Skip to main content
머신러닝 이미지

머신러닝




강의소개

머신러닝은 데이터에 존재하는 정보를 추출하거나 패턴을 학습하는 학문이고, 인공지능 기수에 가장 핵심적인 분야이다. 우선, 기본적인 선형대수 개념을 바탕으로 일반적인 최적화 및 온라인 최적화 문제를 다룬다. 그리고 머신러닝에서 주로 다루는 스코어 함수와 손실함수를 앞서 배운 최적화 프레임에 대입해본다. Chained function이 주어졌을 때 일반적으로 사용할 수 있는 computational graph의 roqua과 backpropagation에 대해 학습하고 컨볼루션 및 순환 신경망에 어떻게 적용하는지를 학습한다.
※본 강좌는 영어로 진행됩니다.

  학습목표

•  머신러닝의 수학적인 원리를 설명할 수 있다.
•  원리를 바탕으로 알고리즘이 어떻게 설계되는지 설명할 수 있다a.
•  알고리즘의 실제 문제에 적용할 수 있다.

  연관 선수 강좌

•  기본적으로 심화 강좌인 머신러닝을 제외한 4강좌의 학습 순서는 상관없음
•  내용 구성을 고려하여 화살표로 그 순서를 제안

연관 선수 강좌는 이론, 도구, 적용 부분으로 구성되어 있으며 먼저 이론으로는 데이터마이닝, 인공지능의 기초, 머신러닝 강좌가 있습니다. 이론 강좌 중 머신러닝은 인공지능의 기초 강좌 다음에 수강하는 것이 효과적입니다. 다음으로 도구 부분 과정으로 빅데이터와 머신러닝 소프트웨어가 있으며 적용 부분으로 빅데이터와 인공지능의 응용 강좌가 있습니다. 이론 강좌 중 머신러닝 강좌는 심화강좌이며 나머지 강좌는 기초강좌 입니다.

교수소개

송현오 교수 – 서울대학교 공과대학 컴퓨터공학부  

  학력

•  한양대학교 기계공학 학사 (2006)
•  Stanford University, Mechanical engineering 석사 (2008)
•  University of California, Berkeley, Computer Science 석사 (2013)
•  University of California, Berkeley, Computer Science 박사 (2014)

  주요경력

•  2013: IBM Research (Research intern)
•  2013: INRIA Grenoble (Visiting researcher)
•  2014.11. – 2016.07.: Stanford University (Postdoctoral fellow)
•  2016.07. – 2017.08.: Google Research (Research Scientist)
•  2017.09. – 현재: 조교수, 서울대학교 컴퓨터공학부

  연구분야

•  Artificial intelligence, Robotics, Optimization, Machine learning
 

강의구성

  총 9주차

 •  강좌계획표(Syllabus)

 
강좌 계획표
주차  개강일 학습목표 학습내용 평가
1주차  1월 22일 머신러닝의 개념을 설명할 수 있다 Logistics Introduction, Types of ML problems
2주차 1월 29일 최적화 개념을 들어가기 앞서 필수 배경 지식을 설명할 수 있다. Basic linear algebra 퀴즈
3주차 2월 5일 일반적인 최적화 문제를 공식화하는 과정과 해를 찾는 과정을 설명할 수 있다. Descent methods, Coordinate descent
4주차 2월 12일 대량의 데이터를 바탕으로 최적화할 때 stochastic gradient descent를 이용해 해를 찾을 수 있다. Online method, Advanced online descent methods 퀴즈
5주차 2월 19일 대량의 데이터를 바탕으로 최적화할 때 stochastic gradient descent를 이용해 해를 찾을 수 있다. Score functions, Loss functions
6주차 2월 26일 손실함수를 미분 가능한 chained function 형태로 표현하고 최적화할 수 있다. Computational graphs, Neural networks 퀴즈
7주차 3월 5일 Spatial invariance를 위한 컨볼루션과 Temporal modeling을 위한 순환 신경망을 설명할 수 있다. Convolutional neural network, Pooling layer, Activation, Weight initialization
8주차 3월 12일 Environment와 반복적으로 interaction하면서 강화학습을 설명 할 수 있다. Reinforcement Learning, Value based model free reinforcement learning 퀴즈
9주차 3월 18일 기말고사


  평가 비율 

평가 비율
퀴즈중간고사기말고사
50% 0% 50%

60점 충족 시 이수증 발부

  교재

•  교재는 학습자료로 제공
     ※학습자료는 다운로드 가능

  수강신청 기간

•  2018년 1월 8일(화) ~ 2019년 3월 5일(화)

  운영 기간

•  2019년 1월 22일(화) ~ 2019년 3월 18일(월)

  개설 방식

•  매주 1개 주차씩 순차 오픈

조교소개

  메일 : harry2636@snu.ac.kr

관련 강좌

  1. major

    Engineering
    (Computers & Communication)
  2. 강좌 내용의 어려운 수준을 의미합니다. 교양, 전공기초, 전공심화 순으로 난이도가 증가합니다.

    Course difficulty

    intermediate
  3. 강좌를 개발하고 운영하는 기관입니다. 컨소시엄으로 운영 시, 대표기관의 명칭이 나타납니다

    univ_name

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

    Course Week
    (Estimated Effort)

    08week
    (주당 01시간 00분)
  5. 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)

    05시간 00분
    (04시간 00분)
  6. 수강신청이 가능한 기간으로 해당 기간 내에만 수강신청이 가능합니다.

    Course Registration Period

    2019.01.08 ~ 2019.03.06
  7. 강좌가 운영되고 교수지원이 이루어지는 기간입니다. 이수증은 강좌운영기간이 종료된 이후에 발급받을 수 있습니다.

    Classes Period

    2019.01.22 ~ 2019.03.19