stanford의 오픈 머신러닝 강의인 CS229(2018 autumn)를 완강을 했습니다.
2018 autumn 버전을 선택한 이유는 교수가 andrew ng 교수라서 (워낙 저명한 교수님이기도 하고 자료가 많을거라고 생각했습니다.)선택을 했습니다.
※스탠퍼드의 대학원생이 듣는 강의입니다※
https://www.youtube.com/watch?v=jGwO_UgTS7I&list=PLoROMvodv4rMiGQp3WXShtMGgzqpfVfbU
7월 중순부터 약 8주동안 수강을 했고 그 느낀 점을 적으려고 합니다.
일단 수강을 하기에 앞서 제 사전 지식에 대해 말씀을 드리겨고 합니다.
수학과목: 미분적분학1,2 선형대수학, 공학수학 1,2 과목을 듣고 수강을 했습니다.
그리고 머신러닝에 대한 대학전공과목을 하나 수강한 후 CS229 수강을 시작했습니다.
머신러닝에 대한 가벼운 사전지식을 가지고 수강했다고 생각하시면 됩니다.
~(딱히 그 과목을 수강한 것이 도움이 된거 같지는 않습니다.)~
강의를 수강하면서 느낀 단점:
1. 교수가 강의록과 다른 내용을 가르침 (대부분의 대학강의가 그렇지만 오픈 강의니까 약간의 기대를 하였습니다.)
2. 통계학 지식이 없으면 수강하는데에 있어 굉장한 어려움을 겪을 가능성이 높음
사실 어느정도는 수학적 내용이 있을거라고 생각하고 들었고 수학전공자는 아니지만 수학내용을 이해하는데 과연 얼마나 어려움이 있을까 생각을 했지만 어려움을 많이 겪었습니다. 대학 교양 확률과 통계학 수준보다 훨씬 어렵습니다.
체감은 통게학과 2~3학년의 내용은 전부 알아야 이해가 빠를것 같습니다.
3. 실제 개발, 머신러닝 코딩과는 괴리감이 크다. 이론적인 내용이 95%가 넘어가고 과제들도 주로 수학적인 내용입니다.
당장 코딩을 해야하는 분들에게는 필요가 없는 과목입니다.
4. 한국에는 완강을 하고 예쁘게 정리한 사람이 없는 것 같았고 자료를 찾으면서 듣기가 굉장히 어려웠습니다.
강의를 수강하면서 느낀 장점:
1. 머신러닝이 통계적으로, 수학적으로 어떻게 진행이 되는지 원론적으로 볼 수 있는 기회가 되었습니다.
2. AI 대학원 진학을 생각하시거나, 통계대학원 진학을 하신다면 한번 쯤 들어보시면 좋을 것 같다는 생각을 하였습니다.
(저 같은 학부생은 듣기에 좀 어렵네요)
- ~스탠퍼드에서 수업듣는 기분이 들었습니다.~
이제 앞으로 약 20개의 강의를 주에 3개씩 계속 정리해서 올릴 생각입니다.
들으면서 스스로 어려움이 있었고 그 점을 생각하면서 예쁘게 정리해보겠습니다. :)
