| 초록 |
1. 분석자 서문 경험으로부터 기계가 어떻게 학습할 수 있을까? 확률적 모델링은 학습이 무엇인지 이해하기 위한 프레임워크를 제공하여 경험을 통해 획득한 데이터로부터 학습하는 시스템 설계를 위한 주요 이론 및 실제적 접근법의 하나로 주목받고 있다. 이에 모델 및 예측에 대한 불확실성의 표현 및 처리 방법을 설명하는 확률적 프레임워크(probabilistic framework)는 과학적 데이터 분석, 기계학습(machine learning), 로보틱스(robotics), 인지과학(cognitive science) 및 인공지능(artificial intelligence) 등 에서 중요한 역할을 한다. 본 리뷰는 이러한 확률적 프레임워크에 대한 소개와 함께 확률적 프로그래밍(probabilistic programming), 베이지안 최적화(Bayesian optimization), 데이터 압축(data compres-sion) 및 자동 모델 발견(automatic model discovery) 등 관련 분야에서의 최신 기술에 대해서 토의한다. 이에 본 분석 프라그마틱 슬롯는 기계학습 및 인공지능 분야가 더욱 발전하는 데 중요한 역할을 할 수 있는 확률적 모델링을 포함한 최신 기법 및 향후 연구 방향에 대해 고민해볼 수 있는 유용한 자료가 될 것으로 사료된다[1]. 2. 목차 1. 서론 2. 확률적 모델링 및 불확실성(uncertainty) 표현 3. 비모수(non-parametric)를 통한 유연성(flexibility) 4. 확률적 프로그래밍 5. 베이지안 최적화 6. 데이터압축 7. 데이터로부터 해석 가능한 모델의 자동 발견 8. 결론 및 전망 References 3. 원문정보 Zoubin Ghahramani/Probabilistic machine learning and artificial intelligence /Nature/2015. 5. 27 ※ 이 자료의 분석은 서울대학교의 김수진님께서 수고해주셨습니다. |
