인공무능님의 사용자 기여

2025년 9월 24일 (수)

• 10:592025년 9월 24일 (수) 10:59 차이 역사 −2,482 셀프 어탠션 셀프 어텐션 문서로 넘겨주기 최신 태그: 새 넘겨주기

2025년 9월 22일 (월)

• 07:232025년 9월 22일 (월) 07:23 차이 역사 +3,542 새글 가중치 감소 새 문서: 가중치 감소(Weight Decay)는 머신러닝 및 딥러닝에서 과적합(overfitting)을 방지하기 위한 정규화(regularization) 기법이다. 학습 과정에서 모델의 가중치(weight)가 지나치게 커지는 것을 억제하여, 일반화(generalization) 능력을 향상시키는 역할을 한다. ==개요== 가중치 감소는 손실 함수(loss function)에 '''가중치의 크기(weight magnitudes)''' 에 대한 '''페널티(penalty)''' 를 추가함으로... 태그: 시각 편집

2025년 9월 20일 (토)

• 00:562025년 9월 20일 (토) 00:56 차이 역사 +31 새글 체인룰 연쇄 법칙 문서로 넘겨주기 최신 태그: 새 넘겨주기 시각 편집
• 00:472025년 9월 20일 (토) 00:47 차이 역사 +1,767 새글 닫힌 꼴 도함수 새 문서: 닫힌 꼴 도함수(영어: closed-form derivative)는 어떤 함수의 도함수가 사칙연산, 거듭제곱, 지수·로그·삼각함수 등과 같은 기본 함수들의 유한한 조합으로 표현될 수 있는 경우를 말한다. 즉, 미분 결과가 무한급수, 적분 기호, 특수 함수와 같이 닫힌 꼴(closed form)로 보기 어려운 표현을 필요로 하지 않을 때 사용되는 개념이다. ==정의== 닫힌 꼴(closed form)은 수학에서 잘... 최신 태그: 시각 편집

2025년 9월 19일 (금)

• 06:492025년 9월 19일 (금) 06:49 차이 역사 −24 전치 행렬 편집 요약 없음 최신
• 06:482025년 9월 19일 (금) 06:48 차이 역사 +2,376 새글 전치 행렬 새 문서: 전치 행렬(轉置行列, transpose matrix)은 주어진 행렬의 행(row)과 열(column)을 서로 바꾼 행렬이다. 주어진 행렬 A의 전치(transpose)는 보통 A^⊤로 표기된다. ==정의== 행렬 A가 m×n 크기일 때, 전치 행렬 A^⊤는 n×m 크기를 가지며 각 성분은 다음과 같이 정의된다: *(A^⊤)_ij = A_ji 예: A = { 1 2 3 4 5 6 } → A^⊤ = { 1 4 2 5 3... 태그: 시각 편집
• 06:412025년 9월 19일 (금) 06:41 차이 역사 +85 새글 Identity function 항등 함수 문서로 넘겨주기 최신 태그: 새 넘겨주기 시각 편집
• 06:402025년 9월 19일 (금) 06:40 차이 역사 +3,714 새글 항등 함수 새 문서: 항등 함수(恒等函數, identity function 혹은 identity map)는 정의역(domain)과 공역(codomain)이 같은 집합에서 모든 원소를 자기 자신에게 대응시키는 함수이다. 즉 임의의 x에 대해 id_X(x) = x 를 만족하는 함수이다. ==정의== 집합 X에 대하여, 항등 함수 id_X: X → X 는 다음을 만족한다: *정의역과 공역이 같다. *모든 x ∈ X에 대해 id_X(x) = x. ==성질== 항등 함수는 다음과 같은 중요한... 최신 태그: 시각 편집

2025년 9월 18일 (목)

• 09:542025년 9월 18일 (목) 09:54 차이 역사 +2,546 새글 어텐션 (인공지능) 새 문서: 어텐션(Attention, 注意力機構)은 인공지능, 특히 딥러닝 기반의 자연어 처리(NLP)와 컴퓨터 비전 분야에서 중요한 정보를 강조하고 덜 중요한 정보를 줄이는 방식으로, 입력 데이터의 구성 요소들 간 관계를 가중치로 표현하여 처리하는 메커니즘이다. 인간의 주의(attention)처럼 특정 부분에 더 집중하여 효율적인 학습과 추론을 가능하게 한다. ==개요== 어텐션은 시퀀스... 최신
• 09:542025년 9월 18일 (목) 09:54 차이 역사 −2,504 어탠션 (인공지능) 어텐션 (인공지능) 문서로 넘겨주기 최신 태그: 새 넘겨주기
• 09:542025년 9월 18일 (목) 09:54 차이 역사 0 어탠션 (인공지능) 편집 요약 없음 태그: 시각 편집
• 09:522025년 9월 18일 (목) 09:52 차이 역사 +3,671 새글 GLUE 벤치마크 새 문서: GLUE 벤치마크(GLUE, General Language Understanding Evaluation)는 다양한 자연어 이해(NLU) 과제들을 모은 평가 기준으로, 여러 모델을 비교, 분석하기 위해 고안되었다. <ref>“GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding”, Wang et al., 2018, https://arxiv.org/abs/1804.07461</ref> ==정의== GLUE는 여러 개의 서로 다른 NLU 과제(task)들을 포함하며, 하나의 모델이 여러 과제에... 최신 태그: 시각 편집
• 09:512025년 9월 18일 (목) 09:51 차이 역사 +2,080 새글 QQP (인공지능) 새 문서: QQP(Quora Question Pairs)는 Quora 웹사이트에서 수집된 질문 쌍(question pairs) 데이터셋으로, 두 개의 질문이 의미적으로 중복(duplicates)인지 아닌지를 판정하는 과제이다. ==정의== QQP는 자연어 처리에서 패러프레이즈 식별(paraphrase identification) 과 유사도 판단(semantic equivalence) 과제에 사용되는 데이터셋이다. 주어진 두 질문이 의미상 같은지를 바이너리 레이블(duplicated / not du... 최신 태그: 시각 편집
• 09:462025년 9월 18일 (목) 09:46 차이 역사 +5,822 새글 비전 트랜스포머 새 문서: 비전 트랜스포머(Vision Transformer, 줄여서 ViT)는 이미지 처리를 위해 고안된 딥러닝 구조로, 전통적인 합성곱 신경망(CNN) 대신 트랜스포머(self-attention) 아키텍처를 활용하여 이미지를 “패치(patch)” 단위로 처리한다. <ref>“An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale”, arXiv:2010.11929, https://arxiv.org/abs/2010.11929</ref> ==정의== 비전 트랜스포머는 이미지를 일정... 태그: 시각 편집
• 05:402025년 9월 18일 (목) 05:40 차이 역사 +24 도함수 편집 요약 없음 최신 태그: 시각 편집
• 05:392025년 9월 18일 (목) 05:39 차이 역사 +193 새글 분류:미적분학 새 문서: 미적분학(calculus) 분류는 미분, 적분, 도함수, 편미분, 전미분 등 미적분학과 관련된 개념, 정리, 응용 분야를 다루는 문서들을 포함하는 분류이다. 최신 태그: 시각 편집: 전환됨
• 05:382025년 9월 18일 (목) 05:38 차이 역사 +2,225 새글 미적분학 새 문서: 미적분학(微積分學, 영어: calculus)은 함수의 극한을 바탕으로 변화율을 다루는 미분(differentiation)과 면적·누적량을 다루는 적분(integration)을 연구하는 수학의 한 분야이다. 자연 현상과 공학적 문제를 정량적으로 분석하는 데 널리 활용되며, 현대 수학의 기초적인 학문으로 자리 잡고 있다. ==개요== 미적분학은 17세기 아이작 뉴턴과 고트프리트 라이프니츠에 의해 체... 최신 태그: 시각 편집
• 05:362025년 9월 18일 (목) 05:36 차이 역사 +1,857 새글 전미분 새 문서: 전미분(全微分, 영어: total derivative)은 다변수 함수의 모든 변수에 대한 미소 변화를 고려하여 함수 전체의 변화율을 나타내는 개념이다. 편미분이 한 변수만 변화시켜 계산하는 미분이라면, 전미분은 모든 독립 변수들의 변화를 동시에 반영한다. ==개요== 전미분은 다변수 함수 f(x₁, x₂, …, xₙ)의 입력값이 작은 변화(Δx₁, Δx₂, …, Δxₙ)를 가질 때, 함수 f의... 최신 태그: 시각 편집
• 05:342025년 9월 18일 (목) 05:34 차이 역사 +1,954 새글 미분 새 문서: 미분(微分, 영어: differentiation)은 함수의 순간 변화율을 구하는 연산 또는 과정이다. 주어진 함수의 입력값이 변할 때 출력값이 어떻게 변하는지를 분석하는 방법으로, 그 결과로 얻어지는 함수는 도함수(derivative)라 한다. ==개요== 미분은 함수의 극한 개념을 기반으로 하며, 곡선의 접선의 기울기를 계산하는 수학적 도구이다. 이는 물리학에서 속도와 가속... 최신 태그: 시각 편집
• 05:332025년 9월 18일 (목) 05:33 차이 역사 +1,898 새글 편미분 새 문서: 편미분(偏微分, 영어: partial differentiation)은 다변수 함수에서 한 변수만을 독립적으로 변화시켜 구하는 미분이다. 즉, 다른 변수들은 고정한 채 특정 변수에 대해서만 변화율을 계산하는 과정이다. ==개요== 단변수 함수의 경우 미분은 입력이 변할 때 출력이 변하는 순간 변화율을 구한다. 반면, 다변수 함수에서는 여러 독립 변수가 존재하므로 전체 변화율을 각각의... 최신 태그: 시각 편집
• 05:302025년 9월 18일 (목) 05:30 차이 역사 +6 합성 함수 편집 요약 없음 최신 태그: 시각 편집
• 05:302025년 9월 18일 (목) 05:30 차이 역사 +2,034 새글 합성 함수 새 문서: 합성 함수(合成函數, 영어: composite function)는 두 개 이상의 함수를 연결하여 만든 함수이다. 하나의 함수의 출력값을 다른 함수의 입력값으로 사용하는 방식으로 정의된다. ==정의== 두 함수 f, g가 있을 때, g의 정의역에 속하는 x에 대하여 g(x)가 f의 정의역에 속하면 합성 함수 f∘g를 정의할 수 있다. :(f∘g)(x) = f(g(x)) 즉, x에 대해 먼저 g(x)를 적용하고, 그 결과를 f에 대... 태그: 시각 편집
• 05:252025년 9월 18일 (목) 05:25 차이 역사 +1,552 새글 연쇄 법칙 새 문서: 연쇄 법칙(連鎖法則, 영어: chain rule)은 미적분학에서 합성 함수의 도함수를 구하는 공식이다. 두 함수의 합성으로 이루어진 함수가 있을 때, 그 도함수는 각 함수의 도함수를 곱한 형태로 나타낼 수 있다. ==개요== 연쇄 법칙은 "합성 함수의 미분은 내부 함수의 도함수와 외부 함수의 도함수의 곱"이라는 개념을 바탕으로 한다. 함수가 여러 단계로 연결되어 있을... 최신 태그: 시각 편집
• 05:232025년 9월 18일 (목) 05:23 차이 역사 +2,203 새글 도함수 새 문서: 도함수(導函數, 영어: derivative)는 함수의 입력값이 변할 때 그 함수의 출력값이 변하는 정도를 나타내는 함수이다. 즉, 주어진 함수의 변화율을 다른 함수의 형태로 표현한 것으로, 미분의 기본 개념 중 하나이다. * 미분(differentiation)은 어떤 함수에 도함수(derivative)를 구하는 과정이고, * 도함수(derivative)는 그 결과로 얻어진 함수이다. ==개요== 도함수는 함수의 순간... 태그: 시각 편집

2025년 9월 15일 (월)

• 11:032025년 9월 15일 (월) 11:03 차이 역사 +3,409 새글 TeX 새 문서: TeX(텍, 또는 테크)는 도널드 크누스(Donald Knuth)가 개발한 고급 조판 시스템으로, 복잡한 수학식과 정밀한 문서 형식을 표현하기 위해 설계된 프로그래밍 가능한 조판 언어이다. ==개요== TeX는 1978년 도널드 크누스가 수학 및 과학 논문의 조판 품질을 개선하기 위해 개발하였다. 기존 조판 시스템이 고급 수식 표현이나 정밀한 레이아웃을 지원하지 못하던 한계를 극복... 최신 태그: 시각 편집
• 11:022025년 9월 15일 (월) 11:02 차이 역사 +3,317 새글 LaTeX 새 문서: LaTeX(라텍 또는 레이텍)은 주로 과학, 수학, 공학 분야에서 널리 사용되는 고품질 조판 시스템으로, 특히 수식 표현에 강력한 기능을 제공하는 문서 준비 시스템이다. ==개요== LaTeX는 원래 레슬리 램포트(Leslie Lamport)가 도널드 크누스(Donald Knuth)의 TeX 조판 시스템을 기반으로 개발한 매크로 패키지이다. TeX의 강력한 기능을 보다 쉽게 사용할 수 있도록 설계되어, 사용... 태그: 시각 편집
• 11:002025년 9월 15일 (월) 11:00 차이 역사 +2,466 새글 아핀 변환 새 문서: 아핀 변환(Affine transformation)은 선형 변환과 평행 이동을 조합한 기하학적 변환이다. 벡터 공간에서의 점, 선, 도형 등을 변환할 때 직선성, 평행성, 비율 등을 보존한다. ==정의== 아핀 변환은 한 점 x에 대해 다음과 같은 형태로 표현된다. y = A * x + b 여기서 A는 선형 변환 행렬이며, b는 이동 벡터이다. 즉, 선형 변환 뒤에 평행 이동이 적용되는 구조이다. 아핀 변환은... 최신 태그: 시각 편집

2025년 9월 12일 (금)

• 12:492025년 9월 12일 (금) 12:49 차이 역사 +4,983 새글 Dying ReLU 새 문서: '''Dying ReLU'''은 인공신경망에서 ReLU(Rectified Linear Unit) 활성 함수가 일부 혹은 많은 뉴런(neuron)에 대해 학습 과정 중 거의 항상 0만 출력하게 되어, 해당 뉴런이 사실상 “죽은(dead)” 상태가 되는 현상이다. ==정의== ReLU 활성 함수는 입력이 양수일 때는 입력값을 그대로 반환하고, 음수일 때는 0을 반환한다. 즉, :f(x) = max(0, x) 이다. Dying ReLU 문제는 뉴런의 선형 조합 w·x... 최신 태그: 시각 편집

2025년 9월 11일 (목)

• 03:582025년 9월 11일 (목) 03:58 차이 역사 +2,234 새글 안장점 (인공지능) 새 문서: 안장점(saddle point)은 머신러닝 및 딥러닝에서 사용하는 손실 함수의 최적화 과정에서 등장하는, 기울기(gradient)가 0이지만 지역 최소값이나 지역 최대값은 아닌 지점을 가리킨다. 고차원 파라미터 공간에서는 지역 최소값보다 안장점이 훨씬 많아 최적화 경로에서 더욱 큰 영향을 미친다. ==정의== 안장점은 수학적으로, 모든 방향에서 함수의 기울기가 0(정칙점)인 지... 최신 태그: 시각 편집
• 03:572025년 9월 11일 (목) 03:57 차이 역사 +2,742 새글 지역 최소값 (인공지능) 새 문서: 지역 최소값(local minima)은 머신러닝 및 딥러닝에서 사용하는 손실 함수(loss function)의 매개변수 공간(parameter space) 내에서, 해당 점 근방에서는 손실 값이 최소인 지점을 가리키는 개념이다. 최적화를 통해 모델이 도달하는 위치가 전역 최소값이 아니더라도, 이러한 지역 최소값이 될 수 있다. ==정의== 수학적으로 f가 실수값 함수일 때, 점 x₀가 지역 최소값이라는 것... 최신 태그: 시각 편집
• 03:282025년 9월 11일 (목) 03:28 차이 역사 +2,565 새글 학습률 스케줄링 새 문서: 학습률 스케줄링(learning rate scheduling)은 머신러닝 및 딥러닝 모델의 학습 과정에서 학습률을 시간 경과나 손실 함수의 상태에 따라 동적으로 조정하는 전략을 의미한다. 학습률은 최적화 성능에 큰 영향을 미치므로, 정적인 값 대신 변화하는 학습률을 사용하면 더 빠르고 안정적인 수렴을 유도할 수 있다. ==개요== 학습률은 경사 하강법 기반 최적화 알고리즘에서 파... 최신 태그: 시각 편집
• 03:212025년 9월 11일 (목) 03:21 차이 역사 +2,234 새글 학습률 (인공지능) 새 문서: 학습률(learning rate)은 머신러닝 및 딥러닝에서 모델의 매개변수를 업데이트할 때 사용하는 보폭(step size)을 결정하는 하이퍼파라미터이다. 학습률은 손실 함수의 기울기에 곱해져 파라미터 갱신의 크기를 조절하는 역할을 한다. ==정의 및 역할== 학습률은 최적화 알고리즘이 손실 함수를 최소화하기 위해 파라미터를 얼마나 크게 변경할지를 정하는 계수이다. 학습률... 최신 태그: 시각 편집
• 03:202025년 9월 11일 (목) 03:20 차이 역사 +42 새글 러닝 레이트 학습률 (인공지능) 문서로 넘겨주기 최신 태그: 새 넘겨주기 시각 편집
• 03:192025년 9월 11일 (목) 03:19 차이 역사 +42 새글 러닝레이트 학습률 (인공지능) 문서로 넘겨주기 최신 태그: 새 넘겨주기 시각 편집
• 03:192025년 9월 11일 (목) 03:19 차이 역사 +2,620 확률적 경사 하강법 편집 요약 없음 최신 태그: 시각 편집
• 03:142025년 9월 11일 (목) 03:14 차이 역사 +2,529 새글 배치 경사 하강법 새 문서: 배치 경사 하강법(Batch Gradient Descent)은 머신러닝 및 딥러닝 모델에서 손실 함수를 최소화하기 위해 전체 훈련 데이터를 사용해 한 번에 기울기를 계산하고 파라미터를 갱신하는 최적화 방법이다. ==개요== 배치 경사 하강법은 경사 하강법의 가장 기본적인 형태로, 전체 훈련 데이터를 대상으로 손실 함수의 그래디언트를 계산한 후 이를 바탕으로 파라미터를 갱신한... 최신 태그: 시각 편집
• 03:052025년 9월 11일 (목) 03:05 차이 역사 +2,687 새글 미니배치 경사 하강법 새 문서: 미니배치 경사 하강법(Mini-Batch Gradient Descent)은 머신러닝 및 딥러닝에서 전체 훈련 데이터를 일정한 크기의 소규모 집합으로 나눈 후, 각 집합(미니배치)을 사용하여 손실 함수의 기울기를 계산하고 파라미터를 갱신하는 최적화 알고리즘이다. ==개요== 미니배치 경사 하강법은 배치 경사 하강법과 확률적 경사 하강법(SGD)의 절충안으로, 계산 효율성과 수렴 안정성 사... 최신 태그: 시각 편집
• 03:042025년 9월 11일 (목) 03:04 차이 역사 +2,489 새글 확률적 경사 하강법 새 문서: 확률적 경사 하강법(Stochastic Gradient Descent, SGD)은 머신러닝 및 딥러닝에서 손실 함수를 최소화하기 위해 훈련 데이터 중 하나의 샘플만을 사용하여 매개변수를 업데이트하는 최적화 알고리즘이다. ==개요== 확률적 경사 하강법은 경사 하강법의 변형 기법으로, 전체 데이터셋이 아닌 단일 샘플을 기준으로 손실 함수의 기울기를 계산하고 그 결과를 즉시 반영해 파라... 태그: 시각 편집
• 03:032025년 9월 11일 (목) 03:03 차이 역사 +2,438 새글 경사 하강법 새 문서: '''경사 하강법(Gradient Descent)'''은 머신러닝 및 딥러닝에서 손실 함수의 값을 최소화하기 위해 매개변수를 반복적으로 갱신하는 최적화 기법이다. ==개요== 경사 하강법은 손실 함수의 기울기, 즉 그래디언트(gradient)를 계산하여, 그 반대 방향으로 파라미터를 이동시킴으로써 손실 값을 점차 줄여 나가는 방식이다. 함수의 기울기가 0에 가까워질수록 최솟값에 수렴하... 최신 태그: 시각 편집
• 03:012025년 9월 11일 (목) 03:01 차이 역사 +34 새글 경사하강법 경사 하강법 문서로 넘겨주기 최신 태그: 새 넘겨주기 시각 편집
• 02:492025년 9월 11일 (목) 02:49 차이 역사 +2,368 새글 배치 (인공지능) 새 문서: 배치(Batch)는 딥러닝 또는 머신러닝 모델 훈련 시, 한 번의 가중치 갱신을 위해 처리하는 데이터 샘플의 묶음을 의미하는 하이퍼파라미터이다. ==정의== 배치 크기(batch size)는 모델에 입력되어 순전파(forward pass)와 역전파(backward pass)를 통해 한 번의 가중치 업데이트가 이루어지기 위해 처리하는 훈련 샘플의 수를 나타낸다. 즉, 한 iteration에서 사용되는 데이터의 개수... 최신 태그: 시각 편집
• 02:472025년 9월 11일 (목) 02:47 차이 역사 +2,248 새글 에포크 (인공지능) 새 문서: 에포크(epoch)는 머신러닝 또는 딥러닝 모델 학습에서 '''전체 훈련 데이터를 한 번 전부 신경망에 통과시켜 처리하는 과정'''을 의미하는 하이퍼파라미터이다. ==정의== 에포크(epoch)란 훈련 데이터 전체를 한 번 모델에 입력하여 순전파와 역전파를 통해 가중치를 업데이트하는 과정을 말한다. 즉, 데이터셋 전체가 한 차례 네트워크를 통과하는 시점 하나를 에포크 하... 최신 태그: 시각 편집
• 01:562025년 9월 11일 (목) 01:56 차이 역사 +2,010 새글 리키 렐루 새 문서: 리키 렐루(Leaky ReLU)는 입력값이 음수일 때에도 완전히 0이 되지 않고, 작은 기울기를 유지하는 활성화 함수이다. 이 함수는 딥러닝에서 흔히 사용되는 ReLU(Rectified Linear Unit)의 변형으로, '죽은 뉴런(dying neuron)' 문제를 완화하기 위해 제안되었다. ==정의== 리키 렐루는 입력값 x가 0보다 크면 x 그대로 출력하고, 0 이하일 경우 작은 기울기를 곱한 값(예: 0.01 × x)을 출력하... 최신 태그: 시각 편집
• 01:472025년 9월 11일 (목) 01:47 차이 역사 +102 멀티 레이어 퍼셉트론 편집 요약 없음 최신 태그: 시각 편집
• 01:462025년 9월 11일 (목) 01:46 차이 역사 +144 새글 파일:멀티 레이어 퍼셉트론 구조.png 편집 요약 없음 최신
• 01:272025년 9월 11일 (목) 01:27 차이 역사 +47 새글 다층 퍼셉트론 멀티 레이어 퍼셉트론 문서로 넘겨주기 최신 태그: 새 넘겨주기 시각 편집
• 01:262025년 9월 11일 (목) 01:26 차이 역사 +1,999 새글 멀티 레이어 퍼셉트론 새 문서: 멀티 레이어 퍼셉트론(Multi‑Layer Perceptron, MLP)은 입력층, 하나 이상의 은닉층 및 출력층으로 구성된 완전 연결(feedforward) 인공 신경망이다. ==구조== MLP는 최소 세 개의 층, 즉 입력층, 하나 이상의 은닉층(hidden layer), 그리고 출력층(output layer)으로 구성된다. 각 은닉층과 출력층의 뉴런은 이전 층의 모든 뉴런과 완전하게 연결되어 있다. ==활성화 함수== MLP에서는 각 뉴... 태그: 시각 편집

2025년 9월 10일 (수)

• 04:212025년 9월 10일 (수) 04:21 차이 역사 −73 신경-기호 인공지능 편집 요약 없음 최신 태그: 시각 편집
• 04:212025년 9월 10일 (수) 04:21 차이 역사 +4,037 새글 신경-기호 인공지능 새 문서: 신경‑기호 인공지능(英: Neuro‑symbolic AI)은 인공신경망 기반 학습 방식과 기호 기반 논리 추론 방식을 통합하여, 두 접근의 장점을 결합하고 단점을 보완하기 위해 개발된 하이브리드 인공지능 접근법이다. ==개요== 신경‑기호 인공지능은 딥러닝의 패턴 인식 능력과 기호 기반 AI의 논리적 추론 및 설명 가능성을 결합한 시스템을 지향한다. 이 접근은 두 사고 체계... 태그: 시각 편집
• 03:562025년 9월 10일 (수) 03:56 차이 역사 +4,192 새글 인공지능 세대 구분 새 문서: 인공지능의 세대 구분은 인공지능 기술의 발전 단계를 시대적 흐름과 기술적 특징에 따라 구분한 체계로, 대표적으로 5단계로 나뉜다. 각 세대는 특정한 철학적 접근 방식, 구현 기술, 상징적 사건과 한계를 중심으로 정의된다. ==1세대 (1960년대–1980년대): 기호 기반 인공지능== *'''핵심 개념''': 인간의 지능은 기호(symbol)의 조작과 논리적 규칙을 통한 지식 인코딩으... 최신 태그: 시각 편집