pizzaplanet

Feature Extraction 피쳐는 예측모델에 들어갈 데이터이다. 예측을 위해서 데이터를 입력할 때 Raw Data가 아닌 Feature를 입력해야 한다.쉽게 예를 들면 게임 내에서 무언가를 예측한다고 하자.Raw Data는 각 유저의 접속시간 종료시간이 있을때 이 두개를 이용(종료시간-접속시간)하여 플레이 시간 예측모델에 Feature로 입력하는 것.이 외에도 각 유저의 총 log 갯수 등을 Feature로 이용할 수도 있다.또 다른 예로 들자면 Raw Data로 각 생선의 이미지를 준다면 Feature는 이미지 속 생선의 색, 가로길이 등이 될 수 있다. 클래스 내 변동성: 같은 클래스에 속한 오브젝트간의 차이를 일컫는다. 클래스 간 변동성 - 서로 다른 클래스의 오브젝트 차이를 일컫는다. St..

게임을 예로 들어서 보자면 지금까지 포스팅은 플레이어가 1명이었을 때였다.이제는 플레이어가 2명이고 서로 적대적인 관계일때의 Search에 대하여 알아보자. Adversarial Search 적대적인 관계가 존재할 때 적대적 관계의 행동을 미리 고려하여 결정을 내리는 Search이다. 팩맨을 예로 들면 팩맨이 food만 먹는게 아니라 Ghost의 행동도 고려해야하는 것. Ghost가 똑똑하게 나를 향해 올수도, 멍청하게 혼자 이리저리 움직이기만 할 수도 있으나 어쨋든 Ghost의 Action을 고려하여 팩맨의 Action을 취해야 한다. 간단하게 Zero-Sum Game이라 생각하면 된다. Minmax Values 간단하게, 나는 Max 값을 취하고 상대는 내 입장에서의 Min 값을 취한다. 상대가 내 ..

Local Search Local search: 더 나아질 수 없을 때까지 search 하는 것이며 fringe를 쓰지 않는다.New successor: 로컬을 다른 지점으로 변경한다.속도도 빠르고 메모리도 적게 잡아먹으나 해를 찾았다고 해서 optimal하지는 않을 수 있다. Hill ClimbingSimple, general idea:- 아무 곳에서나 시작한다.- 반복: 가까운 곳에서 현재 위치보다 나은 곳이 있다면 그 곳으로 이동하고 나은 곳이 없다면 종료한다. 로컬을 어디서 시작하느냐에 따라 도달하는 Goal 지점이 달라진다. 그림상의 current state에서 시작한다면 local maximum에 도달하여 global maximum은 찾지 못하고 끝나게 된다.

중간 점검 데이터 데이터는 2018.04.19.11.41.16부터 쌓아지고 있다. 그 전에도 수집을 시작하였지만 안정적으로 수집이 되지않아 데이터로 활용이 불가능하다. 이제 19일째 되는 날인데 작성중인 현재를 기준으로 약 374MB이다.그래도 한달은 모으고 돌려야 정말정말 최소한의 자격을 갖춘 데이터가 되지 않을까싶다. 사실 한달도 정말 적은 데이터라 생각한다.Tick 1개당 1 row인데 row 값은 모르겠다. 약 160MB 즈음에 약 227만 row 였으니 374MB는 약 530만 row이지 않을까. 무엇을 예측할 것인가 데이터를 활용한 가격예측에도 다양한 골 지점이 있다. 다양한 골 지점이란것은 '가격 예측'이 다양한 의미를 가지고 있다는 뜻. 예를 들면(1) 미래 그래프 예측(2) x시간이 지나..

Constraint Satisfaction Problems - search problems의 special subset- State는 도메인 D의 값을 가진 변수 에 의하여 정의된다.- Goal test는 변수의 하위 집합에 허영되는 값의 조합을 지정하는 제약 조건 집합. 아 인공지능 배우면서 느끼는건 말이 더 어렵다. 해보는게 더 쉬운 접근법이다. CSP Examples Variables: WA, NT, Q, NSW, V, SA, T Domains: D = { Red, Green, Blue } Constraints: 인접한 지역은 서로 다른 색이여야 한다.Implicit: Explicit: Solutions: 모든 Constraints를 충족시키는 것이며 솔루션은 유니크 하지 않을 수 있다.(솔루션이 ..

A* Search전혀 새로울 것이 없는 탐색 방법이다.2018/05/04 - [Artificial intelligence] - Uninformed Search and Informed Search2018/05/04 - [Artificial intelligence] - 탐욕 탐색 Greedy Search실제 거리 + 예측거리식을 이용하는데 이 두가지를 섞은 것이 A* Search이다. Combining UCS and Greedy - Uniform-cost orders by path cost, or backward cost g(n)- Greedy orders by goal proximity, or forward cost h(n) A* Search orders by the sum: f(n)=g(n)+h(n)만약..

Greedy Search 휴리스틱h(x) 가 가장 작은 노드부터 확장해 나가는 것이다. 이 휴리스틱 값은 우리가 입력 혹은 설정해주어야 하는 값이다. Arad -> Bucharest 상황을 가정해보자.우측 Red Box는 각 노드에서 Bucharest까지의 휴리스틱을 나열해놓은 것이다.Arad에서 Bucharest까지의 휴리스틱은 366, Bucharest에서 Bucharest까지의 휴리스틱은 0.다시 짚고 넘어가야 할 것은 휴리스틱은 real cost 즉, 실제 거리가 아닌 예상 거리이다.Arad와 닿아있는 노드는 Zerind, Sibiu, Timlsoara 3가지. Rad Box를 참고하면h(Zerind)=374h(Sibiu)=253h(Timlsoara)=329이 3가지중 가장 작은 값을 가진 Sib..

Heuristics 간단하게는 A노드에서 B노드까지 가는 예상 거리를 휴리스틱이라 할 수 있다.이 휴리스틱은 실제값보다 작거나 같아야(h