[TIL_2024.01.29-02.02] 머신러닝 : ML E2E, 기초개념, 기초선형대수, 확률기초/분포, 선형회귀/분포

15주차 월~금요일, 71~75일차 Today I Learned

 

 

머신러닝
: ML E2E, 기초개념, 기초선형대수, 확률기초/분포, 선형회귀/분포

 

 

---

 

 

✏️ 학습 내용

1. 머신러닝 End-to-End

1. 큰 그림을 본다.
2. 데이터를 구한다.
3. 데이터로부터 통찰을 얻기 위해 탐색하고 시각화한다.
4. 머신러닝 알고리즘을 위해 데이터를 준비 (머신러닝이 사용할 수 있게 가공) 한다.
5. 모델을 선택하고 훈련시킨다.
6. 모델을 상세하게 조정한다. (=파인튜닝)
7. 솔루션을 제시한다.
8. 시스템을 론칭, 모니터링, 유지보수 한다.

 

 

 

2. 머신러닝 기초 개념

수업 발표에 사용한 문서를 첨부하기로 한다.

Machine-Learning 3.pdf

3.45MB

 

 

 

 

3. 기초 선형 대수

1) 기본 표기법

2) 행렬의 곱셈

3) 중요 연산과 성질들

4) 전치, 대칭행렬, 대각합, Norms, 선형독립과 Rank, 역행렬, 직교행렬

5) 치역, 영공간

6) 행렬식

7) 이차형식

8) 고유값, 고유벡터

행렬미분

선형대수, 행렬미분 예제 : 최소제곱법, 고유값과 최적화 문제

 

 

 

4. 확률 기초, 확률 분포

• 표본집합 S : 실험의 결과로 발생하는 모든 결과의 집합
• 확률 P : 집합 S의 부분집합 (사건, event)을 실수값에 대응시키는 함수
• 확률 변수 X : 표본의 집합 S의 원소 e에 대해서 실수값 X(e) = x에 대응시키는 함수
• 연속확률변수
• 누적분포함수
• 확률밀도함수

 

베르누이 분포, 이항 분포, 베타 분포, 다항 분포, 디리클레 분포, 가우시안 분포

 

 

 

 

5. 선형 회귀, 선형 분포

선형 회귀

• 선형 기저 함수 모델
• 최대 우도와 최소제곱법
• 규제화
• 편향-분산 분해

선형 분포

• 판별함수
• 확률적 생성 모델
• 확률적 식별 모델

 

 

 

반응형

 

 

📝 남아있는 의문과 개선점

• 내용이 많고 난이도가 높아서 키워드를 중심으로 작성하였다.
• 추후 제대로된 이해를 바탕으로 한 공부가 필요하다.

 

---

 

☁️ 소감

머신러닝.. 다른 매체에서 배울 때는 재미있었는데 갑자기 수학 공식이 난무하니까 흥미가 떨어지고 유독 어렵게 느껴진다. 배우기 위해선 좀 더 쉽고 재미있는 접근 방식이 필요할 것 같다.