Coursera Machine Learning 강의를 듣고
이 강의를 듣게된 동기는 회사에서 Machine Learning 관련 업무를 맡을 뻔해서, 유투브에서 관련 강의/정보들을 찾아봄.
그 중 머신러닝 / 딥러닝 강의 7가지 추천에서 Andrew Ng 교수님의 Machine learning 강의을 알게됨.
결국 실무를 맡지는 않았지만, 이왕 시작한 강의였기 때문에 끝까지 듣게됨.
강의 내용을 이해하고, 강의에서 배운 수식을 Octave 코드로 작성하여 Matrix 계산하는게 생각보다 쉽지 않았음.
수식에서 나타난 vector 값을 Matrix 로 잘!! 만들어서 계산해야함.
프로그래밍의 기술적인 성장이나 머신러닝 프레임워크 사용법을 배우길 기대한다면 이 강의는 비추천.
어떤 공식을 모델링하거나 Machine Learning의 기본적인 경험을 해보고 싶다면 추천.
개인적으로는 대학 때 배운 공학수학과 확률 및 랜덤 프로세스, 대학원 때 수강한 물리기반 애니메이션이 도움이 되었음.
수강한 적은 없지만, 수치해석(Numerical analysis) 과목도 근사값을 구한다는 점에서 도움이 될 것 같음.
공학수학에서는 역학적인 조건으로 공식을 모델링하는 반면, 머신러닝에서는 데이터를 통해 공식(Hypothesis function, h, 가설함수)을 모델링함.
Classification을 할 때 검사 데이터가 특정 분류에 속할 확률을 구하는데 확률 개념이 들어감.
하지만, 해당 수업 내에서는 확률 및 랜덤 프로세스처럼 확률에 대해서 깊게 들어가진 않음.
강의 참고 자료
-
Week 1 Introduction: 참고
-
Week 2 Linear Regression with Multiple Variables: 참고
-
Week 3 Logistic Regression: 참고
-
Week 4 Neural Networks: Representation: 참고
-
Week 5 Neural Networks: Learning: 참고
-
Week 6 Advice for Applying Machine Learning: 참고
-
Week 7 Support Vector Machines
 | Coursera Machine Learning으로 기계학습 배우기 : week7 | Popit | | 개요 지난 시간에 이어 Coursera Machine Learning으로 기계학습 배우기 : week7 정리를 진행한다. 목차 해당 포스팅은 연재글로써 지난 연재는 아래의 링크를 참고한다. Coursera Machine Learning으로 기계학습 배우기 : week1 Coursera Machine Learning으로 기계학습 배우기 : week2 Coursera Machine Learning으로 기계학습 배우기 : week3 Coursera Machine Learning으로 기계학습 배우기 : week4 Coursera Machine Learning으로 기계학습 배우기 : week5 Coursera Machine Learning으로 기계학습 배우기 : week6 글을 읽기에 앞서… | |
- Week 8 Unsupervised Learning
 | Week 8 Clustering, | | 참조: https://www.coursera.org/learn/machine-learning/home/week/8Code: https://github.com/fabulousjeong/ML-OctaveCode/tree/master/ex7ML: ClusteringUnsupervised Learning: IntroductionUnsupervised Learning(자율학습)은 Supervised learning과 달리 레이블링 되어 있지 않는 데이터를 사용한다. 즉 예상 결과를 나타내는 y벡터 없이 x데이터만 사용한다. 클러스터링은 다음과 같은 학습에 유용하다.시장 세분화소셜 네트워크 분석컴퓨터 클러스터 조직천문데이터 분석K-Means Algorithm 출처: http://dendroid.sk/2011/05/.. | |
 | Week 9 Anomaly Detection | | 참조: https://www.coursera.org/learn/machine-learning/resources/szFCa코드: https://github.com/fabulousjeong/ML-OctaveCode/tree/master/ex8Problem Motivation Anomaly에서는 데이터 셋 ${x^{(1)}, x^{(2)},\dots,x^{(m)}}$이 주어지고, 새로운 데이터 $x_{test}$가 입력되었을 때, 이 데이터가 정상인지 이상인지 판단하고자 한다. 이를 위해 주어진 데이터가 "이상"일 확률을 계산하는 새로운 모델 p(x)를 정의한다. 또한 문턱값 ϵ(입실론)을 사용하여 데이터가 이상인지 정상인지를 판단하는 기준으로 삼는다. 보통 "사기"를 찾아내는데 Anomaly Detectio.. | |
- Week 10 Large Scale Machine Learning
 | Week 10 Learning with Large Datasets | | 참조: https://www.coursera.org/learn/machine-learning/resources/srQ23 Learning with Large Datasets 학습모델의 데이터 개수가 작아 High Variance현상이 발생할 때, 데이터 셋을 늘리는 것은 큰 도움이 된다. 반면 High Bias현상에 대해서는 그리 큰 도움이 되지는 않는다. 학습 모델을 세우다 보면 m=100,000,000과 같이 큰 데이터 셋을 사용 할 수 있다. 이러한 경우 gradient descent를 수행 할 때 1억번의 합연산을 수행해야 할 것이다. 이러한 연산은 매우 많은 메모리를 차지하며 시간 또한 오래 걸린다. 아래에 이를 피하는 방법을 소개한다. Stochastic Gradient Descent Stoc.. | |
- week 11 Application Example: Photo OCR
과제 코드
Comments