강좌소개 수업내용/목표 본 강좌에서는 최근 화두가 되는 딥러닝알고리즘을학습하기위해딥러닝을 이해하는데 도움이 될 다양한 머신러닝 기법을 소개합니다. 머신러닝의 정의와 데이터의 구성에서부터 기초적인 머신러닝 기법들을 포괄적으로 학습하며, 이렇게학습한머신러닝기법들을기반으로 딥러닝 알고리즘을 이루는 여러 요소 기술들을 설명합니다. *본 강좌의 목적은 딥러닝을 모르거나 단순히 딥러닝의 작동구조만을 알고 있는 분들이 기존 머신러닝기법측면에서딥러닝의요소들을 이해하는 과정을 거쳐 당면한 여러 문제에 맞춰 딥러닝 알고리즘을 변형 및적용하는능력을키우는데있습니다. 홍보/예시영상 강좌운영계획 주차 주차명 차시명 과제 1 1. 머신러닝을 위한 표현법 1-1. 머신러닝을 위한 표현법 퀴즈 1 1-2. 머신러닝의 수학적 기초 2 2. 지도 학습과 Decision Tree 2-1. Decision Tree란 무엇인가? 퀴즈 2 2-2. 지도학습의 일반화 성능 3 3. 확률적 구분기와 Naïve Bayes 3-1. 확률적 구분기의 정의 퀴즈 3 3-2. Naïve Bayes 4 4. Non-parametric 구분기와 Ensemble 모델 4-1. Non-parametric 구분기와 k-NN 모델 퀴즈 4 4-2. Ensemble 모델 5 5. Linear Regression 과 Least Square 5-1. Linear Regression 퀴즈 5 5-2. Least Square 6 6. Linear classification 6-1. Linear Classification 의 차별점 퀴즈 6 6-2. Linear Classification 의 풀이 방법 7 7. Linear Model 의 한계점과 보완방법 7-1. Noise-robust 학습 방법론 퀴즈 7 7-2. Overfitting과 Regularization 8 중간고사 9 9. Non-linear Data 학습 방법 9-1. Non-linear Data 처리 방법 퀴즈 8 9-2. Non-linear Data 머신러닝 학습...