AI 연구자를 위한 통계적 학습론

강좌 소개

수업내용/목표

본 강의는 인공지능 (Artificial Intelligence - AI) 연구자들을 위한 것으로 인공 신경망 모형의 연구에 반드시 필요한 통계적 이론을 다루게 됩니다. 본 강의는 대학원 석사 수준의 강의로서 대학 수학, 행렬대수 등의 사전 지식이 요구되며, 학부수준 수리통계학 (Hogg, McKean, and Craig level)과 회귀분석 (Draper and Smith level)에 대한 사전 지식이 있으면 강의의 효율성이 더 증대될 것입니다.

강좌 운영 계획

강의계획서
주차	주제	소주제 과제
1주차	1. Introduction	1.0 Prerequisites
		1.1 About This Lecture - 1.2 History on AI
		1.3 Dataset
2주차	2. Preliminaries	2.1 Matrix Alebra
		2.2 Model Assessment and Selection I
		2.2 Model Assessment and Selection II
3주차	2. Preliminaries	2.3 Taylor Expansion
		2.4 Maximum Likelihood Methods
		2.5 The EM Algorithm
4주차	2. Preliminaries	2.6 Bayesian Methods
	3. Regression	3.1 Parametric Regression / Linear Regression
	3. Regression	3.1 Parametric Regression / Subset Selection
5주차	3. Regression	3.1 Parametric Regression / Ridge Regression
		3.1 Parametric Regression / Lasso
		3.1 Parametric Regression / Other Shrinkage Methods
6주차	3. Regression	3.2 Nonparametric Regression / Smoothing Splines I
		3.2 Nonparametric Regression / Smoothing Splines II
		3.2 Nonparametric Regression / Nonparametric Logistic
7주차	4. Classification	4.1 Introduction - 4.2 Parametric Classifiers
		4.3 Nonparametric Classifiers / Kernel Density
		4.3 Nonparametric Classifiers / CART
중간시험
8주차	4. Classification	4.4 Support Vector Machine / Linearly Separable Case
		4.4 Support Vector Machines / Linearly Nonseparable Case
		4.4 Support Vector Machines / Nonlinear Case
9주차	4. Classification	4.4 Support Vector Machine / Regression
		4.5 Ensemble Learning / Bagging
		4.5 Ensemble Learning / Boosting
10주차	4. Classification	4.5 Ensemble Learning / Boosting and Additive Trees
	4. Classification	4.5 Ensemble Learning / Boosting Algorithms and Random Forest
	5. Neural Networks	5.1 Projection Pursuit Regression
11주차	5. Neural Networks	5.2 Neural Networks - 5.3 Fitting Neural Networks
		5.4 Some Issues in Training Neural Networks
		5.4 Some Issues in Training Neural Networks / Examples
12주차	6. Cluster Analysis	6.1 Introduction - 6.2 Combinatorial Algorithm - 6.3 k-means
		6.4 Vector Quantization - 6.5 Hierarchical Clustering
		6.6 Self-Organizing Maps - 6.7 Spectral Clustring I
13주차	6. Cluster Analysis	6.7 Spectral Clustring II
		6.8 Principal Components, Curves, and Surfaces I
		6.8 Principal Components, Curves, and Surfaces II
기말시험

강좌운영팀 소개

교수자

김충락 교수: 현) 부산대학교 통계학과 교수 (1990.03 ~ 현재)
학력: 서울대학교 계산통계학과 학사 (1981.02); 서울대학교 대학원 계산통계학과 석사 (1983.02); U. of Wisconsin – Madison 통계학 박사 (1989.05)
경력 및 수상: JKSS 편집위원장 (2006.01 ~ 2007.12); 부산과학기술상 (2010.04); 부산대학교 입학본부장 (2012.02 ~ 2014.07); 최우수논문상 - 영국통계학회 (2013.07); 부산대학교 교육자상 (2013.11); 한국갤럽학술상 (2014.11); 눌원학술상 (2015.11); 부산대학교 교무처장 (2014.08 ~ 2016.02); 한국통계학회 차기회장 (2017.01 ~ 2017.12); 한국통계학회 회장 (2018.01 ~ 2018.12)

강좌지원팀

김기풍 조교: 부산대학교 통계학과

배수현 조교: 부산대학교 통계학과

강좌 수강 정보

이수/평가정보

이수/평가정보
중간고사	기말고사
50%	50%

※ 총 60% 이상 점수 획득 시, 이수증을 발급받을 수 있습니다.

교재 및 참고문헌

The Elements of Statistical Learning, 2/E Data Mining, Inference, and Prediction

The Elements of Statistical Learning, 2/E
Data Mining, Inference, and Prediction

회귀분석 -제2판-
저자: 김충락, 강근석 / 출판사: 교우사

PNUk: SL_C01 AI 연구자를 위한 통계적 학습론