[P-Reinforce] Substantial content added to BDNF/Bellman/Branded/Bayes/B-Tree (Batch 02)
This commit is contained in:
+2
-2
@@ -182,6 +182,7 @@
|
||||
},
|
||||
"active": "5e19c94f304a33d1",
|
||||
"lastOpenFiles": [
|
||||
"AI/B-Tree.md",
|
||||
"TypeScript 컴파일러의 정적 타입 시스템.md",
|
||||
"00_Raw/2026-04-20/Looking-Glass-Studios.md",
|
||||
"Developer Productivity Tracking.md",
|
||||
@@ -208,7 +209,6 @@
|
||||
"React_Mental_Model.md",
|
||||
"Tetris_Project_Retrospective.md",
|
||||
"System_Debugging_Protocol.md",
|
||||
"System_Protocol_Standard.md",
|
||||
"Project_Architecture_Guidelines.md"
|
||||
"System_Protocol_Standard.md"
|
||||
]
|
||||
}
|
||||
@@ -0,0 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-B-TREE
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.99
|
||||
tags: [B-Tree, Data Structure, DB, Indexing]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[B-Tree]] (B-트리)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "디스크의 느린 속도를 이겨내는 최적의 균형." 한 노드에 여러 데이터를 담고 층수를 낮게 유지하여, 수백만 건의 데이터도 단 3~4번의 읽기만으로 찾아내는 인덱스의 제왕이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Multi-way Search Tree**:
|
||||
- 이진 트리(2-way)와 달리 노드 하나가 수십~수백 개의 자식을 가질 수 있다. 이를 통해 트리의 높이(Height)를 극적으로 낮춘다.
|
||||
- **Self-Balancing**:
|
||||
- 데이터가 추가되거나 삭제될 때마다 스스로 노드를 분할(Split)하거나 합치며(Merge) 높이 균형을 유지한다. 언제나 탐색 속도가 보장된다.
|
||||
- **Disk I/O Efficiency**:
|
||||
- 노드 한 개의 크기를 하드디스크의 한 블록(Page) 크기에 맞춰 설계하여, 한 번의 스핀으로 최대한 많은 정보를 읽어오게 한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 현대의 SSD 환경에서는 랜덤 액세스 속도가 빨라져서 B-Tree 계열 외에도 LSM-Tree(NoSQL 등에서 사용) 같은 다양한 변종이 사용된다. 하지만 여전히 관계형 DB(MySQL, PostgreSQL)의 기본 인덱스는 B+Tree(B-Tree의 계층형 변형)가 압도적 표준이다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Distributed-Systems-Engineering]] , [[Combinatorial-Optimization]]
|
||||
- Foundation: [[Computational Thinking]]
|
||||
@@ -1,29 +1,29 @@
|
||||
---
|
||||
id: P-REINFORCE-AI-BAYES
|
||||
id: P-REINFORCE-AI-BAYESIAN
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [Bayesian Inference, Probability, Thinking, Logic]
|
||||
confidence_score: 0.98
|
||||
tags: [Bayesian Inference, Probability, Stats, AI]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bayesian-Inference]] (베이지안 추론)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 세상은 확실한 답변(P=0 or 1)이 아니라 '확률적 믿음'으로 가득 차 있으며, 새로운 증거가 나타날 때마다 그 믿음의 확률을 끊임없이 수정(Update)하는 것이 진정한 지능이다.
|
||||
> "믿음은 고정된 것이 아니라 정보에 따라 진화한다." 기존의 배경 지식(Prior)에 새로운 근거(Evidence)를 더해 더 정확한 진실(Posterior)에 다가가는 통계학적 통찰이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Prior, Likelihood, Posterior**:
|
||||
- **Prior (사전 확률)**: 사건이 발생하기 전의 나의 믿음.
|
||||
- **Likelihood (우도)**: 만약 내 믿음이 맞다면 이번 결과가 나올 확률.
|
||||
- **Posterior (사후 확률)**: 결과를 목격하고 난 뒤 수정된 새로운 믿음.
|
||||
- **베이즈 정리 ($P(A|B) = P(B|A)P(A) / P(B)$)**:
|
||||
- 관측되지 않은 원인(A)의 확률을 관측된 결과(B)를 통해 추론하는 강력한 수학적 도구.
|
||||
- **Applications in AI**:
|
||||
- 스팸 메일 분류(Naive Bayes), 자율주행 센서 퓨전(Kalman Filter), 강화학습의 탐험(Exploration vs Exploitation) 전략의 근간이다.
|
||||
- **Prior Probability (사전 확률)**:
|
||||
- 새로운 데이터를 보기 전에 우리가 이미 알고 있는 지식이나 가설의 확률.
|
||||
- **Likelihood (우도)**:
|
||||
- 어떤 가설이 참일 때, 현재 관찰된 데이터가 나타날 확률.
|
||||
- **Posterior Probability (사후 확률)**:
|
||||
- 새로운 데이터를 반영한 후 업데이트된 우리의 최종 믿음.
|
||||
- **Application**:
|
||||
- 스팸 메일 필터링, 의료 진단, 자율주행 차의 센서 융합 등 불확실성이 큰 환경의 의사결정에 필수적이다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 전통 통계학(Frequentist)과의 차이점을 이해해야 한다. 베이지안은 '모르는 것'에 대한 주관적 가정을 허용하므로, 데이터가 적은 초기 단계에서 훨씬 강력하지만 부적절한 사전 확률(Prior) 설정은 편향된 결과를 낳을 수 있다.
|
||||
- 베이지안 추론은 '사전 확률'을 설정할 때 주관이 개입된다는 비판을 받기도 한다(빈도주의 통계학과의 논쟁). 하지만 데이터가 적은 초기 상태에서는 베이지만큼 강력한 예측 도구가 없다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Information Theory]] , [[Common_Sense_Reasoning]]
|
||||
- Foundation: [[Computational Thinking]]
|
||||
- Related: [[Automated-Reasoning]] , [[Behavioral-Economics]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
|
||||
@@ -2,26 +2,26 @@
|
||||
id: P-REINFORCE-AI-BELLMAN
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.99
|
||||
tags: [Bellman Equation, RL, Dynamic Programming, MDP]
|
||||
tags: [Bellman Equation, Reinforcement Learning, Math, Dynamic Programming]
|
||||
last_reinforced: 2026-04-20
|
||||
---
|
||||
|
||||
# [[Bellman-Equation]] (벨만 방정식)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "오늘의 가치는 오늘의 보상과 내일의 기대 가치를 더한 것이다." 복잡한 미래를 현재의 시점으로 소환하는 마법의 재귀 공식이다.
|
||||
> "오늘의 보상(Step reward) + 내일의 가치(Future value) = 오늘의 가치." 시간의 흐름 속에 흩어진 가치를 하나로 묶어주는 재귀의 미학이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **Principle of Optimality (최적성의 원리)**:
|
||||
- 리처드 벨만이 정의한 원칙. 전체 경로가 최적이면, 그 경로상의 어떤 부분 경로도 최적이어야 한다는 논리. 이를 통해 큰 문제를 작은 부분 문제로 나누는 동적 계획법(DP)이 탄생했다.
|
||||
- **MDP (Markov Decision Process)**:
|
||||
- 현재의 상태(State)가 미래의 확률을 결정한다는 가정 하에, 보상(Reward)을 극대화하는 정책(Policy)을 찾기 위한 수학적 프레임워크.
|
||||
- **Q-Learning의 근간**:
|
||||
- 상태-행동 가치 함수 $Q(s, a)$를 업데이트할 때 벨만 타겟(Bellman Target)을 사용하여 에이전트의 지능을 점진적으로 개선한다.
|
||||
- **Recursive Utility**:
|
||||
- 현재 상태의 가치(Value)를 '즉각적 보상'과 '다음 상태의 기대 가치'의 합으로 정의한다. 이는 복잡한 미래 결정을 작은 현재 결정으로 쪼개어 풀 수 있게 한다.
|
||||
- **Dynamic Programming (동적 계획법)**:
|
||||
- 벨만 방정식은 큰 문제를 작은 부분 문제로 나누어 푸는 근간이 된다. 바둑(AlphaGo)이나 체스 AI의 핵심 연산 원리다.
|
||||
- **Discount Factor (Gamma)**:
|
||||
- 미래의 가치를 현재 시점으로 환산할 때 얼마나 깎을지(가중치)를 결정하는 변수. 1에 가까울수록 먼 미래를 보고, 0에 가까울수록 당장의 이익에 집중한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 벨만 방정식은 완벽한 환경(Full observability)을 가정할 때 환상적이지만, 정보가 누락된 현실(POMDP)에서는 근사치(Approximation)를 찾기 위한 딥러닝(DQN)과의 결합이 필수적이다.
|
||||
- 실제 세계(Model-free)에서는 다음 상태의 가치를 정확히 알 수 없다. 그래서 벨만 방정식을 기반으로 경험을 통해 가치를 추측해가는 'Q-Learning'이나 'Deep Q-Networks(DQN)'로 발전해왔다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Reinforcement Learning]] , [[Deep-Learning-Basics]]
|
||||
- Foundation: [[Information Theory]]
|
||||
- Related: [[Reinforcement Learning]] , [[Deep-Reinforcement-Learning]]
|
||||
- Foundation: [[Computational Theory & Math/Information Theory]]
|
||||
|
||||
@@ -1,25 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-9F6F1B
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
id: P-REINFORCE-SCI-BDNF
|
||||
category: "[[10_Wiki/💡 Topics/Science]]"
|
||||
confidence_score: 0.98
|
||||
tags: [BDNF, Neuroscience, Brain Health, Cognitive]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Brain-Derived Neurotrophic Factor (BDNF)"
|
||||
---
|
||||
|
||||
# [[Brain-Derived Neurotrophic Factor (BDNF)]]
|
||||
# [[Brain-Derived-Neurotrophic-Factor-(BDNF)]] (뇌유래 신경영양인자)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "뇌를 위한 비료(Fertilizer)." BDNF는 시냅스의 가소성을 높여 학습 능력을 강화하고, 뇌가 늙지 않게 보호하는 마법의 단백질이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **Neuroplasticity (신경 가소성)**:
|
||||
- BDNF는 뉴런의 생존뿐만 아니라 새로운 뉴런의 생성(Neurogenesis)과 연결을 돕는다. 학습과 기억 형성의 생화학적 토대다.
|
||||
- **Physical Exercise Connection**:
|
||||
- 중강도 이상의 유산소 운동은 BDNF 수치를 즉각적으로 높인다. "공부가 안 될 땐 산책하라"는 조언의 과학적 근거다.
|
||||
- **Cognitive Reserve (인지 예비능)**:
|
||||
- 높은 BDNF 수치는 치매나 뇌 손상에 대응할 수 있는 '방어력'을 키워준다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 스트레스 호르몬인 코르티솔(Cortisol)은 BDNF의 생성을 억제한다. 따라서 고도의 인지 작업이 필요한 개발자에게 '번아웃 관리'는 단순히 휴식이 아니라 뇌 세척과 성장을 위한 필수 프로세스다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Brain-Derived Neurotrophic Factor (BDNF).md]]
|
||||
---
|
||||
- Related: [[Cognitive-Neuroscience-of-Flow]] , [[Burnout-Prevention-in-Professional-Gaming]]
|
||||
- Foundation: [[Information Theory]]
|
||||
|
||||
@@ -1,25 +1,27 @@
|
||||
---
|
||||
id: P-REINFORCE-AUTO-6FD185
|
||||
category: "[[10_Wiki/💡 Topics/AI]]"
|
||||
confidence_score: 0.90
|
||||
tags: [auto-reinforced]
|
||||
id: P-REINFORCE-AI-BRANDED-TYPES
|
||||
category: "[[10_Wiki/💡 Topics/Programming & Language]]"
|
||||
confidence_score: 0.99
|
||||
tags: [TypeScript, Branded Types, Nominal Typing, Type Safety]
|
||||
last_reinforced: 2026-04-20
|
||||
github_commit: "[P-Reinforce] Continuous Worker - Branded-Types"
|
||||
---
|
||||
|
||||
# [[Branded-Types]]
|
||||
# [[Branded-Types]] (브랜디드 타입)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> 지식 요약 정보 추출 중...
|
||||
> "본질적으로 같은 `string`이라도, 유저 ID와 주문 ID는 엄격히 구분되어야 한다." 타입스크립트에 가짜 딱지를 붙여 '이름 기반 타입 시스템(Nominal Typing)'을 흉내 내는 고수의 기술이다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
본문 구조화 작업 중...
|
||||
- **Problem: Structural Typing**:
|
||||
- 타입스크립트는 구조가 같으면 같은 타입으로 본다. `type UserId = string; type PostId = string;`일 때, 둘을 바꿔 써도 컴파일러는 잡지 못한다.
|
||||
- **Solution: Intersecting with Unique Tag**:
|
||||
- `type UserId = string & { __brand: "UserId" };` 처럼 실제 데이터에는 없지만 타입 세계에만 존재하는 고유 속성을 추가한다.
|
||||
- **Type Guards**:
|
||||
- 단순 캐스팅(`as UserId`)보다는 검증 함수를 거쳐야만 해당 타입을 얻을 수 있게 설계하여 데이터 무결성을 보장한다.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
||||
- **과거 데이터와의 충돌:** 자동화 엔진에 의해 매핑된 지식으로, 추후 정밀 검증 필요.
|
||||
- **정책 변화:** AI 분야의 자동 자산화 수행.
|
||||
## ⚠️ 모순 및 업데이트 (RL Update)
|
||||
- 런타임에는 이 '낙인(Brand)'이 사라진다. 따라서 브랜디드 타입은 오직 컴파일 타임의 실수 방지용이다. 시스템이 매우 거대해져서 ID 값들이 혼동될 우려가 있는 엔터프라이즈급 프로젝트에서 그 가치가 증명된다.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- Raw Source: [[00_Raw/2026-04-20/Branded-Types.md]]
|
||||
---
|
||||
- Related: [[TypeScript_Type_Safety]] , [[Branded-Types-for-Nominal-Typing]]
|
||||
- Foundation: [[Clean-Architecture-TypeScript]]
|
||||
|
||||
Reference in New Issue
Block a user