본문 바로가기

인공지능35

기력향상 프로젝트: AI가 불러오는 바둑에 대한 회한 지난 대국에 이어서 패배한 대국 인공지능 프로그램 복기이다! 레츠고! 좋은 부분적 형태의 급소! 현재 상태는 백돌이 심하게 공격당하는 듯 보여서 불리해 보이지만, 상변의 백이 흑의 진영에서 잘 살기만 하면, 집이 많아서 유리한 국면이다. 왼쪽 기보와 같은 상변의 모양에서 O15가 형태의 급소였다. 투박한 수로 보이나, 저 수로 인해, 오른쪽 참고도처럼 M18로 젖힐때 N18로 같이 젖힐 수가 없다. 같이 젖힌다면, 먹여치는 수로 인해 세점이 죽게 된다. 그러나 다른 쪽에 약점이 있다 부분적으로는 아까의 기보처럼 먹여처서 세점을 잡을 수 있다. 그러나 백은 F18에 약점이 있다. 그래서 백이 먹여칠때 상변 흑 두점을 내어주고 L18로 끊게되면 F18의 약점 때문에 오른쪽의 참고도처럼 대마가 끊겨서 1~11.. 2023. 2. 16.
기력향상 프로젝트: AI는 바둑을 너무 잘둔다 기력이 한게임 기준 8단에서 꽉막힌 듯 하다. 좀 열심히 두니까 8단까지는 올라가는데 더이상 단수가 잘 올라가지 않아서 오랫동안 하지 않던 인공지능 프로그램과 함께하는 폐관 수련(패배한 기보 복기 받기)을 시작한다. 생불여사 : 살아도 죽은 것만 못하다 바둑은 포석에서 백인 내가 아주 유리하다가 섣부르게 우변을 뛰어들어가서 두터움을 내주며 싸발려서 갑자기 5대5 바둑이 되었다. 처음 침투할때의 생각은 우변 흑을 갈라서 공격해볼 셈이었는데 내가 오히려 공격당해 간신히 살기만 하고 흑에게 두터움을 내주어 안 좋았다. 인공 선생님의 오른쪽 참고도가 정답인데 3과 5로 실리를 차지하고 9로 가볍게 어깨짚어 삭감하면 여전히 아주 우세하다. 왜 이렇게 못둘까... 회한이 든다. 우선순위를 놓치면 패착 그래도 바둑은.. 2023. 2. 15.
DKT의 개선 방향 글을 시작하기 앞서 아래의 3가지 논문을 참고하여 글을 작성하였습니다. [1] 간격 효과를 반영한 Deep Knowledge Tracing 기반 인공지능 모델 성능 개선 연구 = Improved Deep Knowledge Tracing AI Model added with spacing effect, 박나연; 이상민 (2022) [2] Explainable feature 임베딩을 통한 지식 추적 성능 향상 연구 = A Study on the Improvement of Knowledge Tracing through Explainable Feature Embedding, 이성현 (2022) [3] 개별 맞춤형 학습을 위한 딥러닝 기반의 이분된 지식 추적 모델 개발 = Deep learning based dic.. 2023. 2. 5.
인공지능교육 : 지식 추적(KT)에 대한 배경 지식 DKT의 한계와 개선방법-데이터 의존적 : 데이터 클래스가 불균형할 경우 train 단계에서 편향된 결과를 출력함. -손실함수를 수정해 샘플이 거의 없는 데이터에 더 높은 cost를 할당함 -DKT에 전문가가 구축한 BN(bayesian network) 활용 -DKT hidden state 와 전문가 context vector를 더해 attentional hidden state 를 생성함 -평가지표로 F1 스코어(precision 과 recall의 조화평균)를 활용함 다양한 교육 관련 open data set 1) CEDS : 최대규모의 data set / 포괄적이고 광범위한 feature를 포함하고 있음. 2) synthetic : 항목응답이론을 기반으로 재현한 데이터 셋 / 전체 개념수가 2개, 5개.. 2023. 2. 4.
인공신경망의 이해 : Deep Knowledge Tracing(DKT) 1. 교육AI의 시작 : 지식추적(KT)의 개념 지식은 서로 분절되어 있지 않고 서로 연결된 유사성을 지닌다. 이에 따라 한 개념에 대한 이해도를 바탕으로 다른 개념의 이해도를 추론해볼 수 있다. Knowledge Tracing 은 이렇게 한 문제를 통해 다른 문제를 맞출 수 있는 확률을 추론하는 방법이다. 앞에 심층학습을 의미하는 Deep Knowledge Tracing 은 딥러닝 알고리즘을 이용해 학습자의 퍼포먼스를 바탕으로 학습자 전체 지식 수준을 평가하는 모델을 지칭한다DKT를 활용한 적용 분야문제 정답 여부를 통한 학습자의 지식 수준 평가지식 수준 평가를 통한 최적합 문제 추천지식 이해 수준을 높일 수 있는 최고 효율 학습 과정 추천 등의 학습 모델을 구성. 2. DKT의 핵심 딥러닝 알고리즘 .. 2023. 1. 28.
인공신경망의 이해 : RNN ( 순환 신경망) 1. 인공신경망의 약점 : 기억력 부족! 인공신경망은 분류에 큰 장점이 있다. 하지만 기억을 할 수 있는 노드가 없기 때문에 시계열적 데이터, 즉 순서가 문제가 되는 데이터를 처리할 수 없다. 이런 약점을 보완한 것이 바로 RNN이다. 2. RNN : Recurrent Neural Network = 순환 신경망, 재귀 신경망 1) 원 핫 인코딩(One Hot Encoding) 이미지 데이터와는 다른 시계열 데이터(순서가 있는)를 처리하기 위해서는 독립적인 데이터를 컴퓨터가 이해할 수 있는 0과 1로 변환하는 작업이 필요하다. 이를 원 핫 인코딩이라고 한다. 예를 들어보자 H E L O (1,0,0,0) (0,1,0,0) (0,0,1,0) (0,0,0,1) H,E,L,O 라는 4가지 단어를 원 핫 인코딩 .. 2023. 1. 27.
인공신경망의 이해 : 인공신경망의 작동 원리 1. 인공신경망의 작동 원리 : 기본 단위인 뉴런 인공신경망은 인간의 뇌의 작동 방식인 신경망 구조를 본따 알고리즘화 한 것이다. 뇌는 여러 신경세포(뉴런)의 네트워크로 구성된다. 이런 신경세포 구조를 인공으로 구현하기 위해서는 먼저, 단일 뉴런의 구조를 본따야 한다. AI에서는 이런 단일 뉴런을 '노드'라고 한다. 1) 입력은 가중치로 인공뉴런(노드)에 외부로부터 입력이 들어오면 '가중치'와 곱해져서 처리된다. 여러 노드가 연결된 인공 신경망에서는 한 노드의 출력이 곧 다른 노드의 입력이 되기 때문에, '가중치'란 노드(뉴런) 간의 연결 강도를 나타내며 신경망에서 더 중요한 정보(입력)를 표현하는 방법이다. 한 노드에 입력되는 입력값은 가중치 곱들의 합이라는 의미로 가중합(선형합)이라고 한다. 2) 출.. 2023. 1. 26.
인공신경망의 이해 : 생존이라는 강화학습 1. 생명체의 역사 : 삶이라는 '강화학습' 기린의 목은 어떻게 길어지게 되었을까? 과거에는 목이 긴 기린과 목이 짧은 기린이 같이 살고 있었다. 먹이가 부족할 때 목이 짧은 기린은 먹이를 못먹지만, 목이 긴 기린은 먹이를 먹어 생존할 수 있다. 결국 목이 긴 기린들이 더 많이 살아남아 자손을 남길 기회를 갖게된다. 이에 따라 목이 긴 유전형질만 남게 된다. 다윈은 이를 '자연선택'이라고 불렀다. 생명체의 역사는 이렇듯 생존과 번식에 유리한 형질만 남기는 '강화 학습' 같다. 2. 신경망에서의 강화 : 가중치 생명체의 역사에서 생존을 통해 유리한 유전형질이 강화된다면, 생명체의 내부 신경망에서는 '가중치'를 통해 유의미한 입력이 강화된다. 이렇듯 생명체는 안팎으로 생존을 향한 강화 학습을 위해 몸부림 치.. 2023. 1. 25.
오렌지(orange) 머신러닝 핵심 위젯 파악 1. Select Columns -Select Columns 위젯을 활용해 feature 들의 속성을 바꿀 수 있다. Ignoretargetmetaskip-해당 데이터를 분석에서 제외-목표값으로 설정-제외하진 않지만, 분석에 영향을 주지 않게 설정-해당 데이터를 분석에서 제외 -이런 전처리(pre-process) 과정을 통해서 모델의 정확도와 효율성을 높일 수 있음. -각종 변수들을의 가공여부에 따라 (변수를 feature / meta / skip 으로 설정하는 것) 모델의 구성 결과가 달라짐. 2. Scatter Plot -scatter plot 위젯을 활용해 feature와 target(목표값)과의 관계를 시각적으로, 직관적으로 살펴볼 수 있음. -X,Y 축을 변환시켜 데이터의 경향성을 살펴볼 수 있.. 2023. 1. 24.