컴공돌이의 코딩 블로그

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. 코드 구현 및 설명 코드 실행 영상 결과 - python autograder.py

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. Varying the Cost Function 너비 우선 탐색(Breadth First Search, BFS)은 목표지점으로 가는 최단 경로를 찾을 수 있지만, 최단 경로와 최고의 경로는 다를 수 있습니다. mediumDottedMaze와 mediumScaryMaze 같은 경우를 고려해봅시다. cost function을 변화한다면 팩맨이 다른 경로를 탐색할 수 있게 만들 수 있습니다. 예를 들어 유령이 많은 지역에서 움직일 때 많은 비용을 책정할 수 있고 먹을 것이 많은 지역에서 움직일 때 적은 비용을 책정할 수 있습니다. 팩맨을 합리적으로 움직이려면 이와 같은 ..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. 코드 구현 및 설명 코드 실행 영상 결과 - python autograder.py

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. Breadth First Search search.py 파일 안에 있는 breadthFirstSearch 함수 안에 너비 우선 탐색(Breadth First Search, BFS) 알고리즘을 구현하십시오. 이미 방문한 state에서의 확장을 방지하는 그래프 탐색 알고리즘을 작성해야 합니다. 깊이 우선 탐색(Depth First Search, DFS)에서 했던 것처럼 아래에 있는 명령어로 당신의 코드를 테스트하십시오. - python pacman.py -l mediumMaze -p SearchAgent -a fn=bfs - python pacman.py -l big..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글 입니다. 코드 구현 및 설명 코드 실행 영상 결과 - python autograder.py

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글입니다. Finding a Fixed Food using Depth First Search searchAgents.py 파일 안에는 미로에서의 경로를 계획하고 그 계획을 단계별로 실행할 수 있게끔 해주는 완벽하게 구현된 searchAgent를 찾을 수 있습니다. 하지만 계획을 세우기 위한 탐색 알고리즘들은 구현이 되어있지 않은데 이 알고리즘을 만드는 것이 해야 할 일입니다. SearchAgent가 정확히 동작하는지는 아래의 명령어로 테스트를 할 수 있습니다. - python pacman.py -l tinyMaze -p SearchAgent -a fn=tinyMazeSear..

※ 이 글은 "UC Berkeley CS188 Intro to AI"의 "Project 1: Search"를 해결하는 과정을 정리한 글 입니다. ※ UC Berkeley CS188 Intro to AI 페이지 링크 : http://ai.berkeley.edu/search.html#Introduction Introduction 이번 프로젝트에서는, 팩맨이 미로로 이루어진 세계에서 특별한 장소에 도달함과 동시에 먹이를 효율적으로 모을 수 있는 길을 찾을 것입니다. 이것을 해결하기 위한 일반적인 탐색 알고리즘을 만들어야 하고 그것을 팩맨에 적용시켜야 합니다. "과제 0"에서 처럼, 이번 과제에서도 답을 채점하기 위한 autograder가 포함되어 있습니다. autograder는 아래와 같은 명령어를 통해 실행..

Mean Squared Error (MSE) 설명 Mean Square Error (MSE)는 회귀 모델 (Regression Model)이 잘 학습되었는지를 확인할 때 많이 사용되는 평가지표입니다. MSE는 실제 정답 값과 예측 값의 차이를 제곱한 후 평균을 구하여 도출할 수 있으며, 값이 작을수록 모델의 성능이 좋다는 것을 의미합니다. MSE의 수식은 아래와 같습니다. 수식에서 $Y_{i}$은 실제 정답 값을 의미하고, $\widehat{Y}_{i}$은 예측 값을 의미합니다. MSE의 장단점 - MSE의 장점 1. Mean Absolute Error(MAE)와 더불어 가장 직관적인 평가지표 중 하나 - MSE의 단점 1. 오차를 제곱하기 때문에 이상치에 민감하게 변화함 2. 오차를 제곱하기 때문에 회..

Mean Absolute Percentage Error (MAPE) 설명 Mean Absolute Percentage Error (MAPE)는 회귀 모델 (Regression Model)이 잘 학습되었는지를 확인할 때 많이 사용되는 평가지표입니다. Mean Absolute Error (MAE)와 비슷하지만 실제 정답 값을 나누어 도출한 확률 값이라는 점이 가장 큰 차이점 이라고 할 수 있습니다. MAPE는 MAE와 동일하게 값이 작을수록 모델의 성능이 좋다는 것을 의미합니다. ※ MAE에 대한 설명은 아래 링크에서 확인할 수 있습니다. 2022.05.11 - [정리] - [평가 지표] Mean Absolute Error (MAE) MAPE의 수식은 아래와 같습니다. 수식에서 $Y_{i}$은 실제 정답 값..

Mean Absolute Error (MAE) 설명 Mean Absolute Error (MAE)는 회귀 모델 (Regression Model)이 잘 학습되었는지를 확인할 때 많이 사용되는 평가지표입니다. MAE는 실제 정답 값과 예측 값의 차이를 절댓값으로 변환한 뒤 평균을 구하여 도출할 수 있으며, 값이 작을수록 모델의 성능이 좋다는 것을 의미합니다. MAE의 수식은 아래와 같습니다. 수식에서 $Y_{i}$은 실제 정답 값을 의미하고, $\widehat{Y}_{i}$은 예측 값을 의미합니다. MAE의 장단점 - MAE의 장점 1. 실제 정답 값, 예측 값과 같은 단위를 가지는 평가지표이기 때문에 결과 해석이 용이함 2. 절대값을 취하기 때문에 직관적으로 결과를 해석할 수 있음 - MAE의 단점 1. ..