경험적발견에 대한 대안적 틀과 접근방식 및 기계발견에 대한 관점들

목차

1. 서 론
1.1. 학습이란 무엇인가?
1.2. 기계학습과 발견
1.3. 경험적 발견에 대한 틀(framework)
1.4. 경험적 발견에 대한 대안적 틀

2. Gerwin의 함수유도 모형
2.1. 패턴 추적과 나머지(residuals) 계산
2.2. Gerwin의 시스템에 대한 평가

3. BACON 시스템
3.1. 자료와 법칙의 표현(상)
3.2. 단순한 법칙의 발견
3.3. 복잡한 법칙의 발견
3.4. 고유속성들의 공준(postulating)
3.5. BACON에 대한 평가

4. FAHRENHEIT 시스템
4.1. 법칙과 그 범위에 대한 표현
4.2. 법칙들의 범위 결정
4.3. 복잡한 법칙들과 그 한계 발견
4.4 FAHRENHEIT의 부가적 능력
4.5. FAHRENHEIT 평가

5. IDS 시스템

6. 기계발견에 대한 관점들
6.1. 기계발견과 과학사
6.2. validation과 발견
6.3. 이론적 용어들의 제거가능성
6.4. 법칙과 정의
6.5. 최적 법칙과 휴리스틱 탐색

7. 결론

본문내용

했다. 기계발견과 과학철학의 미래의 연구는 발견에 대한 향상된 논리를 낳을 수도 있다. 이러한 향상은 규범적 이론이 주어진 자료를 설명하고 새로운 관찰을 정확하게 예측하는 정도에 의해 측정되어야 할 것이다.
7. 결론
우리는 수리법칙을 유도하는 데 공통적으로 접근하는 네 가지 AI시스템에 초점을 맞추어 경험적 발견의 과제를 다루었다. 이 접근방식은 자료주도적 휴리스틱, 이론적 용어의 정의, 몇 가지 근본 방법의 재귀적 적용 등에 기반한다. 우리는 Langley, Bradshaw, 그리고 Simon의 BACON 시스템이 다수의 독립 용어들을 다루고 고유 속성을 공준하는 능력을 포함하여 Gerwin의 초기 연구에 중요한 진보를 도입한 것을 살펴 보았다. 또한 Zytkow의 FAHRENHEIT 시스템이 BACON에는 없는 몇몇 중요한 방법들을 결합시켰다는 것도 알았다. 마지막으로 우리는 Nordhausen과 Langley의 IDS가 이전의 시스템들보다 법칙에 많은 맥락을 제공하면서, 질적인 기술 내에 수리적 법칙들을 끼워 넣을 수 있다는 것도 보았다.
마지막 장에서 우리는 이 시스템들을 역사적 발견 모형과 발달을 위한 좋은 출발점을 제공하기는 해도 상세한 역사적 모형처럼 잘하지는 못한다는 것을 발견하였다. 우리는 또한 비록 우리가 미래의 시스템들이 귀납적 행태에 대해 향상된 규범을 제공할 거라고 주장하기는 하지만 기존의 시스템들을 경험적 발견이 나아가야 하는 방법에 대한 규범적 모형으로 볼 수 있다는 것을 알았다.
우리가 처음에 이야기한 대로 경험적 발견은 우리가 과학이라 부르는 복잡한 현상의 한 부분일 뿐이다. 그러나 우리는 발견이 중요한 부분이며, 우리가 기술했던 시스템들이 과학적 발견의 본성을 이해하는데 중요한 일보였다고 느낀다. 최근의 연구는 과학적 과정의 다른 양상들, 즉 이론 형성, 이론 수정, 실험 등에서 출발해 왔다. 우리는 미래의 연구가 과학의 분리된 양상들에서의 이러한 노력들을 확장하기를 기대한다. 그러나 우리는 또한 연구자들이 발견과정의 많은 양상들을 조합하는 통합 모형을 발전시키기를 기대하며, 그들이 우리가 여기에서 검토한 연구로부터 적어도 어떤 생각을 결합하지 않는다면 매우 놀랄 것이다.
참고문헌
Bacon, F., The New Organon and Related Writings (edited by F. H. Anderson) (Liberal Arts Press, New York, 1960).
Bradshaw, G. L., Langley, P. and Simon, H. A., BACON.4: The discovery of intrinsic properties, in: Proceedings Third Biennial Conference of the Canadian Society for Computational Studies of Intelligence, Victoria, BC (1980) 19-25.
Dietterich, T. G. and Michalski, R. S., A comparative review of selected methods for learning from examples, in: R. S. Michalski, J. G. Carbonell and T. M. Mitchell (Eds.),
Machine Learning: An Artificial Intelligence Approach (Tioga, Palo Alto, CA, 1983)307-330.
Falkenheiner, B. C. and Michalski, R. S., Integrating quantitative and qualitative discovery: The ABACUS system, Machine Learning 1 (1986) 367-401.
Falkenheiner, B. C., Scientific theory formation through analogical inference, in: Proceedings Fourth International Workshop on Machine Learning, Irvine, CA (1987) 218-229.
Fisher, D., Knowledge acquisition via incremental conceptual clustering, Machine Learning 2 (1987) 139-172.
Forbus, K. D., Qualitative process theory, Artificial Intelligence 24 (1984) 85-168.
Gerwin, D. G., Information processing, data inferences, and scientific generalization, Behav. Sci. 19 (1974) 314-325.
Glymour, C., Theory and Evidence (Princeton University Press, Princeton, NJ, 1980).
Jones, R., Generating predictions to aid the scientific discovery process, in: Proceedings AAAI-86, Philadelphia, PA (1986) 513-517.
Koehn, B. W. and Zytkow, J. M., Experimenting and theorizing in theory formationm in: Proceedings ACMSIGART International Symposium on Methodologies for Intelligent Systems, Knoxville, TN (1986) 296-307.
Kokar, M. M. Determining arguments of invariant functional descriptions, Machine Learning 1 (1986) 403-422.
Kulkarni, D. and Simon, H. A., The process of scientific discovery: The strategy of experimentation, Cognitive Sci. 12 (1988) 139-175.

키워드

경험적발견에대한대안적틀과접근방식,   기계학습과발견,   Gerwin의함수유도모형,   복잡한법칙의발견,   FAHRENHEIT시스템,   법칙과그범위에대한표현,   기계발견에대한관점들,   최적법칙과휴리스틱탐색