1

머신러닝 개요

1차시. 머신러닝이란 무엇인가?

퀴즈
(2문항)

2차시. 지도학습

3차시. 비지도학습

4차시. 수학 복습: 벡터와 행렬

5차시. 수학 복습: 벡터-행렬 연산

2

선형 회귀

1차시. 선형 회귀: 모델 표현

퀴즈
(2문항)

2차시. 선형 회귀: 경사 하강 개념

3차시. 경사 하강

4차시. 경사 하강 개념

5차시.경사 하강과 선형 회귀

3

다변수 선형 회귀

1차시. 다변수 선형 회귀

퀴즈
(2문항)

2차시. 특징 값 스케일링

3차시. 경사 하강: 학습 속도

4차시.새로운 특징 값 만들기

5차시. 정규 방정식

4

데이터 분류

1차시. 이진 분류

퀴즈
(2문항)

과제(1)

2차시. 분류 경계선

3차시. 로지스틱 회귀: 비용함수

4차시. 최적화

5차시. Multiclass Classification

5

정규화(Regularization)

1차시. 과적합(Overfitting)

퀴즈
(2문항)

2차시. 정규화(Regularization)

3차시. 선형 회귀의 정규화

4차시.로지스틱 회귀의 정규화

5차시.다항 회귀의 정규화

6

신경회로망 모델링

1차시. 비선형 예측 함수

퀴즈
(2문항)

2차시. 뉴런과 브레인

3차시. 뉴런 모델 표현

4차시. 신경회로망 모델 표현

5차시.논리 함수 구현

7

신경회로망 학습

1차시. 비용 함수

퀴즈
(2문항)

2차시. 오차 역전파 학습 알고리즘

3차시. 신경회로망 파라미터 최적화

4차시. 오차 역전파 알고리즘의 행렬 표현

5차시.오차 역전파 알고리즘 응용

8주차 중간고사

9

머신러닝의 적용

1차시. 예측 함수의 성능 평가

퀴즈
(2문항)

2차시. 최적 모델의 선택

3차시. Bias와 Variance

4차시. 학습 곡선

5차시. 학습 알고리즘의 성능 향상

10

머신러닝 시스템 설계

1차시. 머신러닝 시스템 설계 시 고려사항

퀴즈
(2문항)

2차시. 오차 분석 방법

3차시. 불균형 데이터의 경우 오차 평가척도

4차시. 정밀도(Precision)와 재현율(Recall)의 Trade-Off

5차시. 학습 데이터 수와 텍스트 오차의 관계

11

Support Vector Machine

1차시. SVM의 최적화 목적 함수

퀴즈
(2문항)

2차시. 최대 마진 개념

3차시. 최대 마진 분류의 수학적 개념

4차시. 커널의 개념

5차시. SVM 적용하기

12

클러스터링

1차시. 비지도 학습

퀴즈
(2문항)

과제(2)

2차시. K-Means 알고리즘의 원리

3차시. K-Means 알고리즘의 최적화 목적 함수

4차시. 랜덤 초기화와 K-Means 알고리즘

5차시. 클러스터 수의 결정

13

차원 줄이기

1차시. 차원 줄이기의 목적

퀴즈
(2문항)

2차시. Principal Component Analysis

3차시. PCA 알고리즘

4차시. Principal Component 수의 결정

5차시. PCA 적용 방법

14

이상 데이터 검출

1차시. 이상 데이터 검출 문제 정의

퀴즈
(2문항)

2차시. 가우시안 분포

3차시. 이상 데이터 검출 알고리즘

4차시. 이상 데이터 검출을 위한 특징 변환

5차시. 다변수 가우시안 분포

15주차 기말고사