카테고리 APMG-International

설명
정확성이 요구되는 단조롭고 반복적인 작업은 기계에 가장 적합합니다. 기계는 데이터 입력이나 이미지 인식과 같이 창의성이 거의 필요하지 않은 작업을 정확하고 빠르게 수행할 수 있습니다.
기계는 대량의 데이터를 빠르고 정확하게 처리할 수 있고 사람보다 실수할 가능성이 적기 때문입니다. 또한 기계는 지루해하거나 산만해지지 않고 많은 양의 데이터를 처리할 수 있어 일관된 정확성이 필요한 작업에 이상적입니다. 자세한 내용은 BCS 재단 인공지능 자격증 학습 가이드 또는 위에 나열된 리소스를 참조하세요.
검색 결과: BCS 인공 지능 기초 자격증 학습 가이드, 4장: 머신 러닝: https://www.bcs.org/category/19669

설명
https://en.wikipedia.org/wiki/Robot#:~:text=Arobotisamachine,controlmaybeem 컴퓨터는 복잡한 일련의 작업을 자동으로 수행할 수 있는 기계로 정의됩니다. 컴퓨터는 인공 지능(AI), 로봇 공학, 생산 라인, 자율 주행 차량 등 다양한 분야에서 사용됩니다. 컴퓨터는 대량의 데이터를 빠르고 정확하게 처리할 수 있는 능력 덕분에 복잡한 작업을 수행할 수 있습니다.
자세한 내용은 BCS 재단 인공 지능 자격증 학습 가이드(https://www.bcs.org/category/18076/bcs-foundation-certificate-in-artificial-intelligence-study-guide)를 참조하세요.

설명
기계 기반 시스템의 주요 장점 중 하나는 단조롭고 반복적인 작업을 안정적이고 정확하게 수행할 수 있다는 점입니다. 이는 데이터 입력이나 분석과 같이 높은 수준의 정확성과 정밀도가 요구되는 작업에 특히 유용합니다. 또한 기계 기반 시스템은 대량의 데이터를 빠르게 처리할 수 있으므로 사람보다 더 빠르고 효율적으로 작업을 완료할 수 있습니다. 또한 기계 기반 시스템은 입력된 데이터를 기반으로 특정 결정과 조치를 취하도록 프로그래밍할 수 있어 사람의 개입 없이도 특정 프로세스를 자동화할 수 있습니다. 참조:
* 인공지능 학습 가이드(2019), 인공지능 시스템, 8장.
* https://www.apmg-international.com/en/al-adoption/advantages-of-al/

설명
https://link.springer.com/referenceworkentry/10.1007/978-0-387-73003-5_293#:~:text=Definition,andcomb 데이터의 다른 하위 집합 또는 가설의 다른 조합을 선택하고 각 예측의 결과를 결합하여 보다 정확한 단일 결과를 생성하는 방식으로 작동합니다. 이는 데이터의 다른 부분에서 서로 다른 가설이 정확할 수 있거나 단일 가설이 모든 경우에 정확하지 않을 수 있는 상황에서 유용합니다. 앙상블 학습은 컴퓨터 비전에서 자연어 처리에 이르기까지 다양한 애플리케이션에서 사용됩니다.
참고자료: [1] BCS 재단 인공지능 학습 가이드, BCS [2] Apmg-international.com, "앙상블 학습이란 무엇인가요?", APMG International, https://apmg-international.com/en/about-apmg/blog/what-is-ensemble-learning/ [3] Exin.com,
"앙상블 학습", EXIN, https://www.exin.com/en-us/learn/ensemble-learning

설명
최소 제곱 회귀는 데이터 집합에 곡선을 맞추는 데 사용되는 통계 기법입니다. 여기에는 관찰된 데이터와 피팅된 곡선 사이의 차이의 제곱 합을 최소화하는 것이 포함됩니다. 이는 잔차 제곱의 합을 최소화하는 선인 최적 적합선을 찾아서 수행됩니다. 최적 적합선은 제곱 잔차의 최소 합을 제공하는 매개 변수를 찾아서 결정됩니다. 이 기법은 데이터 과학 및 머신 러닝에서 예측에 사용할 수 있는 모델을 만드는 데 자주 사용됩니다. 참고자료: BCS 재단 인공지능 자격증 학습 가이드, https://bcs.org/certifications/foundation-certificates/artificial-intelligence/

설명
* 약한 학습자: 구어체적으로, 순진한 모델보다 약간 더 나은 성능을 보이는 모델입니다.
좀 더 공식적으로 이 개념은 다중 클래스 분류로 일반화되었으며 정확도 50% 이상이라는 의미 외에 다른 의미를 가지고 있습니다.
이진 분류의 경우 약한 학습자에 대한 정확한 요구 사항은 무작위 추측보다 우수해야 한다는 것은 잘 알려져 있습니다. [...] 기본 학습자에게 무작위 추측보다 더 나은 것을 요구하는 것은 다중 클래스 문제에 대해 너무 약하지만 50% 이상의 정확도를 요구하는 것은 너무 엄격하다는 점에 유의하세요.
- 46페이지, 앙상블 방법, 2012.
이는 무작위 추측보다 더 나은 성능을 보이는 약한 학습 가능성을 가진 학습 방법 클래스를 제안하는 공식적인 계산 학습 이론에 기반합니다. 약한 학습 가능성은 더 바람직한 강한 학습 가능성을 단순화한 것으로, 학습 가능성은 임의로 좋은 분류 정확도를 달성하는 것입니다.
약한 학습 가능성이라고 하는 약한 학습 모델은 학습자가 임의로 높은 정확도를 달성할 수 있어야 한다는 요건을 없애고, 약한 학습 알고리즘은 무작위 추측보다 약간 더 나은(역다항식에 의해) 가설을 출력하기만 하면 됩니다.
- 약한 학습 능력의 힘, 1990.
이는 앙상블 학습 알고리즘에 기여하는 구성원의 능력을 설명하는 데 자주 사용되므로 유용한 개념입니다. 예를 들어, 부트스트랩 집합의 구성원을 구어적 의미에서 강한 학습자가 아닌 약한 학습자라고 부르는 경우가 있습니다.
보다 구체적으로, 약한 학습자는 앙상블 학습 알고리즘의 부스팅 클래스의 기초가 됩니다.
부스팅이라는 용어는 약한 학습자를 강한 학습자로 전환할 수 있는 알고리즘 제품군을 의미합니다.
https://machinelearningmastery.com/strong-learners-vs-weak-learners-for-ensemble-learning/ 약한 학습자의 가설 정확도가 50%보다 약간 높을 때 채택할 수 있는 가장 좋은 기법은 부스팅입니다. 부스팅은 여러 개의 약한 학습자(즉, 정확도가 낮은 모델)를 결합하여 더 강력한 모델을 만드는 앙상블 학습 기법입니다. 부스팅은 일련의 약한 학습자를 반복적으로 학습하는 방식으로 작동하며, 각 학습자는 무작위 추측보다 약간 더 나은 성능을 보입니다. 그런 다음 각 약한 학습자의 출력을 결합하여 더 정확한 모델을 형성합니다. 부스팅은 다양한 머신 러닝 작업의 정확도를 향상시키는 것으로 입증된 강력한 기술입니다. 자세한 내용은 BCS 재단 인공지능 자격증 학습 가이드 또는 위에 나열된 리소스를 참조하세요.

설명
폭포수 접근 방식은 각 개발 단계를 완료해야 다음 단계를 시작할 수 있는 순차적 설계 프로세스입니다. 즉, 한 단계가 완료되면 프로젝트의 변경 사항이 다른 모든 단계에 영향을 미칠 수 있기 때문에 되돌아가서 변경하기가 어렵습니다. 따라서 폭포수 접근 방식은 변화하는 고객 요구사항에 적응하거나 새로운 기술에 적응하기 어려울 수 있습니다. 이는 궁극적으로 AI 프로젝트의 실패로 이어질 수 있습니다.
참고 자료: [1] BCS 재단 인공지능 학습 가이드, 19페이지 [2] APMG International, "워터폴 모델이란 무엇인가요?", https://apmg-international.com/en/blog/what-is-a-waterfall-model/ [3] EXIN, "워터폴 모델이란 무엇인가요?", https://www.exin.com/blog/what-is-the-waterfall-model/

설명
NLP - 자연어 처리는 좁은 의미의 AI의 한 예입니다. 자연어를 이해하고, 해석하고, 생성할 수 있는 일종의 AI 시스템입니다. NLP는 챗봇, 가상 비서, 검색 엔진과 같은 애플리케이션을 만드는 데 사용되면서 지난 몇 년 동안 점점 더 인기를 얻고 있습니다. NLP 시스템은 언어와 언어가 사용되는 문맥을 학습할 수 있으며, 언어의 뉘앙스와 다양한 의미를 이해할 수 있습니다. 참고자료: BCS 재단 인공지능 자격증 학습 가이드, https://bcs.org/certifications/foundation-certificates/artificial-intelligence/

설명
인간은 목표를 달성하고 임무를 완수하기 위해 자신의 지능을 사용하여 환경을 조작합니다. 여기에는 도구를 만들고, 대피소를 건설하고, 문제를 해결하기 위한 전략을 세우는 등 다양한 활동이 포함될 수 있습니다. 참고자료: BCS 재단 인공지능 자격증 학습 가이드, https://bcs.org/ai/certificate/ 및 APMG International, https://www.apmg-international.com/qualifications/artificial-intelligence-foundation-certificate.

설명
* 상담원의 성과 측정 기준 상담원의 성공 여부를 결정하는 기준입니다.
* 에이전트의 행동 주어진 일련의 인식 후에 에이전트가 수행하는 행동입니다.
* 지각 주어진 인스턴스에서 에이전트의 지각 입력입니다.
* 인식 시퀀스 에이전트가 지금까지 인식한 모든 것의 기록입니다.
* 에이전트 기능 교훈 시퀀스에서 행동으로 이어지는 맵입니다.
상담원 용어
https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_agents_and_environments.htm AI 에이전트는 에이전트의 지각 입력에 의존하며, 이를 에이전트의 지각이라고 합니다. 이는 에이전트가 센서를 통해 환경에 대해 수집하는 데이터입니다. 에이전트는 지각을 통해 환경에 따라 결정을 내리고 조치를 취할 수 있습니다. 에이전트의 인식은 인공지능 시스템이 효과적으로 작동하기 위해 중요합니다. 참조:
[1] BCS 재단 인공지능 학습 가이드, "강화 학습", 96-97쪽. [2] APMG-International.com, "인공 지능의 기초" [3] EXIN.com, "인공 지능의 기초"

설명
https://research.com/careers/what-is-the-fourth-industrial-revolution
인공지능(AI)은 4차 산업혁명의 급속한 발전에서 중요한 역할을 하고 있습니다. AI 기술은 이전에는 사람이나 기계가 수행하던 많은 프로세스의 자동화를 가능하게 하여 이러한 프로세스의 속도, 효율성 및 정확성을 크게 향상시켰습니다.
자동화는 기업과 산업의 생산성을 크게 높이는 동시에 생산 비용을 절감하고 제품의 품질을 향상시켰기 때문에 4차 산업혁명에 대한 AI의 주요 공헌 중 하나입니다.
참조: https://www.bcs.org/more/certifications/foundation-certificate-in-artificial-intelligence/ https://www

설명
활성화 기능
신경망의 활성화 함수는 입력의 가중치 합이 네트워크 계층의 노드에서 출력으로 변환되는 방식을 정의합니다.
https://machinelearningmastery.com/choose-an-activation-function-for-deep-learning/#:~:text=Anactivation 활성화 함수는 뉴런의 출력을 결정하기 위해 신경망에서 사용되는 수학적 함수입니다. 활성화 함수는 입력을 출력 신호로 변환하는 데 사용되며 간단한 선형 함수부터 복잡한 비선형 함수까지 다양합니다. 활성화 함수는 신경망의 중요한 부분이며 네트워크가 패턴을 학습하고 데이터를 일반화하는 데 도움이 됩니다. 활성화 함수의 유형에는 시그모이드, ReLU, 탄, 소프트맥스 등이 있습니다. 참조: BCS 재단 인공지능 자격증 학습 가이드, https://bcs.org/certifications/foundation-certificates/artificial-intelligence/

설명
https://griffinshare.fontbonne.edu/cgi/viewcontent.cgi?article=1008&context=ijds 컴퓨터 과학자와 경제학자들은 상담원이 얼마나 행복한지를 설명하기 위해 "효용"이라는 용어를 사용합니다. 효용은 만족도 또는 선호도의 척도이며, 특정 결과에 대한 상담원의 만족도를 평가하는 데 사용됩니다. 효용은 상담원이 만족도를 극대화하기 위해 취할 수 있는 최적의 결정이나 행동을 결정하는 데 사용될 수 있습니다. 참조:
[1] BCS 재단 인증서 인공 지능 학습 가이드, "의사 결정 및 계획", p.99-100. [2] APMG-International.com, "인공 지능의 기초" [3] EXIN.com, "인공 지능의 기초"

설명
데이비드 찰머스 교수는 의식의 문제를 우주만큼이나 복잡하다고 설명합니다. 그는 의식을 이해하는 것은 관련된 변수와 차원의 수로 인해 우주 자체를 이해하는 것만큼이나 어렵다고 주장합니다. 그는 문제의 복잡성을 난류, 양자역학, 심리학에 비유했지만, 의식의 문제는 이 모든 것보다 훨씬 더 복잡하다고 생각합니다.
참조:
[1] https://www.bcs.org/upload/pdf/foundation-certificate-ai-syllabus-v1.pdf [2] https://www.apmg-international
데이비드 J. 찰머스, "의식의 어려운 문제", J. 시어 (ed.), 의식 설명: "어려운 문제", MIT Press, 1997.

설명
머신러닝은 로봇이 센서 데이터를 통해 학습하고 작업 수행 방법을 계획할 수 있도록 하여 로봇을 자율적으로 만드는 데 사용할 수 있습니다. 여기에는 알고리즘을 사용하여 센서의 데이터를 분석하고 이 데이터를 사용하여 결정을 내리고 조치를 취하는 것이 포함됩니다. 머신 러닝을 사용하면 로봇이 주변 환경을 학습하여 자율성을 높일 수 있습니다. 참조:
[1] BCS 재단 인증서 인공지능 학습 가이드, "로봇 공학", p.98. [2] APMG-International.com, "인공 지능의 기초" [3] EXIN.com, "인공 지능의 기초"

설명
지능형 로봇은 머신 러닝 및 자연어 처리와 같은 AI 기술을 사용하여 환경을 인식하고 계획하고 행동하는 로봇입니다. 지능형 로봇은 대량의 데이터를 빠르고 정확하게 처리할 수 있어 자율적으로 의사 결정을 내리고 작업을 수행할 수 있습니다. 지능형 로봇은 산업 자동화에서 헬스케어에 이르기까지 다양한 분야에서 활용될 수 있습니다.