반디앤루니스 인터넷서점

네비게이션 실시간 인기 책

    알파고를 분석하며 배우는 인공지능 딥 러닝, 몬테카를로 트리 탐색, 듀얼 네트워크, 강화 학습 구조 이해하기

    원제 : 最強囲碁AI アルファ碁 解体新書 増補改訂版

    • 오츠키 토모시 저
    • 정인식 역
    • 제이펍
    • 2019년 07월 25일
    • 정가
      26,000원
    • 판매가
      26,000원 [0% 할인]
    • 결제 혜택
      무이자
    • 적립금
      780원 적립 [3%P]

      NAVER Pay 결제 시 네이버페이 포인트 5% 적립 ?

    • 배송구분
      업체배송(반디북)
    • 배송료
      무료배송
    • 출고예정일

      출고예정일 안내

      ※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.

      close

      2026년 11월 18일(WED)

      ※ 출고예정일은 도서 재고상황에 따라 변동될 수 있습니다.

    수량
    바로 구매 쇼핑카트 담기 위시리스트
    회원리뷰
    - [0]
    ISBN: 9791188621644 332쪽 175 x 220 (㎜)

    지금 이책은

    이 책은

    알파고를 통해 인간의 지혜를 넘어선 한 수의 비밀을 탐구한다!

    바둑계의 양대 산맥이던 이세돌과 커제를 이기고 전설이 된 바둑 인공지능 알파고. 이 책은 알파고를 탄생시키고 성장시킨 딥 러닝, 강화 학습, 몬테카를로 트리 탐색에 대해 자세히 다룹니다. 또한, 알파고의 차기 버전인 알파고 제로에 대해서도 알아봅니다. 인간에 의해 개발되고 학습되었지만, 인간의 지능을 능가해 버린 인공지능의 구조와 원리를 탐색함으로써 무궁무진한 인공지능의 발전 방향을 모색합니다.

    저자 소개

    오츠키 토모시

    저자 : 오츠키 토모시
    2001년에 도쿄대학 계수공학과를 졸업하였으며, 2003년에 도쿄대학원의 신영역 창성과학연구과의 석사 과정을 수료하였다. 이후 머신러닝 및 최적화 등의 연구와 개발에 참여하였다. 2001년부터 게임 AI 프로그래머로서 바둑 및 장기 프로그램 개발에 참여하였는데, 그가 개발한 장기 프로그램 ‘오쇼기’는 2009년 세계 컴퓨터 장기 선수권 대회에서 2위를 차지했다. 한편, 그는 정보 이공학 박사 학위 소유자이기도 하다.

    역자 : 정인식
    숭실대학교에서 전자계산학을 전공하였다. 사회 초년생 시절 자바에 심취해 현대정보기술에서 웹 애플리케이션을 개발하였고, 그 후 이동통신 단말기 분야로 옮겨 휴대전화 단말기의 부가서비스 개발 업무를 진행하였다. 그리고 일본 키스코 모바일사업부의 팀장을 거쳐, 일본 교세라의 북미향 휴대전화기 개발에 참여하였다. 지금은 일본의 주요 이동통신사에서 업무 프로세스 개선을 위한 IT 컨설팅 및 데이터 분석 관련 도구를 개발하고 있다. 또한, 《빅데이터를 지탱하는 기술》, 《유니티 5로 만드는 3D/2D 스마트폰 게임 개발》, 《자바 마스터 북》, 《자바스크립트 마스터 북》 등을 비롯해 10여 종의 책을 번역하였다.

    역자 소개

    정인식

    숭실대학교에서 전자계산학을 전공하였다. 사회 초년생 시절 자바에 심취해 현대정보기술에서 웹 애플리케이션을 개발하였고, 그 후 이동통신 단말기 분야로 옮겨 휴대전화 단말기의 부가서비스 개발 업무를 진행하였다. 그리고 일본 키스코 모바일사업부의 팀장을 거쳐, 일본 교세라의 북미향 휴대전화기 개발에 참여하였다. 지금은 일본의 주요 이동통신사에서 업무 프로세스 개선을 위한 IT 컨설팅 및 데이터 분석 관련 도구를 개발하고 있다. 또한, 《빅데이터를 지탱하는 기술》, 《유니티 5로 만드는 3D/2D 스마트폰 게임 개발》, 《자바 마스터 북》, 《자바스크립트 마스터 북》 등을 비롯해 10여 종의 책을 번역하였다.

    책 속에서

    머신 러닝이란 컴퓨터에 ‘학습’을 시켜서 어떤 태스크에 대한 컴퓨터의 ‘예측 능력’과 ‘판별 능력’을 향상시켜 나가는 방법이다. 컴퓨터는 모든 국면을 기억할 수 없지만, ‘비슷한 국면에서 유사한 수가 좋은 수가 될 것이다’라는 것을 가정하여 배후에 있는 규칙성을 구하는 것이 목표다.
    _22쪽

    CNN에서는 필터 가중치가 공유되므로 모든 링크에 독립적인 가중치(파라미터)를 주는 전체 결합 네트워크와 비교하면 학습해야 할 파라미터의 수가 적다. 예를 들어, 만일 3 × 3의 필터가 16개인 경우, 파라미터의 수는 입력 16개, 출력이 16장인 경우(16 × 16 × 3 × 3) 약 2,300개가 되며, 이는 1계층 당 약 8만 개나 되는 전체 결합 네트워크보다 압도적으로 적다.
    _51쪽

    Q 학습의 경우 처음에는 모든 가치가 0이라는 초깃값부터 시작한다. 또한, 인접하는 칸의 가치를 바탕으로 가치 함수를 갱신하므로 첫 번째 에피소드에서는 보상을 얻을 수 있는 출구의 직전 칸 가치만이 갱신된다. 그것이 에피소드가 진행됨에 따라 시작 측에 가치가 전달되어 가는 과정을 확인할 수 있다. 결국 최단 경로에 해당하는 칸의 가치가 높아진다.
    _122쪽

    ‘CrazyStone’의 개발자 레미 쿨롱에 따르면 몬테카를로 트리 탐색은 단 1줄의 변경으로 굉장히 강해졌다고 언급했다. 그 개선은 플레이 아웃의 결과를 ‘땅 크기의 차이’가 아니라 ‘승리 또는 패배’로 변경한 것이다. ‘승리 또는 패배’보다 ‘땅 크기의 차이’ 쪽이 정보가 많으므로 언뜻 보면 더 나은 평가가 가능해 보인다. 정보를 적게 하는 편이 좀 더 잘된다는 점은 의외로 느껴진다.
    _186쪽

    게임 AI에 강화 학습을 적용할 때의 장점은 지도 학습의 경우 필수가 되는 훈련 데이터가 필요 없다는 점을 들 수 있다. 따라서 원래 플레이 데이터를 얻기 어려운 게임이나 이미 강해져 교사 데이터를 만들기 어려운 AI에 대해서는 효과적인 기술이다. 한편, 강화 학습을 적용하는 다른 장점으로, 아무런 지식도 없는 상태에서 사람과 비슷한 지식수준이나 지금까지 알려지지 않았던 새로운 지식을 획득할 수 있다는 점을 들 수 있다.
    _248쪽

    목차

    CHAPTER 1 알파고의 등장 1
    1.1 게임 AI의 역사와 발전 2
    1.1.1 앨런 튜링과 AI 2
    1.2 천재 데미스 하사비스의 등장 5
    1.2.1 신동 데미스 하사비스 5
    1.3 알파고의 활약 7
    1.3.1 알파고의 활약 7
    1.4 바둑 AI의 기초 13
    1.4.1 바둑의 규칙 13
    1.4.2 바둑 AI를 구현한다는 것은 무엇인가? 16
    1.4.3 ‘다음의 한 수’ 태스크 20
    1.4.4 ‘다음의 한 수’ 태스크의 어려운 점 21
    1.4.5 머신 러닝을 이용한 ‘다음의 한 수’ 태스크 22
    1.4.6 알파고의 롤 아웃 정책 학습 26
    1.5 정리 30

    CHAPTER 2 딥 러닝 - 바둑 AI는 순간적으로 수를 떠올린다 31
    이 장에서 설명할 내용 32
    2.1 딥 러닝이란? 34
    2.1.1 AI는 사람의 직관을 실현할 수 있을까? 34
    2.2 필기체 숫자 인식의 예 42
    2.2.1 필기체 숫자 인식이란? 42
    2.2.2 필기체 숫자 인식의 데이터 세트 ‘MNIST’ 42
    2.2.3 신경망을 사용한 필기체 숫자 인식 44
    2.2.4 필기체 숫자 인식에 대한 컨볼루션 신경망 47
    2.2.5 다단계의 신경망에서도 유효한 활성화 함수 51
    2.2.6 오류 역전파 방법에 기초한 CNN의 필터 가중치 학습 54
    2.2.7 화상 처리 CNN의 발전 60
    2.3 알파고의 컨볼루션 신경망 64
    2.3.1 알파고의 컨볼루션 신경망 64
    2.3.2 ‘다음의 한 수’ 태스크와 화상 인식의 유사성 65
    2.3.3 바둑의 수를 선택하는 CNN - SL 정책 네트워크 66
    2.3.4 SL 정책 네트워크의 입력 48채널의 특징 71
    2.3.5 SL 정책 네트워크의 컨볼루션 계산 예 75
    2.3.6 SL 정책 네트워크의 계산량 77
    2.3.7 SL 정책 네트워크의 학습용 데이터 획득 81
    2.3.8 SL 정책 네트워크의 학습 기법 84
    2.3.9 SL 정책 네트워크의 학습 결과 87
    2.3.10 국면의 유리 불리를 예측하는 CNN(밸류 네트워크) 90
    2.4 Chainer로 CNN 학습시키기 93
    2.4.1 MNIST의 신경망 학습 부분 작성하기 93
    2.4.2 SL 정책 네트워크의 학습 부분 작성하기 96
    2.5 정리 100

    CHAPTER 3 강화 학습 - 바둑 AI는 경험을 배운다 101
    이 장에서 설명할 내용 102
    3.1 강화 학습이란? 104
    3.1.1 어떻게 경험에서 배울 것인가? 104
    3.2 강화 학습의 역사 108
    3.2.1 강화 학습 108
    3.3 멀티 암드 밴딧 문제 112
    3.3.1 강화 학습의 사례 112
    3.3.2 UCB1 알고리즘 116
    3.4 미로를 풀기 위한 강화 학습 118
    3.4.1 4 × 4칸으로 이루어진 미로 118
    3.4.2 가치 기반의 방식: Q 학습을 통해 미로 해결 120
    3.4.3 정책 기반 방식: 정책 경사법을 통해 미로 해결 124
    3.5 비디오 게임 조작 스킬을 얻기 위한 강화 학습 127
    3.5.1 DQN 127
    3.6 알파고의 강화 학습 131
    3.6.1 알파고의 강화 학습 131
    3.6.2 정책 경사법에 근거하는 강화 학습 134
    3.6.3 RL 정책 네트워크의 성능 137
    3.6.4 밸류 네트워크 학습용의 데이터 작성 기법 138
    3.7 정리와 과제 143

    CHAPTER 4 탐색 - 바둑 AI는 어떻게 예측할까? 145
    이 장에서 설명할 내용 146
    4.1 2인 제로섬 유한 확정 완전 정보 게임 148
    4.1.1 어떻게 수를 예측할까? 148
    4.2 게임에서의 탐색 153
    4.2.1 SL 정책 네트워크 153
    4.3 기존의 게임 트리 탐색(민맥스 트리 탐색) 155
    4.3.1 ‘완전 탐색’의 개념 155
    4.3.2 탐색 포인트 ? 가지치기와 평가 함수 162
    4.4 바둑에서의 몬테카를로 트리 탐색 165
    4.4.1 몬테카를로 방법 165
    4.4.2 바둑에서의 몬테카를로 방법: 원시 몬테카를로 166
    4.4.3 몬테카를로 트리 탐색 170
    4.4.4 몬테카를로 트리 탐색의 결과와 최종적인 수 탐색 179
    4.4.5 몬테카를로 트리 탐색의 개선 182
    4.5 몬테카를로 트리 탐색의 성공 요인과 과제 185
    4.5.1 CrazyStone과 Gnu Go 185
    4.5.2 단 1줄로 다시 태어난 CrazyStone 186
    4.6 정리 188
    4.6.1 탐색 188

    CHAPTER 5 알파고의 완성 189
    5.1 알파고의 설계도 190
    5.1.1 알파고의 재료 190
    5.1.2 전체를 제어하는 AI 192
    5.2 비동기 정책 가치 갱신 몬테카를로 트리 탐색 195
    5.2.1 세 가지 정책의 특징 195
    5.2.2 비동기 정책 가치 갱신 몬테카를로 트리 탐색 197
    5.2.3 APV-MCTS의 선택 처리 200
    5.2.4 APV-MCTS의 전개 처리 201
    5.2.5 APV-MCTS의 평가 처리 201
    5.2.6 APV-MCTS의 갱신 처리 202
    5.3 대량 CPU·GPU의 이용 204
    5.3.1 대량의 CPU와 GPU에 의한 병렬 탐색 204
    5.3.2 로크리스 해시 206
    5.3.3 가상 손실 208
    5.4 알파고의 강력함 211
    5.4.1 몬테카를로 트리 탐색, 밸류 네트워크, 정책 네트워크의 조합 효과 211

    CHAPTER 6 알파고에서 알파고 제로로 213
    6.1 시작에 앞서 214
    6.2 알파고 제로에서의 딥 러닝 216
    6.2.1 듀얼 네트워크의 구조 218
    6.2.2 듀얼 네트워크의 학습 224
    6.2.3 알파고 제로의 딥 러닝 정리 227
    6.3 알파고 제로에서의 몬테카를로 트리 탐색 228
    6.3.1 알파고 제로의 몬테카를로 트리 탐색 개요 228
    6.3.2 몬테카를로 트리 탐색의 플로 차트 230
    6.3.3 알파고 제로의 몬테카를로 트리 탐색 정리 233
    6.4 알파고 제로에서의 강화 학습 234
    6.4.1 알파고 제로의 강화 학습 기법 236
    6.4.2 강화 학습의 계산 시간 242
    6.4.3 알파고 제로의 강화 학습은 무엇을 하고 있나? 245
    6.4.4 강화 학습의 효과 247
    6.4.5 알파고 제로의 강화 학습 정리와 그 후의 진전 248
    6.5 알파고 제로의 강력함 251
    6.6 알파고 제로는 지식 없이 만들 수 있을까? 253
    6.7 알파고나 알파고 제로에 약점은 있을까? 255
    6.7.1 알파고와 알파고 제로의 약점 가능성 255
    6.8 알파고 제로의 향후 미래 257
    6.8.1 바둑계의 미래는 어떻게 될까? 257
    6.8.2 AI의 과제 258

    Appendix 1 수식에 관하여 263
    A1.1 콘볼루션 신경망의 학습 법칙 도출 264
    A1.1.1 SL 정책 네트워크의 학습 법칙 도출 264
    A1.1.2 밸류 네트워크의 학습 법칙 도출 265
    A1.1.3 듀얼 네트워크의 손실 함수에 관한 보충 267
    A1.2 강화 학습의 학습 법칙 도출 269
    A1.2.1 파알고의 RL 정책 네트워크 강화 학습 방법의 학습 법칙 도출 269
    A1.2.2 미로를 예로 든 정책 경사법의 학습 법칙 도출 271

    Appendix 2 바둑 프로그램용 UI 소프트웨어 GoGui 및 GoGui용 프로그램 DeltaGo 이용 방법 273
    A2.1 DeltaGo란? 274
    A2.1.1 DeltaGo의 특징 274
    A2.2 GoGui의 설치 및 GoGui용 프로그램 DeltaGo 이용 방법 276
    A2.2.1 DeltaGo 다운로드와 압축 풀기 276

    찾아보기 289

    배송 시 유의사항

    - 반디앤루니스에서 구매하신 도서는 물류 대행 위탁업체 웅진 북센을 통해 배송됩니다.
     (배송 포장에 "웅진 북센"으로 표기될 수 있습니다.)

    - 구매한 상품의 품질과 배송 관련 문의는 반디앤루니스로 문의 바랍니다.

    - 천재지변 및 택배사의 사정에 따라 배송이 지연될 수 있습니다.

    - 결제(입금) 완료 후 출판사 및 유통사의 사정으로 품절 또는 절판 되어 상품 구입이 어려울 수 있습니다. (별도 안내 예정)

    - 도서산간지역의 경우 추가 배송비가 발생될 수 있습니다.

    반품/교환

    상품 설명에 반품/ 교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다)

    반품/교환

    반품/교환
    반품/교환 방법 홈 > 고객센터 > 자주찾는질문 “반품/교환/환불” 안내 참고 또는 1:1상담게시판
    반품/교환 가능 기간 반품,교환은 배송완료 후 7일 이내, 상품의 결함 및 계약내용과 다를 경우 문제발견 후 30일 이내에 신청가능
    반품/교환 비용 변심 혹은 구매착오의 경우에만 반송료 고객 부담(별도 지정 택배사 없음)
    반품/교환 불가 사유
    • 소비자의 책임 사유로 상품 등이 손실 또는 훼손된 경우
    • 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
    • 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예)만화책, 잡지, 화보집 등
    • 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
    • 전자상거래등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
    • 해외주문 상품(해외 원서)의 경우(파본/훼손/오발송 상품을 제외)
    소비자 피해보상
    환불지연에 따른 배상
    • 상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은
      소비자 분쟁해결 기준(공정거래위원회고시)에 준하여 처리됨
    • 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의
      소비자 보호에 관한 법률에 따라 처리함
    반품/교환 주소 경기도 파주시 문발로 77, 웅진북센(반디앤루니스)
    • 회사명 : (주)서울문고
    • 대표이사 : 김홍구
    • 개인정보 보호책임자 : 김홍구
    • E-mail : bandi_cs@bnl.co.kr
    • 소재지 : (06168) 서울 강남구 삼성로 96길 6
    • 사업자 등록번호 : 120-81-02543
    • 통신판매업 신고번호 : 제2023-서울강남-03728호
    • 물류센터 : (10881) 경기도 파주시 문발로 77 반디앤루니스
    copyright (c) 2016 BANDI&LUNI'S All Rights Reserved