기계학습

강좌 소개

수업내용/목표

◎ 수업 개요
- 다양한 형태의 데이터를 다루기 위한 기초적인 방법론을 학습할 수 있도록 기계학습의 원리와 응용을 다루고,
이를 융합연구의 토대로 활용할 수 있는 통찰력을 얻을 수 있다.

◎ 수강대상
- 기계학습 관련 전공 학과의 대학생
- 융합 연구의 기초를 다듬기 원하는 연구자

◎ 수업목표
- 기계학습의 전반적인 이론을 이해한다.
- 기계학습 방법론을 다양한 분야에 적용할 수 있다.

홍보/예시 영상

강좌 운영 계획

강의계획서
주차	주차명	차시명	학습활동
1	기계학습 소개	1차시. 기계학습 정의 및 데이터의 이해	퀴즈 3문항
		2차시. 기계학습 활용사례 소개
		3차시. 데이터 마이닝 프로세스
2	기계학습과 수학	1차시. 응용선형대수	퀴즈 3문항 토론
		2차시. 확률 및 통계
		3차시. 최적화
3	데이터 전처리	1차시. 데이터 셋의 종류 및 속성 타입	퀴즈 3문항
		2차시. 데이터의 기본 통계 및 시각화
		3차시. 데이터 유사도
4	기초 분류 모델 I	1차시. 분류 문제 기본 개념	퀴즈 3문항 읽기자료
		2차시. 의사 결정 나무
		3차시. 베이지안 분류 모델
5	기초 분류 모델 II	1차시. 서포트 벡터 머신	퀴즈 3문항
		2차시. 모델 평가 및 선택 방법
		3차시. 앙상블 모델
6	다층 퍼셉트론	1차시. 신경망 기초 및 퍼셉트론	퀴즈 3문항 읽기자료
		2차시. 다층 퍼셉트론
		3차시. 오류 역전파 알고리즘
7	연관 분석 모델	1차시. 연관분석 기본개념	퀴즈 3문항
		2차시. 연관분석 알고리즘 소개
		3차시. 패턴 평가 방법론
8주차 중간고사
9	기초 클러스터링 I	1차시. 클러스터링 기본 개념	퀴즈 3문항
		2차시. 분할 클러스터링
		3차시. 계층 클러스터링
10	기초 클러스터링 II	1차시. 밀도 기반 클러스터링	퀴즈 3문항 과제
		2차시. 고급 클러스터링 방법론
		3차시. 클러스터링 평가 방법
11	이상치 탐지	1차시. 이상치 소개 및 클러스터링 기반 접근	퀴즈 3문항 읽기자료
		2차시. 통계 기반 접근
		3차시. 인접성 및 분류 기반 접근
12	딥러닝 기초 및 컨볼루션 신경망	1차시. 딥러닝 소개	퀴즈 3문항
		2차시. 컨볼루션 신경망
		3차시. 컨볼루션 신경망 사례연구
13	생성모델 및 딥러닝 최적화 I	1차시. 생성모델	퀴즈 3문항 읽기자료
		2차시. 목적함수 및 성능향상을 위한 방법 I
		3차시. 성능향상을 위한 방법 II
14	딥러닝 최적화 II 및 텍스트 마이닝	1차시. 규제 기법	퀴즈 3문항 토론
		2차시. 최적화
		3차시. Special Topic: 텍스트 마이닝
15주차 기말고사

강좌운영팀 소개

교수자

김미숙 교수: ◎ 학력사항; - 서울대학교 산업공학과 공학박사; - 포항공과대학교 산업공학과 공학석사; - 포항공과대학교 산업공학과 공학사; ◎ 경력사항; - 세종대학교 데이터 사이언스학과 조교수; - 삼성전자 종합기술원 머신러닝랩 책임연구원; - World Quant Seoul Branch; - KB 국민은행 자본시장부 대리; ◎ 주요 연구실적; - “Representationlearning for unsupervised heterogeneousmultivariate time series segmentation and its application.”, Computers andIndustrial Engineering (2019); - “Stock price prediction through sentiment analysis ofcorporate disclosures using distributed representation” Intelligent Data Analysis (2018); - “Virtual Metrology for Copper-Clad Laminate Manufacturing”, Computers and Industrial Engineering (2017); - "GLOBAL SEARCH OF GENETIC ALGORITHM ENHANCED BY MULTI-BASIN DYNAMIC NEIGHBOR SAMPLING", International Journal of Industrial Engineering (2015)

강좌지원팀

김 은: E-mail: k36737@naver.com

강좌 수강 정보

이수/평가정보

과제명	퀴즈	과제	중간고사	기말고사
반영비율	25%	25%	20%	30%

※ 총 60% 이상 점수 획득 시, 이수증을 발급받을 수 있습니다.

- 퀴즈 : 매주차 3문항 (풀이기회 2번)
- 과제 : 10주차 논문요약
- 중간고사 : 8주차 10문항, 선다형 및 수치 입력 (풀이기회 1번)
- 기말고사 : 15주차 10문항, 선다형 및 수치 입력 (풀이기회 1번)

강좌 수준 및 선수요건

전공기초 수준

교재 및 참고문헌

◎ 교재
- 기계학습(Machine Learning), 오일석, 한빛아카데미, 2016
- Data Mining-Concepts and Techniques, 3 edition (JiaweiHan, et al.)

◎ 참고문헌
- Jordan, M. I., & Mitchell, T. M., Machine learning: Trends, perspectives, and prospects. Science, 2015.
- Liao, S. H., Chu, P. H., & Hsiao, P. Y., Datamining techniques and applications–A decade review from 2000 to 2011. Expert systems with applications, 2012.
- Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., ... & Zhou, Z. H., Top 10 algorithms in datamining. Knowledge and information systems, 2008.

자주 묻는 질문

세종대학교 재학생이 학점인정을 위해 본 강좌를 수강할 경우 K-MOOC 강좌 이수 외에 추가적으로 수행하여야 하는 활동은 무엇인가요?

교내에서 실시되는 '오프라인 특강' 및 '오프라인 시험'에 반드시 참여해야 학점을 인정받을 수 있습니다. (평가 점수 반영) 오프라인 행사의 일시 및 장소는 학기 중, 본 플랫폼 공지사항을 통하여 안내할 예정입니다.

SejonguniversityK: SJKMOOC15k 기계학습