Skip to main content
머신러닝 이미지

머신러닝




강의소개

머신러닝은 데이터에 존재하는 정보를 추출하거나 패턴을 학습하는 학문이고, 인공지능 기술에 가장 핵심적인 분야이다. 우선, 기본적인 선형대수 개념을 바탕으로 일반적인 최적화 및 온라인 최적화 문제를 다룬다. 그리고 머신러닝에서 주로 다루는 스코어 함수와 손실함수를 앞서 배운 최적화 프레임에 대입해본다. Chained function이 주어졌을 때 일반적으로 사용할 수 있는 computational graph와 backpropagation에 대해 학습하고 컨볼루션 및 순환 신경망에 어떻게 적용하는지를 학습한다.
※본 강좌는 영어로 진행됩니다.

  학습목표

•  머신러닝의 수학적인 원리를 설명할 수 있다.
•  원리를 바탕으로 알고리즘이 어떻게 설계되는지 설명할 수 있다.
•  실제 문제에 알고리즘을 적용할 수 있다.

  연관 선수 강좌

•  기본적으로 심화 강좌인 머신러닝을 제외한 4개 강좌의 학습 순서는 상관없음
•  내용 구성을 고려하여 아래 도식으로 학습 순서를 제안

연관 선수 강좌는 이론, 도구, 적용 부분으로 구성되어 있으며 먼저 이론으로는 데이터마이닝, 인공지능의 기초, 머신러닝 강좌가 있습니다. 이론 강좌 중 머신러닝은 인공지능의 기초 강좌 다음에 수강하는 것이 효과적입니다. 다음으로 도구 부분 과정으로 빅데이터와 머신러닝 소프트웨어가 있으며 적용 부분으로 빅데이터와 인공지능의 응용 강좌가 있습니다. 이론 강좌 중 머신러닝 강좌는 심화강좌이며 나머지 강좌는 기초강좌 입니다.

교수소개

송현오 교수 – 서울대학교 공과대학 컴퓨터공학부  

  학력

•  한양대학교 기계공학 학사 (2006)
•  Stanford University, Mechanical engineering 석사 (2008)
•  University of California, Berkeley, Computer Science 석사 (2013)
•  University of California, Berkeley, Computer Science 박사 (2014)

  주요경력

•  2013: IBM Research (Research intern)
•  2013: INRIA Grenoble (Visiting researcher)
•  2014.11. – 2016.07.: Stanford University (Postdoctoral fellow)
•  2016.07. – 2017.08.: Google Research (Research Scientist)
•  2017.09. – 현재: 조교수, 서울대학교 컴퓨터공학부

  연구분야

•  Machine learning, Optimization, Artificial intelligence
 

강의구성

  총 9주차

 •  강좌계획표(Syllabus)

 
주차  개강일 학습목표 학습내용 평가
1주차  1월 29일 머신러닝의 개념을 설명할 수 있다 Logistics Introduction, Types of ML problems 퀴즈
2주차 2월 5일 최적화 개념을 들어가기 앞서 필수 배경 지식을 설명할 수 있다. Basic linear algebra 퀴즈
3주차 2월 12일 일반적인 최적화 문제를 공식화하는 과정과 해를 찾는 과정을 설명할 수 있다. Descent methods, Coordinate descent 퀴즈
4주차 2월 19일 대량의 데이터를 바탕으로 최적화할 때 stochastic gradient descent를 이용해 해를 찾을 수 있다. Online method, Advanced online descent methods 퀴즈
5주차 2월 26일 데이터와 해당 레이블 사이의 패턴을 학습하도록 하는 스코어함수와 손실함수의 개념을 설명할 수 있다 Score functions, Loss functions 퀴즈
6주차 3월 5일 손실함수를 미분 가능한 chained function 형태로 표현하고 최적화할 수 있다. Computational graphs, Neural networks 퀴즈
7주차 3월 12일 Spatial invariance를 위한 컨볼루션과 Temporal modeling을 위한 순환 신경망을 설명할 수 있다. Convolutional neural network, Pooling layer, Activation, Weight initialization 퀴즈
8주차 3월 19일 Environment와 반복적으로 interaction하면서 강화학습을 설명 할 수 있다. Reinforcement Learning, Value based model free reinforcement learning 퀴즈
9주차 3월 19일 기말고사


  평가 비율 

퀴즈중간고사기말고사
50% 0% 50%

60점 충족 시 이수증 발부

  교재

•  교재는 학습자료로 제공
     ※학습자료는 다운로드 가능

  수강신청 기간

•  2018년 1월 29일(화) ~ 2019년 3월 20일(수)

  운영 기간

•  2019년 1월 29일(화) ~ 2019년 3월 25일(월)

  개설 방식

•  매주 1개 주차씩 순차 오픈

조교소개

김형석 조교

  메일 : harry2636@mllab.snu.ac.kr

관련 강좌

  1. major

    Engineering
    (Computers & Communication)
  2. 강좌 내용의 어려운 수준을 의미합니다. 교양, 전공기초, 전공심화 순으로 난이도가 증가합니다.

    Course difficulty

    advanced
  3. 강좌를 개발하고 운영하는 기관입니다. 컨소시엄으로 운영 시, 대표기관의 명칭이 나타납니다

    Institution

    SEOUL NATIONAL UNIVERSITY
  4. 강좌의 구성 주차 수를 의미합니다. (강좌를 충실히 학습하기 위해 필요한 주당 학습시간을 의미합니다.)

    Course Week
    (Estimated Effort)

    09week
    (주당 01시간 00분)
  5. 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)

    06시간 00분
    (04시간 00분)
  6. 수강신청이 가능한 기간으로 해당 기간 내에만 수강신청이 가능합니다.

    Course Registration Period

    2019.01.29 ~ 2019.03.21
  7. 강좌가 운영되고 교수지원이 이루어지는 기간입니다. 이수증은 강좌운영기간이 종료된 이후에 발급받을 수 있습니다.

    Classes Period

    2019.01.29 ~ 2019.03.26
  8. ※ 만족도 응답 표본 수 미달 등 일정 기준이 충족되지 않은 경우 별점이 공개되지 않을 수 있습니다.