다음 악어를 사용하여 용어 목록을 코드화한다.

ec : 진화 연산(evolutionary computation)

es : 전문가 시스템(expert systems)

dm : 데이터마이닝 (data mining)

fl : 피지 논리(Fuzzy logic)

ke : 지식 공학 (knowledge engineering)

nn : 신경망(neural networks)

■AND 논리 연산자의 일종. 생성 규칙에 쓰일 때, 규칙의 결과가 참이려면 AND로 결합된 모든 조건이 참이어야 한다. [es]

■C 유닉스 운영체제와 함께 벨(Bell) 연구소에서 개발한 일반적인 목적의 프로그래밍 언어

■C++ C 언어의 객체 지향 확장판

■CART Classification And Regression Trees 결정 트리를 사용하는 데이터 마이닝 툴, CART는 결과 예측을 위해 새로운 데이터 집합에 적용할 수 있는 규칙 집합을 제공한다. CART는 이진 분할을 하면서 데이터 레코드를 나눈다. [dm]

■DENDRAL 질량 스펙트럼 분석기로 뽑은 스펙트럼 데이터에 기초하여 화학제품을 분석하기 위해 1960년대 후반에 스탠포드 대학에서 개발할 규칙기반 전문가 시스템, DENDRAL은 인공지능 분야의 큰 ‘패러다임 전환’을 이루어냈다. 범용으로 쓰이는 (지식이 빈약한) 약한 방법에서 특성 분야의 (지식 집중적인) 방법으로 ‘패러다임 전화’이 이루어졌다. [es]

■EMYCIN (Empty MYCIN) 1970년대 후반 스탠포드 대학에서 개발한 전문가 시스템 툴, 전염성 혈액 질환 지식만 빼면 MYCIN 시스템과 모든 특징이 같다. 진단 전문가 시스템을 개발할 때 EMYCIN를 사용한다. [es]

■ GPS (General Problem Solver) 인간의 문제 해결 방법을 시뮬레이션하려고 했던 초기 인공지능 시스템. GPS는 데이터에서 문자 풀이 기법 분리를 시도한 첫 시스템이다. 이들은 문제의 해를 찾기 위채 법용 탐색 메커니즘을 사용하였다. 이제는 약한 방법이라고 하는 이와 같은 접근 방식은 문제 영역에 대해 취약한 정보를 사용했고 이는 개발된 프로그램의 성능을 저하시켰다. [es]

■LISP (LlSt Processor) 가장 오래된 고급 프로그래밍 언어 중 하나, 1950년대 후반에 존 맥카시가 개발한 LISP는 인공지능을 위한 표준 언어다.

■MYCIN 전염성 혈액 질환의 진단을 위해 1970년대에 개발된 고전적인 규칙 기반 전문가 시스템. 이 시스템은 의학 진단 지식과 관련된 불확실성을 다루기 위해 확신도를 사용했다. [es]

■NOT 명저의 부정을 표현하는 데 쓰이는 논리 연산자. [es]

■OPS 규칙 기반 전문가 시스템 개발을 위한 LISP에서 파생된 고급 프로그래밍 언어. [es]

■OR 논리 연산자의 일종, 생성 규칙에 쓰일 때, OR로 결합된 조건 중 적어도 하나가 참이면 규칙의 결과도 참이다. [es]

■ PROLOG 논리 프르그래밍을 위한 실용적인 도구로 1970년대에 마르세유 대학교에서 개발한 고급 프로그래밍 언어, 인공지능 분야에서는 대증적인 언어다.

■ PROSPECTOR 1970년대 후반 스탠포드 연구소에서 광물 탐사를 위해 개발한 전문가 시스템. PROSPECTOR는 지식을 표현하기 위해 생성 규칙과 의미망을 통합한 결합구조를 사용했다. [es]

■ WHEN CHANGED 메소드 프레임기반 전문가 시스템에서 프레임의 슬롯에 연관된 프로시저

■ WHEN CHANGED 메소드는 슬롯에 새로운 정보를 할당할 때 실행된다. [es]

■ WHEN NEEDED 메소드 프레임기반 전문가 시스템에서 프레임을 슬롯에 연관된 프로시저

■ WHEN NEEDED 메소드는 문제를 해결하기 위한 정보가 필요할 때 실행되며, 슬롯에는 고정된 값이 들어가지 않는다. [es]

■ 가설 hvpothesis 증명되어야 할 명제. 역방향 연결을 이용하는 전문가 시스템들의 목표이기도 하다. [es]

■ 가중치 (weight) ANN에서 두 뉴런 사이의 연결에 관련된 값. 이 값은 연결 강도를 결정하고 다른 뉴런의 입력으로 들어가는 뉴런 출력 양을 나타낸다. 시냅스 가중치라고도 한다. [nn]

■ 가지 branch 결정 트리에서 노드 사이의 연결. [dm]

■ 감독 학습 supervised learning 외부 교사가 있는 학습 유형, 이 교사는 ANN에 일련의 훈련 집합을 제시하는 역할을 한다. 훈련 집합을 각 예제는 입력 패턴과 신경망이 생성해내야 할 목표 출력 패턴을 포함한다. 신경망은 실제 출력을 결정하고 그것을 훈련 예제의 목표 출력과 비교한다. 신경망의 출력이 훈련 예제의 목표 출력과 다르면 신경망의 가중치가 수정된다. 가장 많이 쓰기는 감독 학습방법은 역전파 학습이다. [nn]

■ 개체 individual 해 집단의 한 멤버. [ec]

■ 객체 object 개념 혹은 추상화 또는 개별적으로 선택되어 처리될 수 있으면서 문제에 대한 어떤 의미를 갖는 것, 모든 객체는 명백하게 구별될 수 있는 아이디(identity)를 가진다. Michael Black, Audi S500 Turbo, IBM Aptiva S35는 객체의 예다. 객체 지향 프로그래밍에서 객체는 데이터나 데이터를 처리하는 프로세서로 구성된 독립된 개체다. [es]

■ 객체 지향 프로그래밍 object-oriented programming 분석, 설계, 구현을 위한 기반으로 객체를 이용하는 프로그래밍 방법. [es]

■ 결정 트리 decision tree 트리와 같은 구조로 데이터를 기술하는 데이터 집합의 그래프화된 표현, 결정 트리는 노드, 가지, 리프들로 구성된다. 트리는 항상 루트에서 출발하여 각 수준마다 데이터를 새로운 노드들로 나눠가면서 아래로 커간다. 결정 트리는 분류 문제를 푸는 데 적합하다. 주요 장점으로 데이터

시각화를 들 수 있다. [dm]

■ 결정적 모델 deterministic model 객체 사이의 관계를 명확하게 가정하는 수학 모델(어떠한 확률 변수도 없다). 입력 데이터 집합이 주어지면 출력을 확실하게 결정한다. [es]

■ 결정 지원 시스템 decision-support system 특정 분야에서 인간의 결정을 돕도록 설계된 대화식 컴퓨터 기반시스템. [es]

■ 경쟁 학습 competitive learning 특정 입력 패턴에 대해 오직 한 개의 뉴런만 반응하도록 뉴런들끼리 경쟁하는 무감독 학습. ‘경쟁’에서 우승한 뉴런을 승자독식(winner-takes-all) 뉴런이라고 한다. 코호넨의 자기조직 특성 맵이 경쟁 학습을 이용한 ANN의 한 예다. [nn]

■ 교집합 Intersection 고전 집합론에서 두 집합의 교집합은 이 집합들이 공유하는 원소들을 포함한다. 예컨데, 키가 큰 남자와 뚱뚱한 남자의 교집합에는 키가 크고 뚱뚱한 모든 남자가 포함된다. 퍼지 집합론에서는 한 원소가 두 집합 모두에 일부씩 속할 수 있어 교집합은 두 집합에서 그 원소의 소속값 중 낮은 쪽이 된다. [fl]

■ 교차 crossover 기존의 두 염색체의 일부를 교환하여 새로운 염색체를 만드는 재생산 연산자. [ec]

■ 교차율 crossover probability 두 염색체가 교차할 확률을 나타내는 0~1 사이의 수. [ec]

■ 구조 architecture 위상을 참고하라. [nn]

■ 구체화 instantiation 변수에 특정 값을 할당하는 과정, 예를 들어, ‘8월’은 객체 ‘월’ 의 하나의 구체화다.

[se]

■ 귀납 추론 inductive reasoning 특수한 것에서 일반적인 것으로의 추론. [es]

■ 규칙 rule 생성 규칙을 참고하라. [es]

■ 규칙 수행 firing a rule 생성 규칙을 실행하는 과정, 더 정확하게는 규칙의 IF 부분이 참일 때, THEN 부분을 실행하는 것. [es]

■ 규칙 평가 Rule evaluation 퍼지 추론의 둘째 단계로 퍼지 이력을 퍼지 규칙의 전건에 적용하고, 규칙 전건 각각의 진리값을 결정하는 과정 주어진 규칙에 전건이 여럿 있다면 교집합이나 합집합 퍼지 연산을 수행하여 전건의 평가 결과를 나타내는 숫자 하나를 얻는다. [fl]

■ 규칙기반 전문가 시스템 Rule based expert system 기반 지식이 생성 규칙의 집합을 포함하는 전문가 시스템. [es]

■ 근사 추론 approximate reasoning 생성 규칙의 IF 부분과 데이터베이스의 데이터가 딱 맞지 않아도 되는 추론 방식 [es]

■ 기계학습 machine learning 컴퓨터가 경험, 실례, 유추로 학습할 수 있도록 하는 적응 메커니즘, 학습 능력은 시간이 지남에 따라 지능형 시스템의 성능을 개선 시킨다. 기계학습은 적응 시스템의 근간이다. 가자 유명한 기계학습 방법으로 인공신경망과 유전 알고리즘을 들 수 있다.

■ 기반규칙 rule base 생성 규칙들을 포함하는 기반 지식. [es]

■ 기반 지식 Knowledge base 특정 분야에 대한 지식을 포함하는 전문가 시스템의 기본 요소, [es]

■ 노드 node 결정 트리의 결정 지점. [dm]

■ 논리곱 conjunction 생성 규칙에서 두 전건과 함께 결합된 논리 연산자 AND. [es]

■ 논리합 disjunction 생성 규칙에서 두 전건과 함께 결합된 논리 연산자 OR. [es]

■ 논의 영역 universe of discourse 주어진 변수에 적용할 수 있는 모든 가능한 값의 범위. [fl]

■ 뉴런 neuron 정보를 처리할 수 있는 세포, 보통 뉴런에는 다수의 입력(수상돌기)과 하나의 출력(축색돌기)이 있다. 사람의 뇌는 대략 1,012개의 뉴런을 포함한다. 또한 입력 신호들의 가중합을 계산하고 그 결과를 활성화 함수에 전달하여 출력을 생성하도록 하는 ANN의 기본 처리 단위기도 하다. [nn]

■ 다원주의 Darwinism 진화란 상속 가능한 특성들이 임의로 변할 수 있다는 사실과 함께 자연 선택을 통해 일어난다고 한 찰스 다윈의 이론. [ec]

■ 나중 상속 multiple inheritance 여러 상위 클래스에서 정보를 상속할 수 있는 객체 또는 프레임의 능력. [es]

■ 다증 퍼셉트론 multilayer perceptron 퍼셉트론들이 충을 형성하면서 연결되어있는 ANN의 가장 일반적인 위상 구조, 하나의 다층 퍼셉트론에는 입력층 하나 이상의 은닉층, 출력층이 있다. 다중 퍼셉트론을 훈련 시키는데 가장 많이 쓰이는 방법은 역전파 학습방법이다. [nn]

■ 단일체 singleton 퍼지 단일체를 보라. [fl]

■ 단정 assertion 추론하는 동안 얻어진 사실. [es]

■ 데몬 demon 슬롯이 연결된 프로시저. 슬롯의 값이 변하거나 요구될 때 실행된다. 데몬은 보통 IF-THEN 구조를 가지며, 종종 메소드와 동의어로 사용된다. [es]

■ 데이터 data 사실, 측정, 관찰 또는 이런 것들의 기호적인 표현. 데이터는 우리가 모으고 저장하는 것이다.

■ 데이터 레코드 data record 객체의 속성들에 대응하는 값들의 집합 데이터 레코드는 데이터베이스에서 한 행이다. 레코드라고 말한다. [dm]

■ 데이터베이스 data base 구조화된 데이터의 모음. 데이터베이스는 전문가 시스템의 기본 요소다. [es]

■ 데이터 마이닝 data mining 데이터에서 지식 추출, 또한 의미 있는 패턴과 규칙을 발견하기 위한 대규모 데이터의 조사와 분석. 데이터 마이닝의 궁극적인 목표는 지식 발견이다. [dm]

■ 데이터 시각화 data visualization 사용자가 데이터에 포함된 정보의 구조와 의미를 이해할 수 있도록 도와주는 데이터를 도표로 표현하는 것. 시각화라고도 한다. [dm]

■ 데이터 웨어하우스 data warehouse 결정을 지원하도록 설계된 수백만, 심지어 수십억 개의 데이터 레코드가 있는 큰 데이터베이스, 빠른 온라인 질의와 처리 일람을 위해 구조화되고 있다. [dm]

■ 데이터 정규화 massaging data ANN의 입력층에 데이터를 적용하기 전에 데이터를 변환하는 과정. [nn]

■ 데이터 지향 추론 data-driven reasoning 순방향 연결을 참고하라. les]

■ 데이터 클렌징 data cleansing 데이터 클리닝을 참고하라. [dm]

■ 데이터 클리닝 data cleaning 데이터베이스에서 명백한 에러를 탐지하고 수정하며 분실된 데이터를 바꾸는 과정, 데이터 클렌징이라고도 한다. [dm]

■ 델타 규칙 delta rule 훈련하는 동안 퍼셉트론의 가중치를 경신하는 절차, 델타 규칙은 뉴런의 입력에 에러와 학습률을 곱해 가중치를 수정한다. [nn]

■ 레코드 record 데이터 레코드를 참고하라. dm]

■ 루트 root 루트 노드를 참고하라. [dm]

■ 루트 노드 root node 결정 트리에서 가장 꼭대기에 있는 노드, 트리는 항상 루트에서 출발하여 각 단계마다 데이터를 새로운 노드들로 나눠가면서 아래로 점점 커진다. 루트 노드에는 전체 데이터 집합(모든 데이터 레코드)이 있고, 자식 노드에는 부모의 부분 집합이 있다. 루트라고도 한다. [dm]

■ 룰렛 칩 선택 roulette wheel selection 해 집단에서 특정 개체를 부모로 선택하는 방법으로, 선택될 확률은 해당 개체의 적합도를 채 집단 전체의 적합도로 나눈 것과 같다. [ec]

■ 리프 leaf 결정 트리에서 맨 밑에 있는 노드, 자식이 없는 노드 말단 노드라고도 한다. [dm]

■ 맥클록과 피츠의 뉴런 모델 1943년에 워렌 맥클록과 월터 피츠가 제안한 뉴런 모델, 이 모델은 여전히 대부분의 인공신경망 기초다. 이 뉴런 모델은 하드 리미터와 선형 결합기로 구성된다. 입력의 가중합을 하드 리미터에 입력하는데 입력이 양이면 +1, 음이면 -1을 출력한다. [nn]

■ 메타규칙 metarule 메타지식을 표현하는 규칙, 메타 규칙은 전문가 시스템에서 작업 중심의 규칙을 사용이기 위한 전략을 결정한다. [es]

■ 메타지식 metaknowiledge 지식에 관한 지식, 전문가 시스템에서 분야 지식의 사용과 제어에 관한 지식. [es]

■ 명제 fact 참 또는 거짓의 속성이 있는 문장 [es]

■ 목표 goal 전문가 시스템이 증명하려는 가설. [es]

■ 목표 지향 추론 goal-driven reasoning 역방향 연결을 참고[es]

■ 무감독 학습 unsupervised learning 외부 교사가 필요 없는 학습 유형. 학습하는 동안 ANN은 다수의 다른 입력 패턴을 받아서 이 패턴들의 의미 있는 특징을 발견하고, 입력 데이터를 적절한 범주로 어떻게 분류하는지 학습한다. 자기조직 학습이라고도 한다. [nn]

■ 무게 중심법 centroid technique 중심 또는 무게 중심이라는 점을 찾는 역퍼지화 방법, 찾은 점은 수직선이 통합된 집합을 무게가 똑같은 두 부분으로 가른다. [fl]

■ 메소드 method 프레임의 속성과 연관된 하나의 프로시저, 메소드는 속성값이 변할 때 속성값을 결정하거나 필요한 연속된 액션을 실행시킨다. 대부분의 프레임기반 전문가 시스템은 WHEN CHANGED와 WHEN NEEDED 두 종류의 메소드를 사용한다. 메소드와 데몬은 종종 동의어로 사용된다. [es]

■ 민감도 분석 sensitivity analysis 특정 입력에 모델의 출력이 얼마나 민감한지를 알아보는 기법. 민감도 분석은 불분명한 모델이어서 관계를 이해하는 데 쓰이고 이를 신경망에 적용할 수 있다. 민감도 분석은 한 번에 하나씩 각 입력을 최소 값과 최대 값으로 정했을 때의 출력을 보면서 수행한다. [ke]

■ 바이드 byte 현대 컴퓨터에서 주소가 있는 정보는 가장 작은 단위를 나타내는 8비트 집합. 바이트 정보는 단어의 한 문자와 같다. 1GByte는 약 1,000,000,000바이트고, 대략 소설책 1,000권을 표현할 수 있다. [ke]

■ 범주 데이터 Categorical data 소수의 이산적인 범주로 분류되는 데이터, 예를 들어, 성별(남자 또는 여자)이나 결혼 상태(독신, 이혼, 결혼, 과부)가 있다. [ke]

■ 베이즈 규칙 Bayesian rule 새로운 증거가 나타났을 때 특성 사실들의 확률 값을 생산하는 통계적인 방법. [es]

■ 베이즈 추론 Bayesian reasoning 전문가 시스템에서 불확실성을 관리하는 통계적 접근법, 증거의 베이즈 규칙에 기초하여 시스템 전체에 걸쳐 불확실성을 전파한다. [es]

■ 변이 mutation 염색체에서 유전자의 값을 임의로 바꾸는 유선 연산자. [ec]

■ 변이 확률 mutation probability 한 유전자에서 발생하는 변이 확률을 나타내는 0~1 사이의 수. [ec]

출처: https://jisanedu.tistory.com/647 [선한인공지능연구소]