짧은 입문 AI 코스에서 검색 알고리즘 만 가르치는 이유는 무엇입니까?

AI에서 검색 의 개념 이 중요하다는 것을 이해했습니다 . 거기의 질문 이 주제에 관한 본 웹 사이트는하지만, 하나는 또한 직관적 이유를 이해할 수 있습니다. 나는 한 학기의 절반 동안 지속되는 AI에 대한 입문 과정을 가졌으므로 AI의 모든 주제를 다룰 시간이 충분하지 않았지만 AI 이론을 배울 것으로 기대했습니다. "), 그러나 실제로 배운 것은 기본적으로 다음과 같은 몇 가지 검색 알고리즘이었습니다.

• BFS
• 균일 한 비용 검색
• DFS
• 반복 심화 검색
• 양방향 검색

이러한 검색 알고리즘은 일반적으로 목표에 대한 나머지 경로와 관련된 정보를 고려하지 않기 때문에 "맹인"(또는 "정보가없는")으로 분류됩니다.

또는 다음과 같은 알고리즘 :

• 휴리스틱 검색
• 최고의 검색
• ㅏ
• ㅏ*
• IDA *

이는 목표에 대한 나머지 경로에 대한 일부 정보 (예 : "휴리스틱"또는 "추정")를 사용하기 때문에 일반적으로 "정보"검색 알고리즘 범주에 속합니다.

그런 다음 "고급"검색 알고리즘 (특히 TSP 문제에 적용)을 배웠습니다. 이들 알고리즘은 건설적 (예를 들어, 가장 가까운 이웃), 로컬 검색 (예를 들어, 2-opt) 알고리즘 또는 메타 휴리스틱 알고리즘 (예를 들어, 개미 식민지 시스템 또는 모의 어닐링)이다.

또한 게임에 적용되는 최소-최대 알고리즘과 최소-최대의 "개선 된"버전, 즉 알파-베타 가지 치기를 간단히 연구했습니다.

이 과정을 마치고 난 후 AI가 "어리석게"또는 "보다 지능적으로"검색하는 느낌을 받았습니다.

내 질문은 :

• 왜 한 교수는 AI 과정에서 검색 알고리즘 만 가르치는가? 장점 / 단점은 무엇입니까? 다음 질문은 이것과 매우 관련이 있습니다.

• 입문 과정에서 가르 칠 수있는 AI에서 "검색"이상의 것은 무엇입니까? 이 질문은 주관적인 답변으로 이어질 수 있지만 실제로 AI가 무엇인지, 그리고 실제로 어떤 주제를 다루고 있는지 이해하려는 사람의 맥락에서 실제로 묻습니다. 분명히 그리고 불행히도, 주변을 읽은 후에도 여전히 주관적인 것처럼 보입니다.

• 이런 종류의 과정에서 배울 수있는 AI 이론이 있습니까?

인공 지능에 대한 많은 오해가 있습니다. 특히 인간과 같은 컴퓨터를 "생각", 뇌를 시뮬레이션하는 공상 과학 로봇, 기계와 같은 뇌에 대한 모든 철학적 토론 등의 실천에 관한 아이디어. AI는 "문제 해결을위한 컴퓨팅 사용"에 관한 것입니다. 이는 기본적으로 문제를 해결하고이를 컴퓨팅 문제로 표현한 다음 원래 문제를 해결하는 컴퓨팅 문제를 해결하는 알고리즘을 설계하는 것을 의미합니다. 이러한 검색 알고리즘은 범용 컴퓨팅 문제를위한 범용 알고리즘이다. 즉, 실제 문제는 이러한 범용 컴퓨팅 문제로 표현 될 수 있으며, 이러한 알고리즘은이를 해결하는 데 사용될 수있다.

실제 문제를 나타낼 수있는 문제 해결 및 범용 컴퓨팅 문제에 대한 정보를 기억하십시오.

결론적으로 대부분의 AI 문제는 검색 문제로 특징 지을 수 있습니다. 몇 가지 예를 살펴 보겠습니다.

• 객체 인식 및 장면 구축 (예 : 주변의 시청각 입력을 이해하고이를 3D 및 문맥 상 이해하는 프로세스)은 입력에서 알려진 객체를 검색하는 것으로 취급 될 수 있습니다.
• 수학적 문제 해결은 솔루션을 찾는 것으로 취급 될 수 있습니다.
• 비디오 게임을하는 것은 주어진 게임 상태에 대한 올바른 반응을 찾는 것으로 취급 될 수 있습니다.

초보적인 챗봇조차도 인간의 언어를 에뮬레이트하기 위해 주어진 입력 문구에 대한 '올바른'응답을 찾는 것으로 특징 지어 질 수 있습니다!

이러한 검색의 일반화로 인해 검색 알고리즘은 'AI'로 간주되는 최초의 알고리즘 중 하나였으며 종종 많은 AI 교육 과정의 기초를 형성했습니다. 이 검색 알고리즘 외에도 직관적이고 수학적이지 않아 다소 무서운 AI 분야에 액세스 할 수 있습니다. 이것은 과장처럼 들릴지 모르지만, 강사가 매니 폴드 학습 기법으로 개설했다면 수업의 절반이 '공분산 행렬의 고유 값'을 언급 할 때 문을 닫았을 것입니다.

이제 검색 알고리즘 만이 이러한 문제를 해결하는 유일한 방법은 아닙니다. 모든 인공 지능 실무자는 데이터 과학 및 기계 학습 알고리즘의 개념에 익숙 할 것을 권장합니다. ML은 종종 검색 알고리즘과 관련이 있지만 사용하는 기술은 분류기 / 회귀 (예 : C4.5는 의사 결정 트리 작성), 메타 휴리스틱 (heal-heuristics) 및 정적으로 생성 된 분류기 / 회귀의 반복 빌드와 크게 다를 수 있습니다. 훈련 데이터 분석 (예 : Naive Bayesian은 문자 그대로 입력 필드가 독립적이라고 가정 할 때 주어진 데이터에 대한 Bayesian 분석을 기반으로하는 분류기입니다. 이는 이름을 얻는 '순진함'입니다). ML 알고리즘은 종종 AI 연구 그룹에서 개발되며 일반적인 형식 알고리즘 대신 특정 문제에 맞게 설계 될 수 있습니다.

왜 한 교수가 AI 과정에서 검색 알고리즘 만 가르치는가? 장점 / 단점은 무엇입니까?

이 질문에 대한 나의 대답은 검색을 사용하여 솔루션을 찾을 수있는 많은 문제가 있다는 것입니다. 박하 사탕 발가락의 예를 들어보십시오. 이를 위해 지능형 컴퓨터 플레이어를 설계하는 경우 검색 공간을 구성한 다음 게임을 마치기 위해 수행 할 수있는 가장 최적의 이동을 검색해야합니다. 이 시나리오에서는 최적의 검색 전략을 알고 있어야합니다. 다른 예를 들어 보면서 운전 중이고 알 수없는 사람의 집에 가고 싶다고 가정 해 봅시다. 당신의 위치와는 거리가 멀고 GPS를 사용하기로 결정했습니다. GPS는 검색 알고리즘을 사용하여 목적지까지 도달 할 수있는 가장 최적의 경로를 찾습니다 (물론 교통량 등 고려해야 할 요소가 많이 있지만 이것이 기본 아이디어입니다).

단점은 처리 및 저장 측면에서만 있습니다. 느린 알고리즘의 경우 많은 CPU 시간과 스토리지를 낭비하지만 효율적이고 효과적인 알고리즘의 경우 많은 공간을 보존하고 작업을 매우 빠르게 실행할 수 있습니다. 물론 검색에 대해 배우는 것은 AI가 아닙니다. 더 많은 것이 있습니다.

입문 과정에서 가르 칠 수있는 AI에서 "검색"이상의 것은 무엇입니까?

AI에는 검색 이외의 많은 것들이 있습니다. 예를 들어, 학습 기술 (감독, 비 감독, 강화), 독립적이고 지능적으로 특정 행동을 수행 할 시스템을 설계하고자 할 때 계획, 지식 (알려지고 알려지지 않은), 제안 논리 및 1 차를 포함하는 상담원의 추론 논리 등

이런 종류의 과정에서 AI에 배운 이론이 있습니까?

여러 유형의 에이전트 (단순 반사, 모델 기반, 목표 기반, 유틸리티 기반 및 학습 에이전트), 에이전트가 작동하는 다른 유형의 환경, 에이전트 평가와 같은 일부 주제를 학습 할 수 있습니다. 자연어 처리, 전문가 시스템 등과 같은 추가 입문 주제가있을 수 있습니다.