Skip to main content
Machine Learning for Data Science 동영상

Machine Learning for Data Science

About This Course

I. Rationale:

Theories and techniques in machine learning plays a crucial role in modern data science applications. Such techniques include various classification and regression models, clustering, dimension reduction, reinforcement learning, and deep learning. Understanding of the big picture of machine learning problems and available techniques is critical in properly utilizing them for one’s own problem. The goal of this course is to provide students with basic knowledge of machine learning and intuitions behind them as well as their proper applications to real-world problems.

In this course, we specifically cover basic principles in machine learning, reinforcement learning, deep learning, and interactive visualization for data science, which covers widely-used techniques in machine learning.

We remark that this course assumes the student’s basic knowledge in the mathematical background for data science and machine learning, such as linear algebra, probability, statistics, multivariable calculus, and so on.

기계학습 이론과 전문기술은 현대 데이터과학 응용에서 결정적인 역할을 합니다. 이 분야 전문기술은 다양한 분류와 회귀 모델, 클러스터링, 차원 축소, 강화학습 그리고 딥러닝을 포함합니다. 기계학습 문제와 관련 전문기술에 대한 큰 그림에 대해서 이해하는 것은 이 분야를 적절하게 문제해결에 활용하는데 중요합니다. 이 강좌의 목표는 학습자들에게 기계학습의 기본 지식과 그 뒤에 숨겨진 의도를 제공하고 현실 세계문제에 적절하게 응용하려는 것입니다.

이 강좌는 특히 데이터과학을 위한 기계학습, 강화학습, 딥러닝, 상호작용적 가시화 분야에 대한 기본 원리를 포함합니다. 이 원리들은 기계학습에서 널리 사용되는 전문기술들입니다. 이 강좌는 학습자들이 대수학, 확률, 통계, 다변수 미적분과 같은, 데이터 과학과 기계학습에 필요한 수학의 기초 지식을 가지고 있을 전제로 진행됩니다.

이 강좌는 16주차(3주차는 자율학습)으로 구성되어 있습니다. 매 주차 비디오 강좌를 듣고 난 후, 퀴즈 버튼을 눌러서 퀴즈를 풀어야 점수에 반영됩니다. 해당 주차가 끝날 때 마다 게시판에서 관련 주제로 토론을 할 수 있습니다. 평가 내용은 퀴즈(20%), 시험(60%), 프로젝트(20%) 입니다. 이 강좌를 통과하려면 총 점수의 60% 이상을 얻어야 합니다.

이 강좌는 영어로 진행되며 영어자막과 한글자막을 동시에 제공합니다. 질문/대답과 토론도 한국어로 진행됩니다.

II. Course Aims and Outcomes:

Aims : The aim of this course is to provide students the theory and the techniques in machine learning.

Specific Learning Outcomes: By the end of this course, students will:
• have an overview of machine learning tasks and the corresponding techniques to tackle them.

III. Course Requirements:

We presume students have a basic understanding of a high-school level mathematics although this course is designed for people who might be familiar with and exposed to a certain level of basic concepts in probability, calculus or linear algebra at the high-school or 1st-year college level.

IV. Grading Procedures:

Grading policy is as follows:

• Quizzes (60%): The course has XX quizzes.

• Projects (20%)

• Final Exam (20%): There will be a final exam one week after the last lecture.

To pass the course, you must score 60% or above.

V. Course Schedule

• Course registration period : 2017.10.1~2017.11.30

• Opening and Ending : 2017.10.10~2018. 2.10

Ⅵ. Course Staff

Prof. Taesu Cheong Image

Taesu Cheong

Professor, School of Industrial Management Engineering, Korea University

Prof. Jaegul Choo Image

Jaegul Choo

Assistant Professor, Dept. of Computer Science and Engineering, Korea University

TA. Soonkyo Lee Image

Soonkyo Lee

Teaching Assistant, School of Industrial Management Engineering, Korea University

Frequently Asked Questions

What web browser should I use?

The Open edX platform works best with current versions of Chrome, Firefox or Safari, or with Internet Explorer version 9 and above.

See our list of supported browsers for the most up-to-date information.

관련 강좌

  1. major

    (Computers & Communication)
  2. 강좌를 개발하고 운영하는 기관입니다. 컨소시엄으로 운영 시, 대표기관의 명칭이 나타납니다


  3. 강좌의 구성 주차 수를 의미합니다. (강좌를 충실히 학습하기 위해 필요한 주당 학습시간을 의미합니다.)

    Course Week
    (Estimated Effort)

    (주당 03시간 00분)
  4. 본 강좌 이수자에게 인정되는 학습시간으로 해당 강좌의 동영상, 과제, 시험, 퀴즈, 토론 등의 시간을 포함합니다. (강의 내용과 관련된 동영상 재생 시간의 총 합계입니다.)

    Accredited learning time
    (Video Duration)

    (13시간 00분)
  5. 수강신청이 가능한 기간으로 해당 기간 내에만 수강신청이 가능합니다.

    Course Registration Period

    2017.10.17 ~ 2017.11.30
  6. 강좌가 운영되고 교수지원이 이루어지는 기간입니다. 이수증은 강좌운영기간이 종료된 이후에 발급받을 수 있습니다.

    Classes Period

    2017.10.17 ~ 2018.01.30