기계학습과 딥러닝 - 알파고의 메커니즘을 중심으로

소개글

미래시대를 이끌어 갈 기술로써 가장 주목받는 이들에 대한 개념을 살펴보고, 현재 어떤 방식으로 응용되고 있는지, 또한 향후 어떤 방향으로 발전되어 나아가야 할 것인지에 대하여 논의하여 A+ 학점을 받은 소중한 레포트자료입니다. 좋은 Sample이 되었으면 좋겠습니다.

목차

1. 제 1장 서론
1) 1절 연구의 배경과

2. 제 2장 선행연구
1) 1절 알파고
2) 2절 기계학습
3) 3절 깊은신경망

4. 제 3장 Deep learning
1) 1절 Deep learning의 작용원리
2) 2절 Deep learning의 응용사례

5. 제 4장 결론

6. 제 5장 참고문헌

본문내용

제 1장 서론
1절 연구의 배경과 목적
일반적으로 ‘학습’은 매우 다면적인 양상을 보인다. 학습은 새로운 선언적인 지식의 습득, 지도와 실습을 기반에 둔 인지적 기술의 개발, 새로운 지식의 일반적이며 효과적인 표현으로의 조직화, 관찰과 실험을 통한 새로운 사실과 이론의 발견 등, 매우 다양한 과정들을 내포한다. 컴퓨터가 발달되기 시작했을 때부터, 인공지능 학자들은 컴퓨터에 이와 같은 학습 요소들을 부여하기 위하여 지속적으로 노력을 기울이고 있다. 인공지능의 기계학습(machine learning) 분야에서의 이와 같은 목표를 달성하기 위한 노력은 지속적으로 이루어지고 있으며, 여전히 가장 도전적이며 매력적인 목표로써 여겨진다. 최근 기계학습이 매우 다양한 응용 분야에서 요구되는 데이터마이닝을 지원하는 도구로써 사용되면서, 그 가치가 다시금 주목받고 있다.

<중 략>

제 2장 선행연구
1절 알파고
그 동안 바둑은 인공지능에게 가장 어려운 도전 과제 중 하나였다. 체스의 경우, 이미 1997년 IBM의 인공지능 체스컴퓨터인 ‘딥 블루(Deep-blue)’가 체스 세계 챔피언인 가리 카스파로프에게서 승리를 거두었으나, 바둑은 지난 30년 동안의 노력에도 불구하고, 아마추어 수준에 머물러 있었다. 바둑은 체스와는 달리 행마 별로 움직이는 규칙이 정해져 있지 않으며, 바둑 돌을 놓을 수 있는 지점 역시 361개에 달하여, 가능한 수가 매우 많기 때문이다. 일례로 첫 수를 주고받게 되는 경우의 수만 해도, 12만 9960여 가지나 된다. 평균 150수를 상호 주고받는 바둑의 경기로 계산해 볼 때, 나올 수 있는 모든 경우의 수는 10의 170제곱에 달한다.

<그 림>

이러한 이유 때문에, 구글 딥마인드 연구팀은 알파고를 기존의 인공지능 게임 프로그램과는 다른 방식으로써 설계하기에 이른다. 딥 블루의 경우, 체스에서 승리하는 젼략을 활용하도록 프로그래밍 되어있는 반면, 알파고는 바둑을 두도록 프로그래밍 되어있지 않다.

참고 자료

Power Review, 한국인터넷진흥원, 2015.09
정상근, 인공지능과 심층학습의 발전사, 정보과학회지 33(10), pp.10-13, 2015
김영형, 신기웅, 이용환, 딥러닝 기반의 미래기술 전망, 한국정보기술학회, pp.219-220, 2015
김지원, 표현아, 하정우, 이찬규, 김정희, 다양한 딥러닝 알고리즘과 활용, 정보과학회지 33(8), pp.25-31, 2015
김준석, 기계학습 기반 단기가격 및 추이 예측 모델링에 관한 연구, 한국외국어대학교 대학원 석사학위논문, 2016