되고 단순한 형태인 검색 알고리즘을 알아본다. 검색 알고리즘은 이 책 전체에서 살펴볼 좀 더 정교한 인공지능 알고리즘에서 사용하는 일부 개념의 기본이 된다. _19쪽 커넥트포 예에서 최소-최대 탐색을 사용하려면, 기본적으로 알고리즘이 현재 게임 상태에서 가능한 모든 행동을 수행한 다음 가장 유리한 경로를 찾을 때까지 각 상태에서 가능한 모든 행동을 결정한다. 에이전트가 승리하는 게임 상태는 10점을 반환하고, 상대가 승리하는 게임 상태는 -10점을 반환하므로 최소-최대 탐색에서는 에이전트에 대한 양의 점수를 최대화하려고 한다(그림 3.14, 3.15). _73쪽 이번 장은 4장에서 살펴본 룰렛 휠 선택을 대체할 수 있는 또 다른 선택 전략을 분석하는 것으로 시작한다. 일반적으로 이러한 개별 접근 방식은 어떤 유전 알고리즘으로도 대체할 수 있다. 그 다음 대체 인코딩, 교차, 돌연변이 접근 방식의 효용성을 강조하기 위해 배낭 문제(4장)를 약간 수정한 세 가지 시나리오를 살펴본다(그림 5.2). _120쪽 군집 내 입자는 인지 능력과 관성, 군집의 행동과 같은 주변 환경 요인을 고려하여 자신의 위치를 업데이트한다. 여기서 이러한 주변 환경 요인은 각 입자의 속도와 위치에 영향을 미친다. 우선, 입자 위치 업데이트를 위한 첫 번째 단계는 속도 업데이트 방법을 이해하는 것이다. 속도는 입자의 이동 방향과 빠르기를 결정한다. _189쪽 데이터 세트의 불확실성은 지니 계수가 결정하며 질문은 불확실성을 줄이는 것을 목표로 한다. 엔트로피(entropy)는 질문을 바탕으로 지니 계수를 이용하여 특정 데이터 분할에 대해 무질서(disorder)를 측정하는 또 다른 개념이다. 질문이 불확실성을 얼마나 잘 감소시켰는지 확인할 수 있는 방법이 있어야 한다. 정보 이득을 측정하여 이 작업을 수행한다. 정보 이득information gain은 특정 질문을 통해 획득한 정보의 양을 나타내는데, 많은 정보를 얻으면 불확실성이 줄어든다. _242쪽