PK

1.1.에서 우리는 강화학습의 개략적인 내용을 살펴보았습니다. 지금까지 살펴본 내용을 가지고, 강화학습에서의 사람의 역할을 살펴보겠습니다. 먼저 인공지능 개념부터 볼까요? 인공지능은 '학습', '컴퓨터' 두 단어로 다른 영역과 구분됩니다. 이 두 단어가 함께 사용 되어야 인공지능이라고 부를 수 있습니다. 예를 들어보겠습니다. 우리는 "자동차 로집 공정"을 '인공지능'이라고 부르지 않습니다. 왜냐하면 이 공정에 '컴퓨터'가 투입되어 자동차가 조립되지만, '학습'의 개념은 없기 때문입니다. 따라서 이 공장을 "인공지능 공장"이라고 부르지 않고, 간단히 "자동화 공장"이라고 표현합니다. 화장실에 들어가면 불이 켜지도 음악이 나오며, 방향제에서 좋은 향기가 납니다. 이 화장실에는 움직임을 감지하는 '센서' 컴퓨터 기술이 들어 있지만, '학습' 개념이 포함되지 않았기 때문에, "인공지능 화장실"이라고 부르지 않습니다.  인공지능을 개념적으로 살펴봤으니, 다음은 사람의 역할을 살펴보겠습니다. "알고리즘을 만들어야 한다.", "사람은 코딩을 해야하는데, 이것은 인공지능이 대체할 수 있다." 등이 일반적으로 생각하는 사람의 역할입니다. 맞는 말입니다. 그런데 이것만이 사람의 역할은 아닙니다. 예를 들어보겠습니다. 우리가 인공지능 무기를 이용하여 전쟁을 한다고 생각해 보겠습니다. 그럼 우리는 어떤 것을 고려해야 할까요? '우리는 민간인을 살상하면 아니된다, 우리는 전쟁법과 국제질서를 준수해야 한다.  우리는 대량살상 무기를 사용해서는 안된다.’ 등의 규칙을 준수해야 하는 등 많은 지식이 수반됩니다. 즉 사람은 전쟁에서 해야할 일과 해서는 안되는 일들을 알고 있어야 합니다. 이 것이 바로 사람의 역할입니다. 즉 인공지능에게 과업을 지시하거나, 제약조건을 설정하는 것이...

이 함수는  iterable  요소 중 하나라도 "참"이 있을 경우, "참"을 반환하는 함수입니다.  매개변수는 " iterable "입니다.  iterable 은 list(리스트), tuple(튜플), str(스트링), set(세트), dict(딕셔너리) 등의 자료형을 말하는데요,  쉽게 말해  for 문 등을 사용하여 그 요소(element)를 출력할 수 있는 자료형입니다.  ------------------------------ < 매개변수가 "리스트" 자료형이고, 요소 중 하나라도 "참"이 있는 경우 > >>> data = [0, 1, 2, 3, 4, 5] 위 data를 any()함수를 사용하여 그 결과를 확인해 보겠습니다.  >>> all(any)        True 여기서 data 중 정수 "1"이 있습니다. 그렇기 때문에 이것을 "참"으로 간주하여 "True"가 반환되었습니다.  좀 더 자세히 살펴보면, >>> data = [0, 1, 2, 3, 4, 5]               >>> for i in data:                if i == True:                          print(i, "TRUE")                else:                ...

이 함수는  iterable  요소가 모두 "참"이거나, 비어 있을 경우 "참"을 반환하는 함수입니다.  다시말해, 하나라도 "거짓"이 있으면, "거짓"을 반환합니다.  매개변수는 " iterable "인데요, 조금 생소하실 것 같습니다.  iterable 은 list(리스트), tuple(튜플), str(스트링), set(세트), dict(딕셔너리) 등의 자료형을 말하는데요,  쉽게 말해  for 문 등을 사용하여 그 요소(element)를 출력할 수 있는 자료형입니다.  조금 어렵죠? 그럼 all() 함수를 사용하면서, 직접 확인해 보겠습니다.   ------------------------------ < 매개변수가 "리스트" 자료형이고, 요소가 모두 "참"인 경우 > >>> data = [True, 1, 2, 3] 위 data를 all()함수를 사용하여 그 결과를 확인해 보겠습니다.  >>> all(data)        True 여기서 data는 "list(리스트)" 자료형입니다. 왜냐하면, []는 파이썬에서 리스트 를 뜻하기 때문이에요. 그러니까 iterable 이지요. 이 iterable 자료형인 리스트 data가 가진 요소가 모두 "참"이기 때문에, 결과가 "참"으로 반환되었습니다. ------------------------------ < 매개변수가 "리스트" 자료형이고, 요소에 "거짓"이 있는 경우 > >>> data = [False, 1, 2, 3] >>> all(data)        False 이번에는 iterable 자료형인 리스트 data에 "거짓" 요소가 있기 때문에, 결과가 "거짓"으로 나왔습니다. -...

본 장은 강화학습을 처음 접하는 독자들을 위한 내용을 담고 있습니다. 여기에는 강화학습의 기본 개념과 사람이 수행해야 하는 역할에 대한 기초적인 설명이 포함되어 있습니다. 이미 강화학습에 대한 일정 수준의 이해가 있으신 독자 분들께서는 본 장을 건너 뛰어도 무방합니다.  1.1. 강화 학습 개념 '강화 학습'은 인간의 학습 능력을 따라한 '머신 러닝' 방법입니다. 강화학습에서 학습자를 '에이전트(agent)'라고 부릅나다. 이 '에이전트'는 '환경'과 상호작용을 통해 학습을 합니다.  에이전트가 환경과 상호작용을 통해 학습하는 방법을 살펴보겠습니다. 에이전트는 자기가 선택할 수 있는 '행동 집합(A)'에서 하나의 '행동(a)'을 선택합니다. 그러면 그 '행동'은 환경에 영향을 미쳐, 환경의 '상태'가 변화됩니다. 그리고 환경은 '변한 상태'를 에이전트에게 알려 주고, 변한 상태가 에이전트에게 도움이 되면 높은 '보상(Reward)'을, 그렇지 않으면 낮은 보상을 줍니다. 이와 같은 하나의 과정을 우리는 '에피소드(episode)'라고 부릅니다. 에피스드가 횟수가 많아질 수록 에이전트는 자신이 선택한 행동 중 어느 것이 가장 높은 보상을 받게 되는 지 알게 될 것입니다. 다시 말해 에이전트는 환경과의 상호작용을 통해 자신의 행동을 강화하는 특징이 있기 때문에 이 학습방법을 '강화 학습'이라고 부릅니다.  예를 들어, 로봇과 인간의 태권도 경기를 생각해 보겠습니다. 로봇의 두뇌는 에이전트, 즉 강화 학습이 적용된 인공지능이라 가정하겠습니다. 이 에이전트가 상대방을 이기기 위해 자신이 가진 행동 집합에서 '앞차기' 행동을 선택했고, 이 행동으로 인해 상대방이 쓰러졌다면, 환경은 상대방이 쓰러진 상태를 에이전트에게 알려주고, 보상으로 +1점을 줍니다. 이번에는 에이전트가...

이 함수는 x 의 "절대값"을 반환하는 함수입니다.  매개변수 x 는 숫자인데요, 정수, 실수 그리고 복소수가 있습니다. 

 I feel mean.      나는 안 좋은 감정을 느껴.