aimers
1.Part1) AI 윤리-1
데이터를 다룰 때 데이터 전처리, 수집, 해석의 전반적인 과정에서 주의해야 하는 사항에 대해서 알아보자.
2.Part1) AI 윤리-2
AI 작품을 저작권에 대해서 어떻게 다룰지 기존의 예술가들에 대해서 어떻게 대해야 할지 알아본다. AI 알고리즘의 결정이 인간의 윤리와 다를 때 어떻게 해야하는지 ai 관련 윤리와 신뢰 문제에 대해서 알아본다.
3.Part1) AI 윤리-3
기존 산업에서 디지털 전환을 성공적으로 이룬 점에서 데이터 과학에 대해서 알아보자
4.Part2) Machine Learning-1
기계학습의 정의와 종류에 대해서 알아보자.
5.Part2) Machine Learning-2
기계학습의 오차를 구성하고 있는 bias와 variance 와 함께 기계학습의 목표인 일반화와 밀접한 관계를 가진 overfitting과 underfitting에 대해 알아보자.
6.Part2) Machine Learning-3
open AI의 GPT와 함께 LLM에 대해서 알아보자.
7.Part3) Supervised Learning-1
Supervised Learning의 공통적인 특징들에 대해서 알아보자.
8.Part3) Supervised Learning-2
Supervised Learning에서 가장 기초적이면서도 중요한 Linear regression에 대해서 자세히 알아보고, 특히 입력이 여러 차원인 경우에 대해서 어떻게 다루고 과적합과 과소적합이 발생하였을 경우에 대해서 알아보자.
9.Part3) Supervised Learning-3
지도학습의 다양한 문제들에 대해서 공통적으로 적용이 가능한 gradient descent 알고리즘에 대해서 알아보자.
10.Part3) Supervised Learning-4
분류에서 이진 분류를 선형적으로 분류하는 선형 분류를 다루어 보자.선형 분류가 선형 회귀와 어떤 관계를 가지는지도 이해하면서 알아보자.
11.Part3) Supervised Learning-5
로지스틱 회귀는 binary classifiction에서 0-1 손실을 이용해서 yes 또는 no를 강제한 것과 다르게 yes의 확률이 얼마인가와 같은 soft-prediction을 사용했을 때 변화를 알아보자.
12.Part3) Supervised Learning-6
Linear regression과 softmax뿐만 아니라 지도학습의 전통적인 이론인 decision tree와 random forest, boosting 등에 대해서 알아보고 최근 진행되는 연구들에서 지도학습을 사용하는 예시들에 대해서 알아보자.
13.Part4) Deep Learning-1
Perceptron과 multi-layer 구조를 알아보고, classification에서 Softmax와 Logistic Regression 등 다양한 출력 형태와 손실 함수를 활용해 딥러닝을 알아보자.
14.Part4) Deep Learning-2
deep learning을 학습하기 위한 gradient descent와 편미분 을 통한 back propagation 과정과 활성화 함수를 사용하였을 때 발생하는 gradient vanishing 문제를 알아보고 batch normalization에 대해서 알아보자.
15.Part4) Deep Learning-3
Convolution의 핵심 의미인 전체 이미지상에서 부분패턴을 추출하고 bottom up방식으로 통합해서 복잡한 패턴을 추출함으로써 고차원적인 물체를 인식하는 방법을 알아보자. CNN 기반으로 하는 VGGNet과 ResNet을 알아보고 ResNet에서 사용되는 ski
16.Part4) Deep Learning-4
17.Part4) Deep Learning-5
18.Part4) Deep Learning-6
19.Part5) Mathmatics for ML-1
20.Part5) Mathmatics for ML-2
21.Part5) Mathmatics for ML-3