|
| |
|
|
인공 지능과 인지 과정 연구 Explanation-Based Learning : A Problem Solving Perspective
파일 
인공 지능과 인지 과정 연구 Explanation-Based Learning A Problem Solving Perspective.hwp
[Size :
1 Mbyte
]
인공 지능과 인지 과정 연구 Explanation-Based Learning A Problem Solving Perspective.hwp
[Size :
1 Mbyte
]
분량 44 Page
가격 3,000 원
×
링크 주소가 복사되었습니다.
링크 주소가 복사되었습니다.
원하는 곳에 붙혀넣기 하세요
카트
|
다운받기
|
 네이버 ID로 다운 받기  카카오 ID로 다운 받기  구글 ID로 다운 받기  페이스북 ID로 다운 받기 |
뒤로
|
자료설명
설명-기반 학습(Explanation-based learning : EBL)과 경험을 통한 문제 해결 성능 향상에 있어서의 그 역할에 대한 개괄을 보인다. 많은 예제로부터 공통의 특성을 끌어냄으로 학습하는 귀납적 시스템과는 달리 EBL 시스템은 왜 특정한 사례가 그 개념의 한 경우가 되는지를 설명한다. 그리고 나서 설명은 연산적인 인식 규칙(operational recognition rule)으로 전환된다. 본질적으로, 귀납적 방법은 경험적이고 지식이 빈약한데 반해, EBL 접근은 분석적이고, 지식-집중적이다. 본 논문은 기본 EBL 시스템의 확장과 PRODIGY 문제 해결 시스템과의 통합에 대해 초점을 둔다. PRODIGY의 EBL 시스템은 특별히, 복잡한 작업 도메인에 대해 총 탐색 시간을 줄이는 데 효과적인 탐색 제어 규칙을 획득하도록 설계되었다. 특정 도메인 탐색 제어 규칙은 성공적인 문제 해결 결정, 손실이 큰 실패, 예측하지 않은 목표 상호작용으로부터 학습된다. 다수의 전략을 선언적 방식으로 명시하는 능력은 EBL을 성능향상에 있어 일반적인 기술로서의 역할을 하도록 한다. PRODIGY의 EBL 방법은 몇몇 예제와 수행결과와 함께 제시되고, 분석되며, EBL과 문제 해결을 통합하는 다른 방법들과 비교된다.
목차/차례
1. 개 요
2. EBL 패러다임
2.1 STRIPS 접근 방식2.2 설명 스키마 획득 (Explanatory schema acquisition)
2.3 제약-기반 일반화
2.4 EBG 접근
2.5 토론
2.6 현재의 논쟁거리
3. 문제 해결 성능 향상의 방법으로서의 EBL4. PRODIGY 시스템
4.1 문제 해결자
4.2 문제 해결 과정
4.3 제어규칙
5. EBL 구성요소
5.1 목표 개념 적용 범위
5.2 이론의 범위
5.3 대응 방법
5.4 연산성 기준
5.5 결과
6. PRODIGY에서의 학습의 예
6.1 성공으로부터의 학습
6.2 실패로부터의 학습
6.3 목표 방해로부터의 학습
7.2 이론
7.3 예제로부터 설명으로의 대응
7.4 연산성
5.3 대응 방법
5.4 연산성 기준
5.5 결과
6. PRODIGY에서의 학습의 예
6.1 성공으로부터의 학습
6.2 실패로부터의 학습
6.3 목표 방해로부터의 학습
7. 관련 연구와의 비교
7.1 목표 개념7.2 이론
7.3 예제로부터 설명으로의 대응
7.4 연산성
8. 결 론
본문/내용
학습을 위한 일반적인 EBL 접근 방식을 상술하며, EBL를 문제 해결 성능 향상을 위해 사용할 때 일어나는 문제를 토론한다. 특별히, 우리는 문제 해결 경험으로부터 탐색 제어 지식을 학습하기 위해 PRODIGY 문제 해결 시스템에서 구현된 하나의 방법을 탐구한다. 응용 도메인뿐만 아니라 문제 해결자 자체의 구조에 대한 지식과 함께 PRODIGY의 학습 구성 요소를 제공함으로, 우리는 문제 해결 성능을 최적화를 위한 전략의 구현에 EBL을 사용할 수 있다. 이러한 지식-기반 접근 방식은 PRODIGY에게 특별한 도메인에서 문제를 해결할 때, 그 성능을 급속히 향상시킬 수 능력을 제공한다. 1950년대 후반, John McCarthy는 “우리의 궁극적인 목적은 인간이 하는 것과 같이 효율적으로 그들의 경험으로부터 학습하는 프로그램을 만드는 것이다.”라고 선언하였다. EBL 패러다임은 학습과정을 지도하기 위한 도메인 이론을 사용함으로 효율적인 학습을 향한 중요한 걸음을 내딛는다. PRODIGY는 문제 해결 성능 향상을 위한 일반적인 방법으로 EBL를 채택함으로 다음 걸음을 내딛는다.
다음절에서 우리는 EBL 패러다임을 재검토하고, 몇몇 예제를 보인다. 다음, 우리는 문제 해…
다음절에서 우리는 EBL 패러다임을 재검토하고, 몇몇 예제를 보인다. 다음, 우리는 문제 해…
참고문헌
1. Aho, A.V., Sethi, R. and Ullman, J.D., Compilers: Principles, Techniques and Tools (AddisonWesley. Readlne. MA. 1986).
2. Anderson, J.R., Knowledge Compilation: The general learning mechanism, in: Proceedings International Machine Learning Workshop, Montecello. IL (1983) 203-212.
3. Ranerjl, R.B., Artificial Intelligence: A Theoretical Approach (Elsevier North-Holland. NewYork. 1980).
4. Bennett, S.W., Approximation in mathematical domains, in. Proceedings IJCAI-87, Milan, Italy (1987) 239-241.
5. Bergadano, F. and Giordann, A., A knowledge intensive approach to concept induction, in: Proceedings Fifth International Conference on Machine Learning. Ann Arbor, MI (1988) 305-317
6. Bhatnagar, n., A correctness proof of explanation-based generalization as resolution theorem proving, in: Proceedings AAAI Spring Symposium on Explanation-Based Learning (1988) 220-225
7. Braverman, M.S. and Russell, S.J., IMEX: Overcoming intractability in explanation-based learning, in: Proceedings AAAI-88. St. Paul. MI (1988) 575-579.
8. Brownston, L., Farrell, R., Kant, E. and Marty, N., Programming Expert Systems in OPS5: An Introduction to Rule-Based Programming (Addison-Wesley Reading. MA. 1985).
9. Carbonell, J.G., Subjective Understanding: Computer Models of Belief Systems (UMI Research Press, Ann Arbor, MI, 1981)
10. Carbonell, J.G., Derivational analogy and its role in problem solving, in: Proceedings AAA1-83. Washington, DC (1983) 64-69.....
2. Anderson, J.R., Knowledge Compilation: The general learning mechanism, in: Proceedings International Machine Learning Workshop, Montecello. IL (1983) 203-212.
3. Ranerjl, R.B., Artificial Intelligence: A Theoretical Approach (Elsevier North-Holland. NewYork. 1980).
4. Bennett, S.W., Approximation in mathematical domains, in. Proceedings IJCAI-87, Milan, Italy (1987) 239-241.
5. Bergadano, F. and Giordann, A., A knowledge intensive approach to concept induction, in: Proceedings Fifth International Conference on Machine Learning. Ann Arbor, MI (1988) 305-317
6. Bhatnagar, n., A correctness proof of explanation-based generalization as resolution theorem proving, in: Proceedings AAAI Spring Symposium on Explanation-Based Learning (1988) 220-225
7. Braverman, M.S. and Russell, S.J., IMEX: Overcoming intractability in explanation-based learning, in: Proceedings AAAI-88. St. Paul. MI (1988) 575-579.
8. Brownston, L., Farrell, R., Kant, E. and Marty, N., Programming Expert Systems in OPS5: An Introduction to Rule-Based Programming (Addison-Wesley Reading. MA. 1985).
9. Carbonell, J.G., Subjective Understanding: Computer Models of Belief Systems (UMI Research Press, Ann Arbor, MI, 1981)
10. Carbonell, J.G., Derivational analogy and its role in problem solving, in: Proceedings AAA1-83. Washington, DC (1983) 64-69.....
| 📝 Regist Info |
|
I D : wooy***** Date : 2012-11-19 FileNo : 16059332 |
Cart  | |
| |