znxkznxk1030

중간고사 예상 문제

1. (Finite) Markov Decision Process

1. 강화학습(Reinforcement Learning)의 정의를 서술하고, 지도학습(Supervised Learning)과의 차이점을 예시와 함께 설명하시오

A goal-directed learning from interaction

znxkznxk1030

중간고사 예상 문제

Introduction

1. 다음 개념들: 인공지능(AI), 머신러닝(ML), 딥러닝 (DL)의 관계를 설명하고, 각각 대표적인 예시를 하나씩 들어 서술하시오

$$ 딥러닝 \subset 머신러닝 \subset 인공지능$$3

인공지능은 인간처럼 사고하고 행동하는 기계를 만드는 기술 전반을 의미한다.

znxkznxk1030

강의 내용 요약 과제

2025451021

인공지능학과

김영수

1. Entropy 정의

Entropy란 어떤 확률 변수에 대해 정보의 양을 측정하는 개념이다. 여기에서 정보는 불확실성을 의미하고 해당 확률 변수의 불확실성의 정도를 의미한다.

znxkznxk1030

import random

import numpy as np

from visualize_train import draw_value_image, draw_policy_image

# left, right, up, down
ACTIONS = [np.array([0, -1]),
           np.array([0, 1]),
           np.array([-1, 0]),

znxkznxk1030

import numpy as np
from numpy.linalg import inv
from visualize_train import draw_value_image, draw_policy_image

# left, right, up, down
ACTIONS = [np.array([0, -1]),
           np.array([0, 1]),
           np.array([-1, 0]),
           np.array([1, 0])]

znxkznxk1030

"""Showcase of flying arrows that can stick to objects in a somewhat
realistic looking way.
"""

import sys
from typing import List

import pygame

import pymunk

znxkznxk1030

import torch
from torch import initial_seed

directs = [(1, 0), (-1, 0), (0, 1), (0, -1)] # [down, up, right, left]
inf = int(1e9)

def initialize_policy(width, height, terminals):
    policy = torch.full((height, width, 4), 0.0)
    for y in range(height):
        for x in range(width):

znxkznxk1030

znxkznxk1030

• 면접질문 리스트
  • ML/DL
    • Frequentist 와 Bayesian의 차이는 무엇인가?
    • Frequentist 와 Bayesian의 장점은 무엇인가?
    • 차원의 저주란?
    • Train, Valid, Test를 나누는 이유는 무엇인가?
    • Cross Validation이란?
    • (Super-, Unsuper-, Semi-Super) vised learning이란 무엇인가?
    • Decision Theory란?
• Receiver Operating Characteristic Curve란 무엇인가?

znxkznxk1030

Statistic & Probability

Statistic & Probability Terminology

단어	원어	설명	표기
확률 변수	Random Variable, Stochastic Variable	측정 값이 변할 수 있는 확률이 주어진 변수	X
확률 분포	Probability Distribution	확률 변수가 특정한 값을 가질 학률을 나다내는 함수
기대값	Expected Value	어떤 확률을 가진 사건을 무한히 반복했을 경우 얻을 수 있는 값의 평균으로서 기대할 수 있는 값. 이산 확률 분포에서는 확률 질량 함수(PMF, Probability Mass Function), 연속 확률 분포에서는 확률 밀도 함수(PDF, Probability Density Function) 이다.	$E = \sum_x x f(x) \ E = \int_{-\infty}^{\infty} x f(x)$
평균값	Mean	확률/통계에서 기댓값을 (모)평균 (Population Mean)이라고도 부른다. 기대값 $\simeq$ 평균값	$E(X)$ 또는 $\mu$