머신러닝, 지식표현, 추론, 인공신경망, 딥러닝, 진화연산, 떼지능, 자연어처리
『기초부터 배우는 인공지능』

- 수식을 사용하지 않고 가능한 한 알기 쉽게 개념을 이해할 수 있도록 구성했다
- 인공지능 지식이 필요한 직장인들을 위한 파이썬 연습문제를 각 장에 실었다

『기초부터 배우는 인공지능』은 인공지능이란 무엇인가, 또한 인공지능은 어디까지가 학습 범위인가 하는 정의를 포함하여 이론을 처음부터 정중하게 설명하는 입문서이다. 심층학습을 계기로 인공지능 붐이 일면서 인공지능은 많은 이들에게 친숙한 존재가 됐다. 그러나 기계학습, 신경망, 진화계산, 자연어처리, 이미지 인식 등 개별 항목으로 거론되는 일이 많다 보니 인공지능의 전체 체계를 잘 모르겠다는 분들도 많다.

『기초부터 배우는 인공지능』은 위에서 언급한 주제를 망라하여 취급하고, 인공지능의 전체상을 설명하는 입문서이다. 수식은 거의 사용하지 않고 가능한 한 알기 쉽게 개념을 이해할 수 있도록 구성했다. 또한 직장에서 인공지능 지식이 필요한 분들을 위해서 파이썬을 사용한 연습문제를 각 장에 실었다.

업무상 인공지능에 대한 지식이 필요한 사회인과 정보 시스템 학부·학과에 소속된 대학생은 물론, 인공지능에 관심 있는 고등학생도 읽을 수 있다. 현직 엔지니어는 물론 엔지니어를 지향하는 학생이라면 파이썬을 사용한 연습문제에 반드시 도전해보기 바란다.

2004년 현재 후쿠이대학 대학원 교수로 재직. 1983년 와세다대학 이공학부를 졸업하고 1990년 와세다대학 대학원 이공학 연구과 후기과정 수료(공학박사) 후 규슈대학 의학부 부속병원 조수, 1993년 후쿠이대학 공학부 정보공학과 조교수, 1999년 후쿠이대학 공학부 지능 시스템공학과 조교수를 역임했다. 주요 저서로는 <이 정도면 나도 할 수 있다! C 프로그래밍 입문>, , , <컴퓨터시스템)(모리기타출판), <인공지능시스템의 구성>(근대과학사, 공저), (번역과 감수), <기초부터 배우는 TCP/IP 애널라이저 작성과 패킷 분석(제2판)>, , <머신러닝과 딥러닝 C언어로 시뮬레이션>, <강화학습과 딥러닝 C언어로 시뮬레이션>, , <머신러닝과 딥러닝 Python으로 시뮬레이션>(옴사)이 있다.

제1장 인공지능이란

1.1 인공지능의 개요
1.1.1 인공지능의 위치
1.1.2 인공지능과 인접한 학문 분야
1.2 인공지능 분야의 다양한 영역
1.2.1 머신러닝
1.2.2 진화연산
1.2.3 떼지능
1.2.4 자연어처리
1.2.5 이미지 인식
1.2.6 에이전트
1.3 생활 속 인공지능 기술
1.4 산업에 응용되는 인공지능
1.5 인공지능의 정의
1.5.1 인공지능에 대한 두 가지 입장
1.5.2 왜 인공지능 기술이 주목받는 것일까

제2장 인공지능 연구의 역사

2.1 [1940년~] 컴퓨터 과학의 시작
2.1.1 존 포 노이만과 셀룰러 오토마톤
2.1.2 튜링 테스트
2.2 [1956년] 다트머스 회의에서 인공지능 분야의 확립
2.3 [1960년~] 자연어처리 시스템
2.3.1 1965년: 요제프 바이첸바움의 ELIZA
2.3.2 1971년: 테리 위노그래드의 블록 세계(SHRDLU)
2.4 [1970년~] 전문가 시스템
2.5 [1960년~] 퍼셉트론과 오차역전파법
2.5.1 인공 신경망의 탄생
2.5.2 퍼셉트론
2.5.3 오차역전파법
2.6 [1950년~] 체스, 체커, 바둑 대전 프로그램
2.6.1 1950년~ : 체커 게임 프로그램
2.6.2 1990년~ : 체스 게임 프로그램
2.6.3 2010년~ : 바둑 프로그램
2.7 [2010년~] 딥러닝의 발견, 빅데이터 시대의 도래
2.7.1 딥러닝으로 이미지 인식 분야의 돌파구 마련
2.7.2 딥러닝과 빅데이터
2.8 과거의 인공지능 시스템 - 컴파일러, 한자 변환
2.8.1 컴파일러
2.8.2 한자 변환
2.9 인공지능에 적합한 프로그래밍 언어의 변천
2.9.1 LISP
2.9.2 프롤로그(Prolog)
2.9.3 파이썬(Python)

제3장 머신러닝

3.1 머신러닝의 원리
3.1.1 머신러닝이란
3.1.2 오컴의 면도날 법칙과 노 프리 런치 정리
3.1.3 다양한 머신러닝
3.2 머신러닝 학습 방법
3.2.1 지도학습, 비지도학습 및 강화학습
3.2.2 학습 데이터세트와 검증 데이터세트
3.2.3 일반화와 과적합
3.2.4 앙상블 학습
3.3 K-인집기법
3.4 결정트리와 랜덤 포레스트
3.4.1 결정트리
3.4.2 랜덤 포레스트
3.5 서포트 벡터 머신(SVM)

제4장 지식표현과 추론

4.1 지식표현
4.1.1 지식표현이란
4.1.2 의미 네트워크
4.1.3 프레임
4.1.4 생성 규칙과 생성 시스템
4.1.5 술어를 이용한 지식표현
4.1.6 개방 세계 가정과 폐쇄 세계 가정
4.2 전문가 시스템
4.2.1 전문가 시스템의 구성
4.2.2 전문가 시스템의 구현

제5장 신경망

5.1 계층형 신경망
5.1.1 인공 신경망이란
5.1.2 인공 뉴런
5.1.3 퍼셉트론
5.1.4 계층형 신경망과 오차역전파법
5.1.5 순환 신경망
5.2 다양한 신경망
5.2.1 홉필드 네트워크와 볼츠만 머신
5.2.2 자기조직화지도

제6장 딥러닝

6.1 딥러닝이란
6.2 합성곱 신경망
6.3 자기부호화기
6.4 LSTM
6.5 생성적 대립 신경망(GAN)

제7장 진화연산과 떼지능

7.1 진화연산
7.1.1 생물진화와 진화연산
7.1.2 유전자 알고리즘과 유전 프로그래밍
7.2 떼지능
7.2.1 입자군집 최적화
7.2.2 개미집단 최적화
7.2.3 물고기 떼의 행동형태 알고리즘

제8장 자연어처리

8.1 종래형 자연어처리
8.1.1 자연어처리의 계층
8.1.2 형태소 분석
8.1.3 구문 분석
8.1.4 의미 분석
8.1.5 통계적 자연어처리
8.1.6 기계번역
8.2 머신러닝을 이용한 자연어처리
8.2.1 머신러닝과 자연어처리
8.2.2 Word2vec
8.3 음성인식
8.3.1 음성의 인식
8.3.2 음성응답 시스템

제9장 이미지 인식

9.1 이미지 인식
9.1.1 이미지 인식의 기초
9.1.2 이미지 특징 추출
9.1.3 템플릿 매칭
9.2 이미지 인식기술의 응용
9.2.1 문자인식
9.2.2 얼굴인식
9.2.3 유사 이미지 검색

제10장 에이전트와 강화학습

10.1 소프트웨어 에이전트
10.1.1 소프트웨어와 셀룰러 오토마톤
10.1.2 소프트웨어 에이전트
10.2 실체가 있는 에이전트
10.2.1 로봇공학
10.2.2 로봇의 신체성(인지과학)
10.3 에이전트와 강화학습
10.3.1 에이전트와 머신러닝
10.3.2 Q학습

제11장 인공지능과 게임

11.1 체스와 체커
11.1.1 초기 게임 연구의 성과 - 탐색과 휴리스틱에 기초를 둔 방법
11.1.2 딥블루(Deep Blue)
11.2 바둑과 장기
11.2.1 알파고 이전의 AI 바둑 플레이어
11.2.2 알파고, 알파고 제로, 알파 제로
11.2.3 장기와 딥러닝
11.3 장기와 딥러닝
11.3.1 왓슨(Watson) 프로젝트
11.3.2 컴퓨터 게임에 응용되는 인공지능

제12장 인공지능은 어디로 향하는가

12.1 중국어 방 - 강한 AI와 약한 AI
12.2 프레임 문제
12.3 심벌 그라운딩 문제
12.4 싱귤래리티