[태그:] 인공지능

I. 컴퓨팅 패러다임 혁신, 양자컴퓨팅 등장배경 [기존 컴퓨팅의 한계] – 폰노이만 컴퓨팅 성능 한계 – 추론, 판단 연산 어려움 – 트랜지스터 집적률 한계 – 암호화 기법 안전성 한계 [양자컴퓨팅 등장배경] – Qubit 기반 성능한계 극복 – 인공지능 연산 최적화 – 칩 소형화 한계 극복 – PQC Suit B 알고리즘 필요 폰노이만 시스템 한계 극복 및

I. 인공신경망 맞춤형 ASIC, TPU 가. TPU(Tensor Processing Unit)의 개념 인공신경망 데이터 고속처리를 위한 맞춤형 ASIC 기반 인공신경망 데이터 처리 전용 하드웨어 나. TPU 부각 배경 2006년 맞춤형 H/W(ASIC, FPGA, GPU) 실행 프로그램 제한 2013년 인공신경망 패러다임은 계산요구량 / 필요성능 증가 이러한 요구 충족을 위한 GPU 증설은 과다 비용 발생   II. TPU 구성도 및

I. 밀도기반 군집화 기법, DBSCAN 가. DBSCAN 의 개념 핵심 벡터로부터 ε 반경 내 접근 가능한 모든 데이터 벡터들의 집합(군집)을 생성하는 기법 DBSCAN : Density-Based Spatial Clustering of Application with Noise 나. DBSCAN 주요 개념 ε (epsilon) – 주어진 개체 들의 반경 minPts – ε 반경 내 군집 위해 필요한 객체 수   II. 군집

I. 분류와 예측 모형, 인공신경망, ANN 가. 인공신경망의 개념 인간의 뉴런을 모방하여 가중치 조정을 통한 분류와 예측을 위해 다수 노드를 연결한 계층적 조직 나. 인공신경망의 특징 특징 구성요소 예를 통한 학습 – 예를 계속 제시하여 원하는 형태 학습 일반화 – 학습 후 미학습된 입력에도 올바른 출력 연상기억 – 일부 유실된 정보 → 유사한 출력 결함

I. 분류 모델 생성 알고리즘, 배깅과 부스팅 배깅 부스팅 데이터에서 여러 bootstrap 자료 생성, 모델링 후 결합하여 최종 예측 모형을 만드는 알고리즘 오분류 개체들에 가중치를 적용하여 새로운 분류 규칙 생성 반복 기반 최종 예측 모형 생성   II. 배깅과 부스팅 알고리즘 수행 절차 가. 배깅 알고리즘 수행 절차 절차도 절차 ① Row data에서 bootstrap 데이터

I. 확률 밀도 추정 알고리즘, KNN(K-Nearest Neighbor) 가. KNN의 개념 Sample에 주어진 x에서 가장 가까운 k개의 원소가 많이 속하는class로 x를 분류하는 비모수적 확률밀도 추정방법 나. KNN의 특징 NN 개선 – k개의 데이터에 대한 다수결 방식 인스턴스 개선 – 함수의 지역적 근사에 기반한 추정 게으른 학습 (Lazy Learning) – 데이터셋 저장만 하며, 일반화된 모델을 능동적으로 만들지

I. 인공지능 모델 성능 평가, 혼동행렬 가. 혼동행렬의 개념 잘못된 예측의 영향을 파악하기 위해 예측 값과 실제 값 일치 여부를 행렬로 분류하는 모델 평가 기법 나. 혼동행렬 기반 모델 성능 평가 항목 평가 항목을 수치로 정량화 하여 성능을 객관적 지표로 평가 및 기계 학습 효율성 극대화   II. 수신자 조작 특성, ROC Curve 가. ROC(Receiver

I. 효율적 경로 탐색, 몬테카를로 트리 탐색 가. 몬테카를로 트리 탐색의 정의 전체 경로 탐색 불가능 시 효율적 경로 탐색을 통해 최적의 판단을 수행하는 알고리즘 나. 몬테카를로 트리 탐색의 특징 정책 (Policy) – 확장 단계에서 가장 높은 승률을 예측 – 트리 검색의 ‘폭’을 제한 가치 (Value) – 현재 승산을 나타내는 역할 – 트리 검색의 ‘깊이’