기계는 왜 학습하는가 [아닐 아난타스와미] 정리

https://www.yes24.com/product/goods/142971052

기계는 왜 학습하는가 - 예스24

"기계는 왜 학습하는가"는 과학 저술가 아닐 아난타스와미(Anil Ananthaswamy)가 쓴 책으로, 현대 인공지능(AI)과 머신러닝의 기반이 되는 핵심적인 수학적 원리들을 쉽고 흥미롭게 설명합니다. 

 

이 책의 주요 내용은 다음과 같습니다:

• 머신러닝의 수학적 기초: 선형대수, 미적분학, 확률 및 통계, 최적화 이론 등 머신러닝 알고리즘을 이해하는 데 필요한 기본적인 수학 개념들을 소개합니다. 저자는 이러한 수학적 아이디어들이 수세기에 걸쳐 발전해왔으며, 현대 AI 기술의 근간을 이룬다고 설명합니다.
• 주요 알고리즘 탐구: 퍼셉트론(Perceptron)부터 시작하여 서포트 벡터 머신(Support Vector Machines), 신경망(Neural Networks), 주성분 분석(Principal Component Analysis), 그리고 더 나아가 딥러닝과 대규모 언어 모델(LLM)에 이르기까지 다양한 머신러닝 알고리즘의 수학적 원리와 작동 방식을 설명합니다. 특히 역전파 알고리즘(backpropagation)과 보편적 근사 정리(universal approximation theorem)의 중요성을 강조합니다.
• 역사적 맥락과 인물: AI와 머신러닝 분야의 발전에 기여한 주요 연구자들과 그들의 발견에 얽힌 이야기들을 함께 소개하여, 기술 발전의 역사적 흐름을 이해하도록 돕습니다.
• 접근성 있는 설명: 복잡한 수학적 개념들을 방정식, 그래프, 시각자료 등을 활용하여 비교적 이해하기 쉽게 설명하려고 노력합니다. 독자들이 점진적으로 개념을 쌓아 올릴 수 있도록 구성되어 있습니다.
• 인공지능과 자연지능의 연결고리: 인공지능과 인간의 자연지능 사이에 어떤 수학적 연관성이 있을지에 대한 흥미로운 질문을 던지기도 합니다.
• AI의 영향력과 윤리적 고찰: 머신러닝 시스템이 대출 승인, 질병 진단, 법적 판단 등 우리 삶의 중요한 결정에 영향을 미치고 있음을 강조하며, AI의 능력과 한계를 이해하는 것이 중요하다고 말합니다. 더 나아가 AI 기술 발전이 야기하는 프라이버시, 편향성, 책임감과 같은 윤리적 문제들에 대해서도 언급합니다.

이 책의 목적은 독자들이 머신러닝과 AI 기술의 '내부'를 들여다보고, 그 핵심에 있는 수학의 아름다움과 중요성을 이해하도록 돕는 것입니다. 프로그래머나 수학자가 아니더라도 AI 기술의 원리에 관심 있는 일반 독자들도 비교적 쉽게 접근할 수 있도록 쓰였습니다. 저자는 AI가 우리 사회에 미치는 영향이 커짐에 따라, 그 기술의 기반을 이해하는 것이 점점 더 중요해지고 있다고 강조합니다.

일부 서평에서는 매우 상세한 수학적 설명이 배경지식이 없는 독자에게는 다소 어렵게 느껴질 수 있다는 지적도 있지만, 전반적으로는 복잡한 AI의 세계를 수학이라는 렌즈를 통해 명쾌하게 설명하려는 훌륭한 시도로 평가받고 있습니다.

독자 평가 및 비평

• 긍정적인 평가:
  • 복잡한 수학 개념을 일반 독자도 이해할 수 있도록 설명합니다.
  • 수학적 이론과 역사적 배경을 잘 융합하여 흥미로운 서사를 제공합니다.
  • 딥러닝의 현대적 현상에 대한 통찰을 제공합니다.
• 비판적인 시각:
  • 책의 전반부는 수학 초보자를 위한 내용이지만, 후반부는 고급 수학 지식을 요구하여 일관성이 부족하다는 지적이 있습니다.
  • 일부 독자는 책의 초반부가 다소 느리게 진행된다고 느낄 수 있습니다.

---

추천 대상 독자

• 머신러닝과 딥러닝의 수학적 기반에 관심 있는 독자
• AI의 역사와 발전 과정을 이해하고자 하는 독자
• 수학적 개념과 실제 응용 사례를 연결하여 학습하고자 하는 독자

---

[인상깊은 문장]

 

• [P286] 지금까지 알게 된 것을 요약하자면 1950년대 말과 1960년대 초에 프랭크 로젠블랫과 버나드 위드로가 단층 신경망과 이것을 훈련하는 알고리즘을 개발했으며 이 신경망은 10년 가까이 기계 학습의 중심이었다. 그러다 1969년 민스키와 패퍼트가 「퍼셉트론」을 출간하여 단층 신경망에 한계가 있음을 증명하고 다층 신경망도 쓸모가 없을 것이라고 (증거 없이) 주장하 여 사실상 이 연구 분야의 숨통을 끊고 첫 AI 겨울을 불러들였다. 그러나 모두가 포기한 것은 아니었다. 1981-1982년 존 홉필드는 홉필드 망을 고안했다. 하지만 이 연결망은 원샷 학습자였다. 이것은 다층 신 경망이 데이터로부터 점증적으로 학습하는 데 필요한 훈련 같은 것이 필요 하지 않았다. 1970년대 중엽과 1980년대 초엽 소수의 연구자들이 다층 연결망을 훈련하는 데에 쓸 수 있는 알고리즘의 기본 요소를 규명하기 시작 했다. 그러다 1986년 데이비드 러멜하트, 제프리 힌턴, 로널드 윌리엄스가 「네이처Nature」에 기념비적인 논문을 발표하여 역전파라는 훈련 알고리즘의 위력을 보여줌으로써 심층 학습의 바퀴에 기름칠을 하여 돌아가게 했다.
• [P310] 힌턴은 고등학교에서 수학자 친구에게 영향을 받았다. 친구는 기억이 어떻게 뇌에 저장되는지 궁금증을 품고 있었다. 힌턴이 말했다. "친구는 기억이 국소적으로 저장되지 않는다는 점에서 뇌가 홀로그램과 비슷할지도 모른다는 발상에 흥미를 느꼈습니다." 친구가 기억의 저장 원리를 탐구하는 동안 힌턴은 뇌가 어떻게 학습하는지에 관심을 기울였다.
• [P311] 그는 마음을 이해하고 싶었다. 이를 계기로 대학에서 물리학과 생리학을 공부했지만, 뇌에 대해 배운 것이라고는 활동 전위, 즉 전기 신호가 어떻게 신경세포의 축삭돌기를 따라 전달되는지뿐이었다. 
• 힌턴은 실망하여 철학으로 돌아섰다. 철학자들은 마음의 이해에 대해 파인만식 관념을 가지고 있지 않았습니다. 이해하려면 만드는 법을 알아내야 한다는 관념 말입니다. 환멸에 빠진 힌턴은 독서에 시간을 쏟아부었다. 그는 도널드 헤브의 책 [행동의 구조]에 깊은 영향을 받았다.