AI with GPT - Intro

Sylen·2024년 5월 30일
AIML

AI with GPT

목록 보기
1/7

GPT4o가 나오면서 성능과 속도가 매우 향상되었다고 생각되어, GPT를 통해 기계학습에 대한 전반적인 개념을 공부해봐도 괜찮겠다는 생각이 들었다.
계기는 대학원 수업에서 음성인식 AI에 대한 강의를 들으면서 GMM과 EM, HMM에 대해 수학적으로 정리하는 과정에서 GPT4o를 사용해 본 것이었는데, 설명히 굉장히 깔끔하고 자세하며 그 정확도 또한 신뢰할만한 수준임을 확인할 수 있었다.
따라서 GPT4o에게 인공지능 공부를 위해 알아야 할 대주제와 세부개념을 정리하게 한 뒤, 차근차근 개념에 대한 설명, 수식, 코드, 예제 등을 포함하여 공부하면 프롬프트를 적절히 튜닝하면서도 GPT에 쓴 돈을 제대로 사용할 수 있을 것 같다는 생각이 들었다.

Prompt

기계학습을 공부하기 위해 필요한 개념을 전체적으로 정리하고 싶어. 1.주제 2.개념 으로 해서 마크다운형식으로 정리한다면 주제에 대해서만 먼저 최대한 많이 나열해볼래?

Answer

물론입니다. 여기서는 기계학습을 공부하기 위해 필요한 주요 주제들을 마크다운 형식으로 정리하겠습니다. 각 주제는 기계학습 및 딥러닝을 깊이 있게 이해하고 연구하기 위해 필수적인 개념들을 포함합니다.

1. 기계학습 개념 정리 주제 목록

기본 개념

  1. 기계학습 소개
  2. 기계학습의 유형
  3. 지도학습
  4. 비지도학습
  5. 강화학습

수학적 기초

  1. 미적분학
  2. 선형대수학
  3. 확률 및 통계
  4. 정보이론
  5. 함수해석학

기본 알고리즘

  1. 선형 회귀
  2. 로지스틱 회귀
  3. 퍼셉트론
  4. 다층 퍼셉트론

신경망 구조

  1. 합성곱 신경망 (CNN)
  2. 순환 신경망 (RNN)
  3. LSTM
  4. GRU
  5. 트랜스포머
  6. DenseNet
  7. ResNet
  8. Inception Network
  9. MobileNet
  10. NASNet
  11. EfficientNet
  12. Xception
  13. SqueezeNet
  14. ShuffleNet
  15. Wide ResNet

최적화 기법

  1. 확률적 경사 하강법 (SGD)
  2. 모멘텀
  3. 아담 (Adam)
  4. RMSprop
  5. Adagrad
  6. AdaDelta
  7. AdamW
  8. Nadam
  9. L-BFGS
  10. Nesterov Accelerated Gradient (NAG)
  11. Gradient Clipping
  12. Learning Rate Schedulers
  13. 라그랑주 승수법
  14. 뉴턴-랩슨 방법

정규화 및 활성화 함수

  1. 배치 정규화
  2. 드롭아웃
  3. ReLU
  4. Leaky ReLU
  5. ELU
  6. PReLU
  7. Layer Normalization
  8. Instance Normalization
  9. Group Normalization
  10. Spectral Normalization

데이터 전처리 및 특성 추출

  1. 표준화
  2. 정규화
  3. 원-핫 인코딩
  4. TF-IDF
  5. Embedding Techniques
  6. Feature Engineering
  7. Dimensionality Reduction
  8. Imputation

비지도 학습 및 클러스터링

  1. K-평균 클러스터링
  2. 주성분 분석 (PCA)
  3. 가우시안 혼합 모델 (GMM)
  4. 자동 인코더
  5. TSNE
  6. UMAP
  7. DBSCAN
  8. Hierarchical Clustering
  9. Self-Organizing Maps (SOM)
  10. Spectral Clustering
  11. Affinity Propagation
  12. Mean-Shift Clustering
  13. Agglomerative Clustering
  14. Isolation Forest

생성 모델

  1. 변분 오토인코더 (VAE)
  2. 생성적 적대 신경망 (GAN)
  3. Conditional GAN (CGAN)
  4. CycleGAN
  5. Pix2Pix
  6. StyleGAN
  7. BigGAN
  8. InfoGAN
  9. SRGAN
  10. VQ-VAE
  11. BEGAN
  12. Wasserstein GAN (WGAN)

강화 학습

  1. Q-러닝
  2. 심층 Q-네트워크 (DQN)
  3. 정책 경사 (Policy Gradient)
  4. A3C
  5. PPO
  6. SAC
  7. DDPG
  8. TRPO
  9. HER
  10. TD3
  11. C51
  12. Dyna-Q

기타 신경망 모델 및 기법

  1. CapsNet
  2. ESN
  3. Liquid State Machines
  4. Extreme Learning Machine (ELM)
  5. Radial Basis Function Networks (RBFN)
  6. Graph Convolutional Networks (GCN)
  7. Message Passing Neural Networks (MPNN)
  8. Temporal Convolutional Networks (TCN)
  9. Pointer Networks
  10. Neural Turing Machines (NTM)
  11. Attention Mechanism
  12. Self-Attention
  13. Graph Attention Networks (GAT)

특수 목적 알고리즘

  1. Curriculum Learning
  2. Meta-Learning
  3. Few-Shot Learning
  4. Zero-Shot Learning
  5. Active Learning
  6. Contrastive Learning
  7. Metric Learning
  8. Deep Reinforcement Learning
  9. Neural Architecture Search (NAS)
  10. Bayesian Optimization
  11. Transfer Learning
  12. Domain Adaptation
  13. Adversarial Training
  14. Knowledge Distillation
  15. Self-Supervised Learning
  16. Sparse Coding
  17. Energy-Based Models (EBM)
  18. Reinforcement Learning with Imitation Learning
  19. Hawkes Processes
  20. Ensemble Learning
  21. Bagging
  22. Boosting
  23. Stacking
  24. Multimodal Learning
  25. Online Learning
  26. Distributed Training

이 목록은 기계학습을 체계적으로 공부하기 위해 필요한 주요 주제들을 포괄하고 있습니다. 다음 단계로 각 주제에 대한 세부 개념을 정리할 수 있습니다.

profile
Sylen
AI가 재밌는 걸
다음 포스트

AI with GPT - Intro2

0개의 댓글