매트릭스 컴퓨터 과학 Flashcards
(86 cards)
1
Q
머신러닝이란?
A
자기자신을 만드는 기술
이 세상에서 완전히 새로운 존재
다른 인공물을 설계하는 인공물
2
Q
호모 사피엔스는
A
자신을 세상에 맞추는 대신 세상을 자기에게 맞춘 종이다
3
Q
머신러닝은 블랙박스인 이유
A
그 안의 알고리즘을 이해하는
사람이 없다. 기계가 직접 작성했기 때문.
4
Q
머신러닝 분야의 5종족
A
기호주의자
연결주의자
진화주의자
베이즈주의자
유추주의자
5
Q
기호주의자의 마스터 알고리즘
A
역연역법 inverse deduction
6
Q
연결주의자의 마스터 알고리즘
A
역전파 backpropagation
7
Q
진화주의자의 마스터 알고리즘
A
유전자 프로그래밍
8
Q
베이즈주의자의 마스터 알고리즘
A
베이즈 추정 Bayesian inference
9
Q
유추주의자의 마스터 알고리즘
A
서포트 벡터 머신
10
Q
보통 알고리즘과 머신러닝의 차이
A
알고리즘은 데이터를 넣으면 결과 출력
머신러닝은 데이터와 결과를 넣으면 과정을 출력
11
Q
머신러닝은 ??와 비슷하다
A
농사 (씨앗 물과 양분) 과정은 몰라
12
Q
최초의 튜링식 컴퓨터 만든 사람
A
독일의 콘라트 추체 1941
Z3
13
Q
튜링이 만든 암호해독 기계
A
콜로서스
14
Q
컴퓨터과학의 시초는 바로 ‘???에서 엿볼 수 있다
A
괴델의 불완전성 정리(Goedel’s incompleteness theo-rems)’에 대한 앨런 튜링의 증명
15
Q
1928년 수학자 ????는 ‘원칙적으로 수학의 모든 문제를 순서대로 해결할 수 있는 일반적인 기계적 절차가 있는가’라는 문제를 제기했다. 이는 모든 수학을 풀 수 있는 알고리즘이 존재하는가에 대한 질문이며, 수학의 추론과정에서 기계적 패턴을 찾으면, 자동으로 수학의 모든 사실을 풀 수 있을 거라는 생각이었다.
A
다비트 힐베르트
하지만 1931년 쿠르트 괴델은 불완전성 정리를 통해 그것이 불가능함을 증명했다. 이 정리는 “기계적 방식만으론 수학의 모든 사실을 만들어 낼 수 없다”는 내용인데, 아무리 추론규칙들을 잘 만들어도, 기계적인 방식만으론 참인지 거짓인지 판단할 수 없는 명제가 항상 존재한다는 증명이었다.
16
Q
1936년 앨런 튜링은 <????라는 논문에서 튜링기계라는 가상의 기계를 구현하여 기계적인 방식을 적용해 괴델의 불완전성 정리를 증명한다.
A
계산 가능한 수와 결정문제의 응용에 관하여(On Computable Numbers, with an Application to the Entscheidungsproblem)>
튜링은 이 증명에서 간단한 기계부품들을 통해 하나의 특별한 기계를 만드는데 이것이 바로 ‘보편만능의 기계(Universal Machine)’였다.
17
Q
거듭 강조하지만, 자연선택은 기본적으로는 경쟁 논리가 아니에요. 자연선택이나 적자생존을 경쟁 논리와 연관시켜 이해하면 안 됩니다. 자연에서 경쟁이란 환경 급변에 대처할 수 있도록 자기 안에 다양성을 최대한 많이 확보하는 것을 가리킵니다. 일정한 범위에서 자원이 제한되어 있끼 때문에 다른 누구나 다른 종과 경쟁하는 것이 불가피하긴 하지만 그건 핵심 문제가 아니에요. 자기 안에 최대치의 다양성, 정보 풀 또는 데이터베이스를 확보하는 것이 관건입니다. 누구 말?
A
서울대 철학과 김재인
18
Q
존 설은 튜링 테스트를 통과한 인공지능을 ??라 불렀다
A
강인공지능
19
Q
인간의 마음은 해석되지 않은 기호들 이상의 것을 가지고 있다. 인간의 마음은 기호에 의미를 부착한다. 누구?
A
존 설
20
Q
스튜어트 러셀과 피터 노빅은 인공지능을 정의하기 위해 ??라는 개념 도입
A
지능적 에이전트
에이전트는 인간 기계 관계없이 “행하는 자”를 가리킴
21
Q
??은 본질적으로 “문제들”이고 합리적 에이전트는 이에 대한 “해답들”이다.
A
과제 환경들
22
Q
알고리즘의 어원
A
9세기 페르시아 수학자
알콰리즈미의 이름
대수학의 아버지
23
Q
신경세포도 없는 아메바는 외부의 표상 따위가 없다. 이 단세포 생물은 주변 환경의 어떤 상태가 유발한 요인에 의해 자기 역동성으로 인한 구조변화, 즉 내부 원형질이 화학적 반응에 의해 이쪽저쪽으로 흘러 떠밀렸을 뿐이다. 이를 ‘????’이라 부른다.
A
섭동(攝動)작용(perturbation)
24
Q
인과의 어원
A
산스크리트어 hetu-phala
25
tautology
동어반복
또는 서로 연결된 명제들의 모임
26
설명이란? 적절한 토톨로지 위에 기술을 얹어 기술들 간의 연결고리 부여. 베이트슨은 이를 ???라 불러
Mapping
27
튜링이 강조했듯이 컴퓨터가 본질상 ??가 아니라는 말은, 기호가 다양한 방법으로 실현가능함(multiple realizability)을 암시한다
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드
전기적 장치
컴퓨터를 전기 부품으로 제작하는 것은 단지 그것이 실용적이고 저렴하기 때문이다.
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
28
????은 컴퓨터가 정의상 생각할 수 있다고 주장한다.
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
기호체계 가설
강한 기호체계 가설은 (그 정의상) 컴퓨터만 생각할 수 있다는 주장이다
29
이 두 번째 가설에 따르면, 컴퓨터를 제외한 어떤 인공물도 생각할 수 없으며, 게다가 자연적으로 발달한 기관—지구의 것이든, 외계의 것이든—이 생각할 수 있는 능력을 갖춘다면, 그것은 정밀 검사를 통해 컴퓨터로 판명된다. 무엇?
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
강한 기호체계 가설
이 가설에 따르면, 인간의 마음은 보편적 기호체계이며, 인간의 모든 사고는 근본적으로 기호조작으로 이루어져 있다
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
30
기호체계 가설의 증거를 확보하는 가장 직접적인 방법은
우리가 머리를 써서 해내는 과제를 컴퓨터가 수행하도록 프로그램하는 것이다
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
리디에서 자세히 보기: https://ridibooks.com/books/852000759
31
범용 문제해결 프로그램
GPS
32
사실 GPS 문제해결의 대부분은 프로그램이 아니라 ???에 의해 이루어진다.(이 불만사항은 지금까지의 모든 인공지능 프로그램에 대해서도 제기될 수 있다.)
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
프로그래머
33
????가 말하길, “엄청난 다양성 속에서 연관 정보를 선별하는 문제는 중요한 사안이다! 왜냐하면 각각의 ‘사실’은 어떻게 사용해야 하고 언제 사용해선 안 되는지에 대한 ‘메타–사실’을 필요로 하기 때문이다
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
민스키
34
지나치게 낙관적인 태도로 미래를 이야기한다며 인공지능 연구원들을 혹평하는 것은 본질적으로 그들이 깊이 간직한 열정을 비난하는 일이다. 열정이 없으면, 과학은 희망을 잃는다. 뛰어난 젊은 과학자들이 인공지능 연구에 뛰어들어 모든 중요한 문제들이 10년, 20년 안에 해결될 것이라고 확신을 갖는 건 좋은 일이다. 그리고 그들이 환상에 더 오래 사로잡혀 있을수록 더 좋다.(최소한 인공지능을 향한 탐구심이 좋은 것이라고 믿는 한에서.) 나는 외부의 관찰자로서 성공에 대한 호사스러운 믿음을 마음껏 즐기고 있다.
누구?
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
35
“인공지능이 가장 큰 어려움을 겪고 있는 분야는 ??을 프로그래밍하는 것이다.”라고 슈들루의 제작자인 테리 위노그래드는 썼다.
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
상식
“오래전부터 인식되어 왔듯이 프로그램이 난해한 형식 연산을 수행하는 것이 개의 상식을 표현하는 것보다 훨씬 쉽다.”
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
36
???’는 논리학자들이 실질함언(material implication)104이라고 부르는 것의 기호다. ‘??’는 일반적으로 영어로는 ‘if–then’(만약–그렇다면)이나 ‘함축한다’로 읽는다
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
‘⊃
37
나는 ‘???’는 말의 의미가 인식론에서 가장 어려운 문제 중 하나라고 앞서 언급했다.
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
X가 Y를 야기한다
38
설은 전문적 용어 몇 가지를 써서 자신의 근본적인 요점을 표현한다. 기호조작 장치는 오직 ????만 숙달했으며, ???의 숙달만으로는 의미론(semantics)을 익히기에 미흡하다는 것이다.
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
구문론(syntax)
39
존 설의 중국어 방 논증의 요지
인간 조작자가 정확히 동일한 조작을 수행할 수 있지만, 그렇다고 X를 이해하지도 Y를 믿지도 Z를 생각하지도 못한다는 사실을 확인했듯이 말이다.
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
리디에서 자세히 보기: https://ridibooks.com/books/852000759
40
인간 조작자가 정확히 동일한 조작을 수행할 수 있지만, 그렇다고 X를 이해하지도 Y를 믿지도 Z를 생각하지도 못한다는 사실을 확인했듯이 말이다. 무슨 얘기?
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
중국어방 논즌
41
??은 큰 파장을 불러일으켰고, 이따금씩 사람들을 격분시켰다. 인공지능 연구원들은 대체로 이 논증에 짜증이 나 있다. 그들에겐 일종의 속임수처럼 보이기 때문이다.
계산하는 기계는 생각하는 기계가 될 수 있을까? | B. 잭 코플랜드 저
중국어 방 논증
42
아리스토텔레스의 논리학은?
정언 삼단논법
전제 둘 결론 하나
43
현대 논리학의 아버지
프레게
“개념 표기법” 현대논리학을 만든 책
44
프레게의 새로운 논리학은
??논리와 ??논리로 이루어져 있다
문장 논리
술어 논리
45
술어 논리로 김구는 사람이다를 표현하면
H(k)
k = 김구
H(x) = ..는 사람이다
46
괴델의 불완전성 원리와 튜링의 멈춤 문제 해결 불가능성 정리를 이해하려면
??을 이해해야
칸토어의 집합론 (대각선 방법)
47
칸토어가 집합론 발명한 이유
무한을 수학적으로 엄밀하게 다루기 위해
48
칸토어가 집합론으로 증명한 것은
작은 무한도 큰 무한도 있다
(무한을 완결된 것으로 파악하면 무한에도 크기 차이가 있다)
49
아리스토텔레스가 말한 실제 무한이란?
완결된 무한
50
아리스토텔레스는 무한을 어떻게 구분?
잠재무한 (이해 가능)
실제무한 (기독교에서는 신을 실제무한한 존재이며 인간은 이를 이해할 수 없다)
51
멱집합이란?
모든 부분집합을 원소로 갖는 집합
52
A의 멱집합의 원소 개수
2의 n제곱
(n은 A의 원소수)
53
칸토어는 실수의 집합의 원소 개수가 ??라는 걸 증명했다
2의 n제곱
여기서 n은 자연수의 수
54
괴델수 대응이란
어떤 기호들의 열에 대해서
일대일로 하나의 수치를 부여하는 방법
55
임의의 명제는 참이거나 거짓이어야 한다
배중률
56
정신이 다른 유형의 물질과 신경에도 실현가능하다
기능주의
57
모습이 다른 두 대상을 관통하는 유사성
(스케이트보드와 자동차)
isomoprphism 동형성
호프스태터
58
자기 안에 자기외 같은 구조를 만드는 것
재귀성
59
자기지시의 예
자기자신이 포함된 진술
나는 거짓말을 한다
60
다른 방법론과 달리 인간의 뇌를 시뮬레이션 하자는 Neural Network 방법론은 성과가 나오지 않아 벌써 80년대에 한물 간 이론이었다. 그런데 결국 돌고 돌아 본질적으로 Neural Network와 다르지 않은, 인간의 뇌를 시뮬레이션하는 이론인 ???이 극적으로 살아났다는 사실 자체가, ‘정답은 결국 뇌 따라하기’라는 사실을 극명하게 드러내 주는 것임이 아닐까?
Deep Neural Network(DNN)
61
이 난리바닥을 일으킨 불꽃은 30년간 시들어가는 ‘뉴럴 네트워크’ 한우물만 파던 ?? 등의 ‘Deep Neural Network(DNN)’ 알고리즘의 발표 때문임이 거의 확실하다.
제프리 힌튼 교수, 앤드류 응 교수
62
다른 방법론과 달리 인간의 뇌를 시뮬레이션 하자는 Neural Network 방법론은 성과가 나오지 않아 벌써 80년대에 한물 간 이론이었다. 그런데 결국 돌고 돌아 본질적으로 Neural Network와 다르지 않은, 인간의 뇌를 시뮬레이션하는 이론인 ???이 극적으로 살아났다는 사실 자체가, ‘정답은 결국 뇌 따라하기’라는 사실을 극명하게 드러내 주는 것임이 아닐까?
DNN
Deep Neural Network(DNN)
63
존 설의 ???는, 생물학적 구조 같은 것이 의식에 있어 절대적이기 때문에, 오직 ‘뇌’만이 의식을 유발할 수 있다는 주장이다.
생물학적 자연주의
64
여전히 나는 존 설에 대해 부정적인데, 그 이유는 딥 뉴럴 네트워크가
실제 탄소 뉴런이나, 물리적으로 복제된 ‘규소 뉴런’이 아닌, 규소 반도체 ‘내부에서’ 소프트웨어적으로 시뮬레이션된 뉴런으로 작동하기 때문이다. (김필산)
65
왜 물리적 상호작용을 구현하는데 수학 연산이 필요한지, 그리고 그것을 수행하게 하는 데에 상위 차원의 물리적 실체가 필요한지를 최초로 깨달은 1차-존재가 바로 ??이다.
앨런 튜링
66
왜 물리적 상호작용을 구현하는데 수학 연산이 필요한지, 그리고 그것을 수행하게 하는 데에 상위 차원의 물리적 실체가 필요한지를 최초로 깨달은 1차-존재가 바로 ???이다.
앨런 튜링
놀라운 생각의 전환이다. 왜냐면 우리의 세계는 물리적 상호작용이 상위 차원의 물리적 실체 없이 이루어지고 있기 때문이다. 앨런 튜링이 수학 연산을 실제로 수행하는 무엇인가를 구상할 때, 명확한 물리적 실체인 테이프와 움직이는 헤드를 제일 먼저 떠올렸다. 튜링이 떠올린 가상의 그것은 1차-물리학의 지배를 받아 작동되며, 우리와 같은 시공간상에서 움직인다.
67
튜링 머신이 온전히 구현하는 것은 무엇이라 불러야 하는가? 그것을 지칭하는 단어는 바로 ???이다. 아랍어로부터 출발하여 영어 단어처럼 들리지도 않는 이 단어의 올바른 개념은, 내가 앞서 ‘수학 계산’이라고 부르던 것과 정확히 동일하다.
‘알고리즘’
즉, 튜링 머신은 수학 계산을 하는 알고리즘 구현 기계이다.
68
우리는 (인간의 뇌 만큼 작동하는) 인공지능을 컴퓨터로 만들 수 없다. ??? 또한 알고리즘 구현체이다. 왜냐하면, 현대의 모든 컴퓨터는 튜링 머신이기 때문이다.
DNN
Deep Neural Network
69
????라는 수학자는 유리수라는 무한집합보다 ‘더 큰’ 무한집합이 있다고 증명했다(그것은 무리수라는 무한집합이다). 어떤 무한집합보다 어떤 무한집합이 더 크다니, 범인으로서는 이해할 수 없는 세계관이다.
칸토어 (또는 칸토르)
70
수학적으로 완전히 증명된 ???는 그런 초-알고리즘이란 없다고 분명히 못박고 있다. 알고리즘은 하나 뿐이다. 그렇다면, 당연히 뇌도 알고리즘적이어야 한다. 딥 뉴럴 네트워크, 디퍼 뉴럴 네트워크, 그도 아니면 디피스트 뉴럴 네트워크(물론 모두 초-알고리즘이 아닌 일반 알고리즘으로 코딩된)가 궁극적으로 인간의 의식까지 코딩할 수 있어야 함을 어쩔 수 없이 믿어야 하는 이유이다.
튜링-처치 테제
71
수학 체계란 ‘완전한’ 것과 ‘불완전한’ 것밖에 없으며, 2차-완전이라던가 더 상위적으로 완전한 수학 체계란 존재하지 않는다. 불가피하게도, 완전한 수학 체계란 필연적으로 내적 모순을 가지고 있다. (????!) 이것이 괴델의 불완전성의 정리이다.
괴델의 ‘G’ 증명
72
유전 알고리즘은 자연계의 유전학에 바탕을 두며, 특히 ?????을 기본 개념으로 한다
다윈의 자연 선택 이론
73
NN(Neural Network)이 나오기 전까지 가장 핫했던 알고리즘이며, 인공신경망이 나오며 쇠퇴할 줄 알았으나 딥러닝에서의 초깃값을 설정할 때 쓰이는 등 아직도 중요한 역할을 하고있다.
유전 알고리즘
74
인공신경망이란, 행렬 수학을 모델로 삼아 소프트웨어적으로 인간의 뉴런 구조를 본떠 만든 기계학습 모델로 인공지능을 구현하기 위한 기술 중 한 형태이다. 이름에서 알 수 있듯이 생물의 신경망, 특히 인간의 ??을 본떠 만든 알고리즘이다
시각/청각 피질
물론 아직 기술력의 한계로 인해 진짜 인간의 뇌의 작동 방식과 비교하자면 그 알고리즘의 극히 일부만 재현할 수 있다.
75
처음부터 이렇게 유망한 분야였던 것은 아니다. 한동안 서포트 벡터 머신과 나이브 베이지안 알고리즘 등에 밀려 거의 사장되다시피 했는데, 그런 냉소적인 반응 속에서도 묵묵히 수십년간 연구를 이어온 일부 과학자들에 의해 기적처럼 다시 빛을 보게 된 특이한 케이스다
인공신경망
하드웨어 성능과 병렬 연산의 진도가 덜 나간 상태에서 처음 등장한 것이 크다. 인공신경망을 제대로 사용할 수 있는 환경이 갖춰지자 비로소 빛을 보게 된 것이다.
76
인공신경망은 수많은 '노드'들로 구성된다. 하나의 노드는
여러 함수로 이루어진 하나의 프로그램인데, 이 프로그램의 구조 자체가 뉴런을 모방한다. 그리고 각 노드를 용도별로 분리한 단위를 '층'이라고 한다. 또한 각 노드가 얼마나 많은 노드와 신호(정보)를 주고 받는지 따질 수 있는 그 연결의 수를 '망'이라 한다. 그래서 최종적으로 인공신경망이라고 하는 것이다.
77
인공 신경망이라는 단어 자체가 나타내고 있듯이 인공 신경망은 생물학적인 뇌와 큰 차이점을 보인다. 생물의 뇌, 특히 인간의 뇌는 ???이상의 세포로 구성되어있는데, 현재 2020년대 초반의 기술로는 이와 같은 수의 뉴런을 시뮬레이션 할 수 없다.
1,000억 개
78
비록 인공 신경망의 구조 자체가 생물학적인 뇌의 구조를 모사하며 시작되었으나, 뉴런의 수 말고도 구조적인 차이가 존재한다. 예를 들면
일반적인 세포는 역치 이상의 자극을 받지 않으면, 아예 반응을 하지 않고, 역치 이상의 자극을 받으면 반응을 하는 실무율 특성을 보인다.
79
이렇게 역사에 묻힐 것 같던 이 이론은 돌연 ??이라는 이름으로 화려하게 부활했다. 이는 '구시대의 산물'로 받아들여졌던 인공 신경망에 대해서 계속해서 연구를 진행했던 연구자들이 큰 진보를 이루어냈기 때문인데, 인공 신경망을 사전 훈련 해주거나, sigmoid 계열의 함수가 아니라 ReLU 계열의 함수를 쓰면 은닉층이 많아도 인공 신경망이 학습이 잘 된다는 것이 밝혀졌던 것이다.
딥러닝
80
아직 인공신경망 알고리즘은 인간 뇌의 성능의 발끝에도 미치지 못한다. 인간의 시각피질은 고작 몇백g밖에 무게가 안 되고 에너지원 역시 설탕 한 스푼만 주면 몇 시간이고 굴려먹을 수 있지만, 기계가 그 일을 하기 위해서는 집채만한 슈퍼컴퓨터로도 모자라다. 엄청 딸리는 소프트웨어의 효율을 압도적인 하드웨어로 찍어누르고 있는 셈. 도밍고스 교수의 말마따나 아직 기계학습에 대한 우리의 이해는 ??? 수준이라는 것이 정확할 것이다.
연금술
81
???은 위에서 설명한 뉴런의 수학적 모델을 일컫는 용어이기도 하고, 최초로 제안된 신경망 프로그램 알고리즘 (1957)이기도 하다.
퍼셉트론(Perceptron)
노드 자체가 수학적(함수)으로 뉴런을 모방한 것인데, 이 노드들의 묶음인 '층'으로 다시 뉴런을 모방한 구조를 퍼셉트론이라고 한다. '입력층(수상돌기), 은닉층(핵), 출력층(축삭 말단)'의 세 층로 이루어져 있다.
82
노드 자체가 수학적(함수)으로 뉴런을 모방한 것인데, 이 노드들의 묶음인 '층'으로 다시 뉴런을 모방한 구조를 퍼셉트론이라고 한다. '???의 세 층로 이루어져 있다.
입력층(수상돌기), 은닉층(핵), 출력층(축삭 말단)'
83
이러한 암흑기를 전문가들마저 이를 핵겨울에 빗대 AI 겨울(AI Winter)이라고 했을 정도. 이에 대한 대안으로 후술할 ???가 나오고 나서야 겨우 숨통이 트이게 되었다. 또한 1986년, 제프리 힌튼 교수에 의해 (오차)역전파(backpropagation) 알고리즘이 증명되어 은닉층에 비선형 함수를 사용할 수 있게 되었다.
MLP(다층 퍼셉트론)
84
본격적으로 인공신경망이라고 부르는 단계다. 단층 퍼셉트론에 대한 개선으로 노드에 비선형 함수를 사용하기 위해 입력층과 출력층 사이에 수많은 추가 층을 둔 것이 바로 ?????이다. 추가 층을 은닉층이라고 한다. 은닉층을 통해 퍼셉트론은 여러 층(Layer)을 구성하게 되며, 보통 은닉층을 1~4개 정도 둔다.
다층 (Multi Layer) 퍼셉트론
85
변종이 많지만 요즘 많이 쓰이는 딥러닝 알고리즘은 ????? 크게 세 가지로 나눠 볼 수 있다.
CNN, RNN 혹은 Transformer
86
1986년의 다층 퍼셉트론과 (오차)역전파 알고리즘을 증명, 2006년의 심층신뢰 신경망 발표로 딥러닝을 인공신경망 방법론의 대세로 굳히고 GPU 병렬연산을 업계에 대중화시킨 선구자이다.
제프리 힌튼
인공지능의 대부
