🌒 Adaptive Resonance Theory - ART1

5, 6차시
@ 50분 정도의 집중력

💫 서론

---

Resonance 공명

모든 물체는 고유한 진동수를 가진다
진동수 : 1초에 진동하는 수, Hz

공명 : 같이 운다
→ 같은 진동수의 물체가 주변에서 진동하면, 함께 진동한다
→ 진동수가 다르면 공명하지 않는다
→ 깨구락지의 공명 : 케로케로케로…

Adaptive 적응형
@ LOL 적응형 능력치 : Adaptive Force

💫 Adaptive Resonance Theory - ART1

---

적응형 공명
→ 기준과 공명하는 것들을 찾아 그룹화 (반복)
→ Recommender System - 추천

Adaptive Resonance Theory - ART1
→ Clustering Algorithms - 군집화 알고리듬
→ Unsupervised Learning Algorithm - 비지도 학습 알고리즘 (With Biological Motivations)

Supervise 지도
@ Supervised User

지도 학습 :
답이 이미 존재하는, 누가 지도해주는 (Supervised)
@ 분류, 누가 누구다

비지도 학습 :
답이 없는 (비정량적인? Like 취향 - 나누는 기준이 정해진 게 없음)
@ 덩어리 만들기, 누가 비슷하다

강화 학습 - 말 그대로

Clustering Algorithm
클러스터(덩어리), 군집화 → 분류, 클래스화(레이블)
유사성에 의해 덩어리를 나눈다
@ Like 하얀건 종이요, 검은건 글씨다

사람이 뭔가 배울 떄 이미 알고 있는 것과 비슷한 것을 찾아 연관시키고(덩어리),
만약 그게 없다면 이해를 위한 새로운 생각(덩어리)을 만든다
에서 모티브를 얻은

ART1
→ Feature Vector : 뭐가 어떻다 하는 특징 데이터 (테이블)
→ Feature Vector의 1, 0의 개수가 비슷해야 비슷한 데이터

@ U 중간고사 출제 : 적응형 공명 이론에 대한 클러스터링 결과를 보고, 특정 요소(i.e. 고객)에게 특정 요소(i.e. 물건)를 추천하는 과정을 설명하시오.

같은 분류의 요소들끼리 데이터 Vector를 합 (Sum Vector)
해당 분류의 요소들마다 Sum Vector에서 가장 큰 수 순서대로 없는 요소를 추천

💫 과정

---

1. Create Initial Prototype Vector
2. For each Example Vector, Continue
3. Example Close to Prototype?
   • Passes Vigilance Test?
   • More Prototypes?
4. Place Example in current prototype vector

Create Initial Prototype Vector
→ 임의의 요소 선택 (첫 번째든 랜덤이든)
→ P₀ = E₀

For each Example Vector
→ Close to Prototype?

β - 그냥 1.0 (일단) 몰라도 된다
d - 전체 물건의 개수
E - 산 물건

→ Proximity Test - 유사도 테스트
P∩E (1에 대해서만) / P 전체물건 + β > E 산물건(E 1의수) / E 전체물건 + β
@ PDF 8p Eq1 3/4 > 4/8 (오타)

→ Vigilance Test? (덩어리로 묶을 지, 한 번 더 평가)
P∩E / E 산물건(E 1의수) < p (Vigilance Parameter)

true?

Place Example in Current Prototype Vector (마킹? 라벨링? 덩어리?)

남은 것들에 대해 새로운 프로토타입을 만들어 반복

P = P∩E
1110110
1110010
→ 1110010

덩어리에 크게 의미 없는 데이터를 제거
(교재 3.4 밑에 Finally 부터 나오는 내용)

Using ART1 for Personalization(Recommend System)
Sum Vector를 이용하여

💫 K-means Algorithm

---

K-means Algorithm
덩어리가 K개 있다고 못박아두고 분류

먼저 K를 정하고 → (이 데이터에는 K개의 덩어리가 있다고 가정)
→ (K를 어떻게 정하냐는 다른 논제)
→ (비지도학습 알고리듬이지만, 답이 정해져 있는 것처럼 - K)

• Loop ~
  1. K개의 임의의 점들을 기준으로, 가까운 것들을 모아 K개의 덩어리로 만듦
  2. 이후 각 덩어리의 중심으로 기존 K개의 임의의 점들을 재위치
  3. 만약, 이전과 달라진 점이 없다면? 분류 완료 End

실제로는 점이 아니라 테이블
3차원 이상으로 넘어가면 이해하기 힘듦
못 찾을 수도 있음