Skip to main content
Machine Learning for Data Science 동영상

Machine Learning for Data Science




강좌 안내


기계학습 이론과 전문기술은 현대 데이터과학 응용에서 결정적인 역할을 합니다. 이 분야 전문기술은 다양한 분류와 회귀 모델, 군집화, 차원 축소, 강화학습 그리고 딥러닝을 포함합니다. 기계학습 문제와 관련 전문기술에 대한 큰 그림에 대해서 이해하는 것은 적절하게 이 분야의 문제해결에 활용하는데 중요합니다. 이 강좌의 목표는 학습자들에게 기계학습의 기본 지식과 그 뒤에 숨겨진 의도를 제공하고 현실 세계문제에 적절하게 응용하려는 것입니다.

이 강좌는 특히 데이터과학을 위한 기계학습, 강화학습, 딥러닝, 상호작용적 가시화 분야에 대한 기본 원리를 포함합니다. 이 원리들은 기계학습에서 널리 사용되는 전문기술들입니다.

이 강좌는 선형 대수, 확률과 통계, 그리고 다변수 미적분과 최적화의 기본 원리에 대한 이해를 필요로 합니다. 이 원리들은 "Mathematical Fundamentals for Data Science" 강좌를 통해서 학습할 수 있습니다.

이 강좌는 16주차(2주는 자율학습, 1주는 시험)으로 구성되어 있습니다. 매 주차 비디오 강좌를 듣고 난 후, 퀴즈 버튼을 눌러서 퀴즈를 풀어야 점수에 반영됩니다. 해당 주차가 끝날 때 마다 게시판에서 관련 주제로 토론을 할 수 있습니다. 평가 내용은 퀴즈(40%), 시험(60%)입니다. 이 강좌를 통과하려면 총 점수의 60% 이상을 얻어야 합니다.

이 강좌는 영어로 진행되며 영어자막과 한글자막을 동시에 제공합니다. 질문과 토론에서 한국어를 사용할 수 있습니다.



주차

세부주제

교수

비고

1

기계학습 개요

석준희

09/03/2018

2

지도 학습 (I): 선형 회귀

석준희

 

3

지도 학습 (II): 회귀 

석준희

 

4

지도 학습 (III): 분류

석준희

 

5

지도 학습 (IV): 모델 선택

석준희

 

6

자율학습

 

 

7

비지도 학습 (I): 개요, 군집화, k-평균 알고리즘

정태수

 

8

비지도 학습 (II): PCA, 가우시안 혼합 모델

정태수

 

9

강화 학습 (I): 동적계획법, 마코프 체인

정태수

 

10

강화 학습 (II): 마코프 결정 프로세스, 강화 학습 알고리즘

정태수

 

11

자율학습

 

 

12

딥러닝 (I): 다층 신경망

주재걸

 

13

딥러닝 (II): 합성곱 신경망

주재걸

 

14

딥러닝 (III): 반복 신경망

주재걸

 

15

딥러닝 (IV): 주목 모델 

주재걸

 

16

기말시험

 

 

세부 강의 일정



About This Course

I. Rationale:

Theories and techniques in machine learning plays a crucial role in modern data science applications. Such techniques include various classification and regression models, clustering, dimension reduction, reinforcement learning, and deep learning. Understanding of the big picture of machine learning problems and available techniques is critical in properly utilizing them for one’s own problem. The goal of this course is to provide students with basic knowledge of machine learning and intuitions behind them as well as their proper applications to real-world problems.

In this course, we specifically cover basic principles in machine learning, reinforcement learning, deep learning, and interactive visualization for data science, which covers widely-used techniques in machine learning.

We remark that this course assumes the student’s basic knowledge in the mathematical background for data science and machine learning, such as linear algebra, probability, statistics, multivariable calculus, and so on.


II. Course Aims and Outcomes:

Aims : The aim of this course is to provide students the theory and the techniques in machine learning.

Specific Learning Outcomes: By the end of this course, students will:
• have an overview of machine learning tasks and the corresponding techniques to tackle them.


III. Course Requirements:

We presume students have a basic understanding of a high-school level mathematics although this course is designed for people who might be familiar with and exposed to a certain level of basic concepts in probability, calculus or linear algebra at the high-school or 1st-year college level.


IV. Grading Procedures:

Grading policy is as follows:

• Quizzes (40%)

• Exams (60%)

To pass the course, you must score 60% or above.


V. Course Schedule

• Course registration period : 2019.08.26~2019.12.29

• Opening and Ending : 2019.09.02~2018.12.29


Ⅵ. Course Staff

Prof. Taesu Cheong Image

정태수교수(Taesu Cheong)

Professor, School of Industrial Management Engineering, Korea University

tcheong@korea.ac.kr

Prof. Jaegul Choo Image

주재걸교수(Jaegul Choo)

Professor, Dept. of Computer Science and Engineering, Korea University

jchoo@korea.ac.kr

Prof. Junhee Seok Image

석준희교수(Junhee Seok)

Professor, Dept. of Electrical Engineering, Korea University

jseok14@korea.ac.kr

TA. Soonkyo Lee Image

이순교조교(Soonkyo Lee)

Teaching Assistant, School of Industrial Management Engineering, Korea University

myeva@korea.ac.kr

TA. Sungbok Shin Image

신성복조교(Sungbok Shin)

Teaching Assistant, Dept. of Computer Science and Engineering, Korea University

sb.shin.mail@gmail.com

TA. Donghyun Tae Image

태동현조교(Donghyun Tae)

Teaching Assistant, Dept. of Electrical Engineering, Korea University

hyunnibal@korea.ac.kr


관련 강좌

현재 강좌와 관련있는 강좌를 찾을 수 없습니다.
  1. Subject

    Engineering
    (Computers & Communication)
  2. 강좌를 개발하고 운영하는 기관입니다. 컨소시엄으로 운영 시, 대표기관의 명칭이 나타납니다

    Institution

    KOREA UNIVERSITY
  3. 강좌의 구성 주차 수를 의미합니다. (강좌를 충실히 학습하기 위해 필요한 주당 학습시간을 의미합니다.)

    Course Week
    (Estimated Effort)

    16week
    (주당 03시간 00분)
  4. 본 강좌 이수자에게 인정되는 학습시간으로 해당 강좌의 동영상, 과제, 시험, 퀴즈, 토론 등의 시간을 포함합니다. (강의 내용과 관련된 동영상 재생 시간의 총 합계입니다.)

    Accredited learning time
    (Video Duration)

    46시간 00분
    (13시간 00분)
  5. 수강신청이 가능한 기간으로 해당 기간 내에만 수강신청이 가능합니다.

    Registration Period

    2019.08.26 ~ 2019.12.29
  6. 강좌가 운영되고 교수지원이 이루어지는 기간입니다. 이수증은 강좌운영기간이 종료된 이후에 발급받을 수 있습니다.

    Classes Period

    2019.09.02 ~ 2019.12.29