『인공지능 2판』은 인공지능을 처음 배우는 학습자라도 쉽게 따라올 수 있을 만큼 다양한 그림과 실습으로 가득하다. 특히 딥러닝 분야에서는 구글이 제공하는 텐서플로우 플레이그라운드 사이트를 이용하여 개념을 쉽게 이해할 수 있도록 하였다. 각 장의 본문에는 학습자의 진도에 따라 적절한 실습들이 이어지며, 이것들을 따라 하다 보면 실전에 적용되는 인공지능의 다양한 이론들을 습득하게 된다. 각 장의 끝에는 연습문제를 두어 학습자들이 추가로 학습할 수 있도록 하였다.이번 개정판에서 변경된 부분은 다음과 같다. - 인공지능 소개 내용에 최신의 경향을 반영하였다. - 탐색을 위한 파이썬 코드를 수정, 보완하였다. - 전통적인 머신러닝 이론인 결정 트리를 추가하였다. - 기존의 책에는 없었던 영상 인식 딥러닝, 강화 학습, 생성 모델 등의 내용을 추가하고, 강화 학습 실습 코드를 보완하였다.
서울대학교 전자공학과에 입학하여 1983년에 공학사 학위를 취득하였고, 한국과학기술원 대학원에 입학하여 1985년에 전기 및 전자공학과 석사 학위를, 1993년에 박사 학위를 취득하였다. 1985년부터 1988년까지 삼성전자 종합연구소에서 주임 연구원으로 재직하였고, 1993년부터 현재까지 순천향대학교 컴퓨터공학과 교수로 재직 중이다. 2005년에는 캐나다 UBC에서 방문교수를 지냈다.
저서로는 『인공지능 2판』(2023, 인피니티북스), 『HTML5+CSS3+JavaScript로 배우는 웹프로그래밍 기초 2판』(2023, 인피니티북스), 『Power JAVA 3판』(2022, 인피니티북스), 『인공지능』(2020, 인피니티북스), 『스크래치로 배우는 컴퓨팅 사고와 문제해결』(2019, 인피니티북스), 『OpenCV를 이용한 디지털 영상처리』(2019, 인피니티북스), 『Power Java Compact』(2018, 인피니티북스), 『어서와 C++는 처음이지!』(2018, 인피니티북스), 『문제해결과 컴퓨팅 사고』(2017, 인피니티북스), 『문제해결과 컴퓨팅 사고를 위한 스크래치』(2017, 인피니티북스), 『문제해결과 컴퓨팅 사고를 위한 파이썬』(2017, 인피니티북스), 『어서와 파이썬은 처음이지!』(2016, 인피니티북스), 『어서와 Java는 처음이지!』(2015, 인피니티북스), 『어서와 C언어는 처음이지!』(2015, 인피니티북스), 『HTML5+CSS3+JavaScript로 배우는 웹프로그래밍 기초』(2014, 인피니티북스), 『C++ Espresso』(2010, 인피니티북스), 『Power C++』(2010, 인피니티북스), 『쉽게 풀어쓴 C언어 Express』(2007, 생능출판사), 『C언어로 쉽게 풀어쓴 자료구조』(2005, 생능출판사) 등이 있다.
Chapter 01 인공지능 소개01 인공지능의 시대 인공지능의 충격 우리 생활에 스며든 인공지능 인공지능과 인간02 인공지능의 정의 지능형 에이전트 인공지능 vs 머신러닝 vs 딥러닝03 튜링 테스트 ELIZA 중국어 방(The Chinese Room) 2014년 유진 구스트만 튜링 테스트의 문제점04 인공지능의 역사 인공지능의 태동(1943-1956) 황금기(1956-1974) 첫 번째 인공지능의 겨울(1974-1980) 전성 시대(1980-1987) 두 번째 인공지능의 겨울(1987-1993) 인공지능의 부활(1993-2011) 딥러닝, 빅데이터 및 인공지능(2011-현재)05 인공지능은 어디에 필요할까? 자율주행 자동차 동영상 추천 시스템 광고 시스템 챗봇(Chatbot) 의료 분야 예술 창작 신약 개발과 생물학 분야 초거대 AI Mini Project 구글의 딥드림 사용해 보기 Mini Project ChatGPT 체험하기Summary연습문제Chapter 02 탐색01 탐색02 상태 공간 탐색 문제 상태 공간 탐색 문제 LAB 경로 찾기 문제 LAB N-queen 문제03 탐색 트리 LAB 4-queen 문제 탐색 트리04 기본적인 탐색 기법 탐색 성능 측정05 깊이 우선 탐색 깊이 우선 탐색의 분석06 너비 우선 탐색 너비 우선 탐색의 분석07 깊이 제한 탐색 IDDFS의 장점과 단점08 FS와 DFS 8-퍼즐 프로그램 보드를 어떻게 표현할 것인가? open과 closed 큐는 무엇으로 구현할 것인가? 자식 노드들은 어떻게 생성할 것인가? BFS 전체 소스코드 DFS 프로그램09 경험적 탐색 방법10 언덕 등반 기법 알고리즘 지역 최대 문제11 최고 우선 탐색12 A* 알고리즘 LAB A* 알고리즘 시뮬레이션13 A* 알고리즘의 파이썬 구현 LAB N-queen 문제의 탐색 알고리즘 Mini Project TSPSummary연습문제Chapter 03 게임 트리01 게임 프로그램 게임 정의 Tic-Tac-Toe에 대한 게임 트리02 미니맥스 알고리즘 Tic-Tac-Toe 게임에 미니맥스 알고리즘 적용 LAB 미니맥스 알고리즘 실습 미니맥스 알고리즘의 의사코드 미니맥스 성능 분석03 Tic-Tac-Toe 게임 프로그래밍04 알파베타 가지치기 알파베타 알고리즘 알파베타 알고리즘 실습05 불완전한 결정Summary연습문제Chapter 04 전문가 시스템01 전문가 시스템 전문가 시스템의 역사02 전문가 시스템의 구성 요소 지식베이스 추론 엔진 사용자 인터페이스03 지식과 인공지능 데이터, 정보, 지식04 규칙 규칙에 AND나 OR를 사용할 수 있다05 전문가 시스템에서의 추론 순방향 추론 역방향 추론 LAB 추론 실습 LAB 화재 처리 시스템06 충돌 해법07 전문가 시스템의 장점과 단점Summary연습문제Chapter 05 지식 표현01 지식 표현(Knowledge Representation)02 규칙03 의미망04 프레임 프레임의 장점 프레임과 객체 지향 프로그래밍 프레임과 상속 시맨틱 웹과 프레임05 논리(Logic)06 명제 논리 명제 논리에서의 추론 모더스 포넌스(Modus Ponens) 부정 논법(Modus Tollens) 삼단논법(Syllogism)07 술어 논리08 술어 논리에서 추론 정형식 논리융합(Resolution) 논리융합에 의한 증명09 시맨틱 웹과 온톨로지 소개 기존 웹의 문제점 시맨틱 웹 시맨틱 웹의 예 시맨틱 웹의 요소 기술 온톨로지10 프롤로그(Prolog) LAB 논리융합 실습 #1 LAB 논리융합 실습 #2 LAB 논리융합 실습 #3Summary연습문제Chapter 06 퍼지 논리01 퍼지 논리란? 퍼지 논리를 사용할 수 있는 분야02 크리스프 집합과 퍼지 집합 크리스프 집합 퍼지 집합 퍼지 집합의 표기 방법 LAB 퍼지 집합의 예03 퍼지 집합에서의 연산자 집중화 연산자 CON과 DIL LAB 퍼지 집합 연산자04 퍼지 추론 퍼지 규칙 퍼지 추론의 기본 퍼지 추론의 과정 규칙이 여러 개 있는 경우 LAB 팁을 주는 문제Summary연습문제Chapter 07 불확실성01 불확실성 불확실성의 예 불확실성은 왜 발생하는 것인가 인공지능 시스템에서의 불확실성 처리02 확률을 이용한 불확실성 처리 사전 확률과 사후 확률 베이즈 정리 LAB 내가 Z-바이러스에 감염되었을까? LAB 과일 문제 LAB 카드 게임03 베이즈 정리와 추론 증거와 가설이 여러 개일 때 베이즈 정리의 단점 LAB 베이즈 정리로 규칙의 확률 계산 LAB 스팸 필터링 LAB 몬티 홀 문제04 확신도 확신도의 정의 불확실한 증거를 가진 규칙에서의 확신도 규칙이 여러 개의 전제를 가지는 경우 LAB 확신도 실습Summary연습문제Chapter 08 유전자 알고리즘01 자연계에서의 진화02 유전자 알고리즘 염색체, 인코딩, 평가 함수 유전자 알고리즘의 의사코드 선택 연산자 교차 연산자 돌연변이 연산자 유전자 알고리즘03 유전자 알고리즘의 예제04 유전자 알고리즘 프로그램 LAB 8-queen 문제 LAB TSP 문제05 유전자 알고리즘의 장단점06 유전자 프로그래밍 어떻게 프로그램을 표현할 것인가? 기본 연산들 GP 알고리즘Summary연습문제Chapter 09 머신러닝 소개01 머신러닝이란? 머신러닝과 전통적인 프로그래밍과의 차이점 인공지능, 머신러닝, 딥러닝 머신러닝의 역사 머신러닝의 종류02 머신러닝의 용어들 특징(Feature) 함수 근사와 머신러닝 레이블(Label) 샘플 학습과 예측 학습 데이터와 테스트 데이터03 지도 학습 회귀(Regression) 분류(Classification) Mini Project 티처블 머신 이용하여 머신러닝 체험하기04 비지도 학습05 강화 학습06 머신러닝의 과정 데이터 수집 학습 데이터와 테스트 데이터 모델 선택 학습 평가 예측07 머신러닝 알고리즘의 성능 평가 정확도 혼동 행렬 Mini Project 머신러닝 체험하기08 머신러닝의 용도 머신러닝은 어디에 이용되는가? 프로그래머로서 머신러닝의 실용적인 가치Summary연습문제Chapter 10 선형회귀01 선형 회귀 선형 회귀 소개 선형 회귀의 종류 선형 회귀의 원리 학습과 손실02 선형 회귀에서 손실 함수 최소화 방법 분석적인 방법 경사하강법(Gradient Descent Method) 선형 회귀에서 경사하강법03 선형 회귀 파이썬 구현 #104 선형 회귀 파이썬 구현 #2 선형 회귀를 그래프로 그려보자 LAB 선형 회귀 실습05 과잉 적합 vs 과소 적합 LAB 당뇨병 예제 LAB 면적에 따른 집값 예측Summary연습문제Chapter 11 kNN, K-means, 결정 트리01 kNN 알고리즘 kNN 알고리즘 정리 수정된 kNN 알고리즘 kNN 알고리즘의 장점과 단점02 예제: kNN을 이용한 붓꽃 분류 특징과 레이블 그래프 그리기 kNN 학습하기 예측해보자03 예제: kNN으로 필기체 이미지 분류 데이터 세트 읽어들이기 학습 데이터와 테스트 데이터 모델 학습 예측 및 평가04 머신러닝 알고리즘의 성능 평가 혼동 행렬을 출력해 보자 분류 리포트05 K-means 클러스터링 K-means 클러스터링의 예 K-means 클러스터링06 sklearn을 이용한 K-means 클러스터링 라이브러리를 포함시킨다 데이터를 준비한다 데이터 시각화 클러스터 만들기 k를 결정하는 방법 팔꿈치 방법의 구현 LAB K-means 클러스터링 실습07 의사 결정 트리(Decision Tree) 의사 결정 트리의 원리 어떻게 트리를 구축하는 것일까? 엔트로피 sklearn을 이용한 의사 결정 트리08 예제: 의사 결정 트리를 이용한 붓꽃 분류Summary연습문제Chapter 12 퍼셉트론01 신경망 신경망의 장점 뉴런의 수학적인 모델02 퍼셉트론 퍼셉트론은 논리 연산을 학습할 수 있을까?03 퍼셉트론 학습 알고리즘 예제 sklearn으로 퍼셉트론 실습하기04 퍼셉트론의 한계점 XOR 연산 학습 선형 분류 가능 문제 다층 퍼셉트론으로 XOR 문제를 해결 LAB 퍼셉트론으로 분류Summary연습문제Chapter 13 다층 퍼셉트론(MLP)01 다층 퍼셉트론 활성화 함수 계단 함수 시그모이드 함수 ReLU 함수 하이퍼볼릭 탄젠트 함수02 순방향 패스 행렬로 표기해 보자03 오차 계산 손실 함수란? 손실 함수의 구체적인 예 손실 함수 계산 예04 역방향 패스 무엇을 알면 될까? 경사하강법 경사하강법의 재소개 그래디언트 LAB 경사하강법의 실습05 역전파 알고리즘 체인룰의 적용 은닉층 노드 결론을 내려보자 역전파 학습 알고리즘 LAB 역전파 알고리즘 애니메이션06 넘파이를 이용한 MLP 구현 1) 순방향 전파 2) 오차 역전파를 수행한다 3) 학습이 종료된 이후에 테스트하는 함수를 작성한다 4) 학습 함수와 테스트 함수를 순차적으로 호출한다07 구글의 플레이그라운드를 이용한 실습 에포크 학습률 활성화 함수 선택 문제 유형 학습 데이터와 테스트 데이터의 비율 입력 특징 선택 은닉층 추가하기 학습 시작 은닉층 없이 분류 실습 은닉층을 추가한 실습08 구글의 텐서플로 텐서플로 설치하기 케라스 예제 LAB MLP를 사용한 MNIST 숫자인식Summary연습문제Chapter 14 심층 신경망과 딥러닝01 딥러닝 은닉층의 역할02그래디언트 소멸 문제 새로운 활성화 함수 Mini Project 활성화 함수 실험03 손실 함수 문제 평균 제곱 오차 소프트맥스(Softmax) 활성화 함수 교차 엔트로피 손실 함수 LAB 교차 엔트로피의 계산04 케라스에서의 손실 함수 BinaryCrossentropy CategoricalCrossentropy SparseCategoricalCrossentropy MeanSquaredError05 가중치 초기화 문제 가중치 초기화 방법 Mini Project 가중치 초기화 실험06 미니 배치07 데이터 정규화08 데이터 엔코딩 기법09 학습률과 모멘텀10 과잉 적합의 처리 과잉 적합을 아는 방법 과잉 적합 처리 방법 조기 종료 가중치 규제 방법 데이터 증강 드롭아웃 앙상블 Mini Project 배치 크기, 학습률, 규제항11 예제: MNIST 숫자 인식 숫자 데이터 가져오기 모델 구축하기 학습시키기12 예제: MNIST 패션 아이템 분류 완전 연결 신경망 이용Summary연습문제Chapter 15 컨볼루션 신경망01 컨볼루션 신경망 소개 컨볼루션 신경망의 기원 네오코그니트론 컨볼루션 신경망의 중요성 Mini Project 컨볼루션 네트워크 체험하기02 컨볼루션 연산 컨볼루션 신경망의 구조 영상 처리에서의 컨볼루션 연산 컨볼루션 신경망에서의 컨볼루션 연산 보폭 패딩 커널의 개수03 풀링(서브 샘플링)04 예제: MNIST 패션 아이템 분류Summary연습문제Chapter 16 영상 인식01 영상 인식이란? Mini Project 영상 인식 신경망 체험하기02 전통적인 영상 인식03 심층 신경망을 이용한 영상 인식04 예제: CIFAR-10 영상 분류하기 CIFAR-10 데이터 세트 컨볼루션 신경망을 이용한 CIFAR-10 분류 프로그램05 데이터 증강06 예제: 강아지와 고양이 구별하기 강아지와 고양이 데이터 세트 라이브러리 설치 이미지 출력 신경망 모델 생성 이미지 전처리 학습 학습 결과 그래프 표시07 가중치 저장과 전이 학습 학습된 가중치의 저장 및 적재 전이 학습 사전 훈련된 신경망 모델 사전 훈련된 모델을 내 프로젝트에 맞게 재정의하기 예제 #1: 강아지 인식 프로그램 작성 예제 #2: 사전 훈련된 모델을 특징 추출기 전처리기로 사용Summary연습문제Chapter 17 강화 학습01 강화 학습이란? 강화 학습의 원리 강화 학습 프레임워크 강화 학습과 딥러닝02얼음 호수 게임 OpenAI 재단 얼음 호수(FrozenLake) 게임 얼음 호수 게임 버전 #1 실행 결과 분석03 Q-학습 #1 보상 Q-함수 정책(Policy) Q-값 순환 관계식 얼음 호수 문제에서 실제로 Q-값을 계산해 보자 얼음 호수 게임 버전 #204 Q-학습 #2 탐험과 활용 할인(Discount)된 보상 학습률 얼음 호수 게임 버전 #305 Deep Q-학습 왜 신경망을 사용하는가? DQN(Deep Q Network) Q-학습 vs Deep Q-학습 학습 방법 알고리즘 실제 적용 예 문제점 심층 Q-학습의 단점Summary연습문제Chapter 18 생성 모델01 생성 모델이란? 생성 모델은 훈련 데이터를 생성하는 규칙을 파악한다 판별 모델과 생성 모델의 차이02 GAN이란? GAN의 구조 GAN 훈련 과정 판별자 훈련 생성자 훈련 손실 함수03 예제: GAN으로 숫자 이미지 생성Summary연습문제찾아보기
