머신러닝

인공지능기초수학

특성공학

모델평가

안드리부르코프

<머신러닝, 핵심만 빠르게!>(인사이트, 2025) 도서를 5주간 완독하는 챌린지입니다. 풍성한 혜택과 함께 머신러닝을 배울 수 있는 절호의 기회를 놓치지 마세요!

박해선

입문

초급

중급이상

Machine Learning(ML)

Deep Learning(DL)

딥러닝

Artificial Neural Network

인공신경망

인공지능(AI)

<머신러닝, 핵심만 빠르게!> 완독 챌린지

<div><div class="grid-wrapper "><div class="left-action-menu-wrapper css-1jj2wwy action-menu-wrapper--view-mode" tabindex="0"><div class="one-column-grid"><div><div class="box__children-wrapper"><div class="action-menu-wrapper action-menu-wrapper--view-mode"><div class="editor-container text-view-mode" style="display:flex;flex-direction:column;height:auto;max-height:100%;min-height:auto;border-radius:8px"><div data-testid="editor-content-container" class="editor-content-container markdown-body" style="background-color:rgb(255, 255, 255);cursor:auto"><div role="textbox" translate="yes" class="tiptap ProseMirror" tabindex="-1"><h3 style="text-align:left">챌린지 일정</h3><ul><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">모집 일정: 10/30(목) ~ 11/12(수)</span></p></li><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">챌린지 일정: 11/13(목)~12/17(수) (5주간)</span></p></li><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">주당 독서량: 1주당 2개장씩 1장부터 10장까지 완독</span></p><p style="text-align:left"><br class="ProseMirror-trailingBreak"></p></li><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">챌린지 기간 안에 미션과 수강률 100%에 도달하면 수료증이 발급됩니다. 미션을 완료하지 못하면 수료증을 발급해 드릴 수 없습니다.</span></p></li><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">전자책 출간 예정일: 11월 14일, 도서 구매 인증에 전자책도 포함됩니다.</span></p></li></ul><h3 style="text-align:left">챌린지 혜택</h3><ul><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">&lt;머신러닝, 핵심만 빠르게!&gt; 강의 무료 쿠폰 제공 (40,000원 상당)</span></p><p style="text-align:left"><br class="ProseMirror-trailingBreak"></p></li><li><p style="text-align:left"><a target="_blank" rel="noopener noreferrer nofollow" href="https://inf.run/LLAFJ"><span style="background-color:transparent;color:rgb(89, 89, 89)">&lt;밑바닥부터 만들면서 배우는 LLM&gt; 강의(https://inf.run/wQDh8)</span></a><span style="background-color:transparent;color:rgb(89, 89, 89)"> 50% 할인 쿠폰 제공 (30,000원 상당)</span></p></li><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)"><strong>챌린지 수료시 추가 혜택</strong></span></p><ul><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">&lt;대규모 언어 모델, 핵심만 빠르게!&gt; 강의 무료 쿠폰 제공 (40,000원 상당) (12월 17일 이후 발급 예정)</span></p></li><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">&lt;LLM 미세 튜닝, 핵심만 빠르게!&gt;(출간 예정) 챌린지 무료 쿠폰 제공 (20,000원 상당) (챌린지 오픈 및 무료 쿠폰 발급 일정 추후 안내)</span></p></li></ul></li><li><p style="text-align:left"><span style="background-color:transparent;color:rgb(89, 89, 89)">혜택은 인프런 쿠폰으로 제공됩니다. 아래 <strong>주의 사항</strong>을 꼭 참고하세요.</span></p></li></ul></div></div></div></div></div></div></div></div></div><div class="grid-wrapper "><div class="left-action-menu-wrapper css-1jj2wwy action-menu-wrapper--view-mode" tabindex="0"><div class="one-column-grid"><div class="action-menu-wrapper action-menu-wrapper--view-mode"><div class="info-box info-box--gray" aria-labelledby="info-box__editable-aria"><div class="editor-container text-view-mode" style="display:flex;flex-direction:column;height:100%;max-height:100%;min-height:24px;border-radius:8px"><div data-testid="editor-content-container" class="editor-content-container markdown-body" style="background-color:rgb(255, 255, 255);cursor:auto"><div role="textbox" translate="yes" class="tiptap ProseMirror" tabindex="-1"><p><strong>&lt;주의 사항&gt; 필독!!!</strong></p><ul><li><p><span style="background-color:transparent;color:rgb(89, 89, 89)">11월 13일 챌린지 가입자에게&nbsp;&lt;머신러닝, 핵심만 빠르게!&gt; 강의의 <strong>무료 쿠폰 발급 링크</strong>와&nbsp;&lt;밑바닥부터 만들면서 배우는 LLM&gt; 강의의 <strong>50% 할인 쿠폰 발급 링크</strong>가 인프런에 등록된 <strong>이메일</strong>로 전달됩니다.</span></p></li><li><p><span style="background-color:transparent;color:rgb(89, 89, 89)">인프런에서 이메일을 받을 수 있는지 미리 확인해 주세요. 스팸 메일로 처리될 경우 추후 재발급해 드리지 못합니다. 인프런에서 이메일을 수신하는데 문제가 있다면 인프런 헬프 데스크에 문의해 주세요.</span></p></li><li><p><span style="background-color:transparent;color:rgb(89, 89, 89)">이 링크의 유효 기간은 <strong>3일</strong>입니다. 3일 이내에 링크를 통해 무료 쿠폰과 할인 쿠폰을 발급하셔야 합니다. <strong>3일이 지나면 링크는 무효가 되며 쿠폰을 발급받을 수 없습니다!</strong></span></p></li><li><p><span style="background-color:transparent;color:rgb(89, 89, 89)"><strong>발급 받은 쿠폰은 1일 이내 사용하셔야 합니다!</strong></span></p></li><li><p><span style="background-color:transparent;color:rgb(89, 89, 89)">챌린지 수료시 &lt;대규모 언어 모델, 핵심만 빠르게!&gt; 강의의 무료 쿠폰 링크를 이메일로 즉시 보내드리며, 추후 &lt;LLM 미세 튜닝, 핵심만 빠르게!&gt;(출간 예정) 도서의 챌린지 오픈시 무료 쿠폰 링크를 이메일로 보내 드립니다. 쿠폰 발급 방법과 사용 방법은 위와 동일합니다.</span></p></li></ul></div></div></div></div></div></div></div></div><div class="grid-wrapper "><div class="left-action-menu-wrapper css-1jj2wwy action-menu-wrapper--view-mode" tabindex="0"><div class="one-column-grid"><div><div class="box__children-wrapper"><div class="action-menu-wrapper action-menu-wrapper--view-mode"><div class="editor-container text-view-mode" style="display:flex;flex-direction:column;height:auto;max-height:100%;min-height:auto;border-radius:8px"><div data-testid="editor-content-container" class="editor-content-container markdown-body" style="background-color:rgb(255, 255, 255);cursor:auto"><div role="textbox" translate="yes" class="tiptap ProseMirror" tabindex="0"><h3 style="text-align:left">책소개</h3><p style="text-align:left">복잡한 이론은 덜고, 꼭 필요한 핵심만 담았다!</p><p style="text-align:left">머신러닝을 익히는 가장 간결한 안내서</p><p style="text-align:left">이 책은 전 세계 11개 언어로 번역되어 수천 개 대학에서 교재로 사용되는 베스트셀러로, 간결하고 명료하게 머신러닝을 설명한다. 기초 수학 개념부터 핵심 알고리즘, 딥러닝과 신경망까지 차근차근 다루며, 클러스터링, 토픽 모델링, 메트릭 학습, 추천 시스템 등 현대 머신러닝 문제 해결을 위한 완전한 도구를 제공한다. 실무에 꼭 필요한 기술을 중심으로 이론과 실제 구현을 연결해 누구나 빠르고 확실하게 배울 수 있다.</p><p style="text-align:left">저자는 풍부한 실무 경험을 바탕으로 특성 공학, 정규화, 불균형 데이터셋 처리, 앙상블, 모델 평가 등 실제 프로젝트에 바로 적용할 수 있는 기술을 설명한다. 복잡한 수식에 얽매이지 않고 직관적인 설명과 예제로 구성되어 있어 기초를 견고하게 다지고 싶은 입문자부터 실무 역량을 넓히려는 실무자까지 모두에게 유용하다.</p><p style="text-align:left">구매</p><h3 style="text-align:left"><strong>추천평</strong></h3><p style="text-align:left">“단 100여 쪽에 이토록 다양한 주제를 담아낸 것은 놀라운 일입니다. 얇은 책에는 대부분 수학이 생략되어 있지만, 이 책은 생략하지 않았습니다. 또한 핵심 개념을 짧은 문장으로 명확하게 설명해 주는 방식이 정말 마음에 들었습니다. 이 책은 입문자에게도 유용하며, 폭넓은 조망이 필요한 숙련자에게도 도움이 됩니다.”<br><a target="_blank" rel="noopener noreferrer nofollow" class="lnk_gd" href="https://www.yes24.com/product/author/215184#authSuggestSec"><strong>- 오렐리앙 제롱 (시니어 AI 엔지니어, 《핸즈온 머신러닝》 저자)</strong></a></p><p style="text-align:left">“안드리는 머신러닝 전체를 100여 쪽에 요약하는 불가능한 작업을 시도했고, 실무자에게 유용한 이론과 실전 내용을 훌륭하게 선별해 냈습니다. 이 책은 머신러닝을 처음 접하는 독자에게 입문서로서 훌륭한 토대를 마련해 줄 것입니다.”<br><a target="_blank" rel="noopener noreferrer nofollow" class="lnk_gd" href="https://www.yes24.com/product/author/241124#authSuggestSec"><strong>- 피터 노빅 (구글의 연구 디렉터, 세계적인 AI 교재 AIMA의 공동 저자)</strong></a></p><h3 style="text-align:left">도서 구입</h3><ul><li><p style="text-align:left"><span style="background-color:rgb(255, 255, 255);color:rgb(68, 68, 68)">[</span><a target="_blank" rel="noreferrer noopener" href="https://product.kyobobook.co.kr/detail/S000218197579"><strong>교보문고</strong></a><span style="background-color:rgb(255, 255, 255);color:rgb(68, 68, 68)">] [</span><a target="_blank" rel="noreferrer noopener" href="https://www.yes24.com/product/goods/159566780"><strong>Yes24</strong></a><span style="background-color:rgb(255, 255, 255);color:rgb(68, 68, 68)">]&nbsp;</span><a target="_blank" rel="noreferrer noopener" href="http://www.yes24.com/Product/Goods/96024871?fbclid=IwAR3YJd3dKMzt6YP6ZTPwGWUb9ixTm9lsK1WEiBkBCZxzVEXQvb6OPnY47Ek">[</a><a target="_blank" rel="noreferrer noopener" href="https://www.aladin.co.kr/shop/wproduct.aspx?ItemId=374607994"><strong>알라딘</strong></a><span style="background-color:rgb(255, 255, 255);color:rgb(68, 68, 68)">]</span></p></li><li><p style="text-align:left"><span style="background-color:rgb(255, 255, 255);color:rgb(68, 68, 68)">199페이지,&nbsp;</span><s>24,000</s><span style="background-color:rgb(255, 255, 255);color:rgb(68, 68, 68)">원 –&gt; 21,600원</span></p></li></ul></div></div></div></div></div></div></div></div></div><div class="grid-wrapper "><div class="left-action-menu-wrapper css-1jj2wwy action-menu-wrapper--view-mode" tabindex="0"><div class="one-column-grid"><div class="action-menu-wrapper action-menu-wrapper--view-mode"><div class="image-text__container image-text"><div class="dropzone__wrapper"><div class="image-text__placeholder mantine-1avyp1d"><svg aria-hidden="true" focusable="false" data-prefix="fas" data-icon="image" class="svg-inline--fa fa-image " role="img" xmlns="http://www.w3.org/2000/svg" viewBox="0 0 512 512" style="font-size:32px;color:rgb(134, 142, 150);width:32px;height:32px"><path fill="currentColor" d="M0 96C0 60.7 28.7 32 64 32H448c35.3 0 64 28.7 64 64V416c0 35.3-28.7 64-64 64H64c-35.3 0-64-28.7-64-64V96zM323.8 202.5c-4.5-6.6-11.9-10.5-19.8-10.5s-15.4 3.9-19.8 10.5l-87 127.6L170.7 297c-4.6-5.7-11.5-9-18.7-9s-14.2 3.3-18.7 9l-64 80c-5.8 7.2-6.9 17.1-2.9 25.4s12.4 13.6 21.6 13.6h96 32H424c8.9 0 17.1-4.9 21.2-12.8s3.6-17.4-1.4-24.7l-120-176zM112 192a48 48 0 1 0 0-96 48 48 0 1 0 0 96z"></path></svg></div><figure class="dropzone-preview__figure"><div class="dropzone-preview__uploaded-anchor dropzone-preview__uploaded-anchor--no-link"><img class="dropzone-preview__uploaded-content  " src="https://cdn.inflearn.com/public/files/courses/339399/builder/01k8qec4eqpj6k6h80xze86mdh?w=960" alt="cover-the-ml-book"></div></figure></div><div class="action-menu-wrapper action-menu-wrapper--view-mode"></div></div></div></div></div></div></div>

0주차 - 강의 소개

1주차 - 1장 소개, 2장 표기법과 정의

2주차 - 3장 기본 알고리즘, 4장 학습 알고리즘

3주차 - 5장 기본 실무 기술, 6장 신경망과 딥러닝

4주차 - 7장 문제 해결, 8장 특수 기법

5주차 - 9장 비지도 학습, 10장 다른 학습 방법

어려운 내용을 알기쉽게 정리한 느낌입니다.

아직은 어려운 것 같아요 
다시 복습하겠습니다
감사합니다

책은 혼자 읽기 다소 어려운데 강의는 잘 이해되었습니다.

여러가지 많은 기법들이 있는 머신러닝을 잘 정리 할 수 있었습니다.
좋은 챌린지를 만들어 주신 강사님께 감사드립니다. ^^

<img src="https://cdn.inflearn.com/public/files/posts/91722a9c-dd68-4dd7-94f6-9e28a327c1f3/c94bd5c3-634c-4b65-ae41-657043de3412.webp" media-type="img" alt="9.jpg.webp" title="9.jpg.webp" width="525" height="700"><p>밀도 추정은 데이터셋이 샘플링된(알 수 없는) 분포에 대한 확률 밀도 함수를 모델링하는 문제이다. 이 방법은 특히 특이치 탐지나 침입 탑지에 유용할 수 있다.</p>

주간 독서 인증

bson700

<img src="https://cdn.inflearn.com/public/files/posts/6df463e7-a926-407d-adf4-75dbcc067299/efeffd4f-70ed-4abe-b1ed-6e224be3b7d8.webp" media-type="img" alt="7.jpg.webp" title="7.jpg.webp" width="525" height="700"><p>안면 인식에 일반적으로 적용되는 원샷 학습(one-shot learning)은 두 사진 속의 사림이 같은 사람인지를 인식하는 모델을 구축합니다.</p>

<img src="https://cdn.inflearn.com/public/files/posts/ad8859ea-2d6d-4e3b-9618-0f241bdd802b/219d7691-b8c0-4caf-8348-b872098be9df.webp" media-type="img" alt="6.jpg.webp" title="6.jpg.webp" width="525" height="700"><p>순환 신경망(RNN)은 시퀀스에 레이블을 할당하거나, 시퀀스를 분류 또는 생성하기 위해 사용됩니다.</p>

<img src="https://cdn.inflearn.com/public/files/posts/46c7fdac-a6e6-4ad7-ad59-dfa8562623a6/0b069fb8-c7e7-4b86-91c2-80e5fded9343.webp" media-type="img" alt="1000002103.jpg.webp" title="1000002103.jpg.webp" width="529" height="705"><p>&nbsp;</p><p>AI의 미래가 달린 비지도학습에 대해 공부.</p>

섹션6 제출

Minguk Jin

섹션5 제출

섹션4 미션

<img src="https://cdn.inflearn.com/public/files/posts/40212d2b-6f8f-4817-8bbc-d11b829ae205/c716ba67-37b3-48ab-8832-b1555d33c0b6.webp" media-type="img" alt="1000002098.jpg.webp" title="1000002098.jpg.webp" width="529" height="705"><p>&nbsp;</p><p>학습 알고리즘의 종류에 대하여 학습.</p>

섹션3 제출

<img src="https://cdn.inflearn.com/public/files/posts/760bfd76-b5f0-42d2-855e-63be02eedbd2/2b9ec04b-0517-48d7-b1f3-c2935837a43e.webp" media-type="img" alt="1000002095.jpg.webp" title="1000002095.jpg.webp" width="529" height="705"><p>&nbsp;</p><p>머신러닝의 종류에 대하여 학습.</p>

섹션1 미션

도서 구매 인증

책인증

<img src="https://cdn.inflearn.com/public/files/posts/a9ab9a1d-abde-4d8f-b4eb-f32642ce1ae7/afc069f5-d90c-49d4-a3dc-37b9f56e5019.webp" media-type="img" alt="11장.jpg.webp" title="11장.jpg.webp" width="525" height="700"><p>&nbsp;용케도 11장까지 쫓아 왔다.<br>밀도추정, 군집 DBSCAN, 차원 축소(PCA와 UMAP)의 개념을 이해하고 유클리드 거리학습 순위학습등을 살펴 보았다 11장에 가서는 몬테카를로나 GAN이나 강화 학습등은 차차 추가로 내가 학습해야 할것이다. 수학공식들은 자세히 들여다 보지 못한게 아쉽지만 복습을 통해 보완해 나아가면 좋을것이다. 좋은 챌린지를 하게 되어 다행이다. </p>

마지막 미션

Damien

독서인증

팔꿈

<p>9장은 레이블이 없는 데이터를 다루는 비지도 학습(Unsupervised Learning)의 두 가지 핵심 분야, 군집화(Clustering)와 차원 축소(Dimensionality Reduction)에 대해 학습했습니다.</p><p>먼저 비지도 학습에서는 모델 평가를 위한 안정적인 기준점(레이블)이 없다는 문제점을 인식했고 데이터 기반으로 평가할 수 있는 모델을 만드는 방법에 대해 알아보았습니다.</p><p>밀도 추정(Density Estimation)을 통해 확률 밀도 함수를 모델링하고 최적의 하이퍼파라미터를 찾는 MISE(Mean Integrated Squared Error) 기법을 수학적으로 접근한 부분이 인상 깊었습니다.</p><p>군집화에서는 k-평균(k-means)의 작동 원리를 이해했고 임의의 모양이나 밀도의 클러스터를 생성할 수 있는 DBSCAN 및 HDBSCAN의 장점을 알게 되었습니다.</p><p>예측 강도(Prediction Strength) 개념을 사용하여 'D ＞3'인 D차원 데이터에서 클러스터 개수를 합리적으로 결정하는 방법도 학습했습니다.</p><p>마지막으로 차원 축소에 대한 부분에서는 PCA의 직관적 원리와 시각화에 유용한 UMAP 및 오토인코더를 차원 축소에 사용하는 원리를 배웠습니다.</p><p>전반적으로 비지도 학습의 난제들을 해결하는 방법론들을 배운 유익한 장이었습니다.</p><p>&nbsp;</p><p>10장은 세 가지 특수한 학습 형태(Metric Learning, Learning to Rank, Learning to Recommend)를 다룹니다.</p><p>메트릭 학습(Metric Learning)에서는 유클리드 거리 같은 임의의 측정 기준 대신, 데이터로부터 행렬 A를 학습하여 데이터셋에 최적화된 거리 함수 d_A(x, x')를 만드는 개념을 알아보았습니다.</p><p>또한 검색 엔진 결과 최적화에 사용되는 순위 학습(Learning to Rank)에 대해서도 알아보았습니다.</p><p>마지막으로 추천 학습(Learning to Recommend)에서 사용자 선호도를 행렬 분해(Factorization Machines)와 잡음 제거 오토인코더(Denoising Autoencoders)를 사용하여 희소한 추천 데이터를 다루는 법, Word2Vec의 skip-gram 모델처럼 레이블 없는 텍스트에서 레이블 있는 예제(컨텍스트)를 추출하여 단어 임베딩을 학습하는 자기 지도 학습(Self-Supervised Learning)의 개념에 대해 학습했습니다</p><img src="https://cdn.inflearn.com/public/files/posts/736904c0-9631-4b8a-a856-2002dd433d73/f834e167-d81d-4279-a3bb-04dd8324a368.webp" media-type="img" alt="20251217_162302(1).jpg.webp" title="20251217_162302(1).jpg.webp" width="527" height="493"><p>.</p>

<머신러닝, 핵심만 빠르게!> 5주차 독서 인증

든든한꼬마

<p>7장은 다양한 머신러닝 문제 유형과 해결책을 다룹니다.</p><p>다차원 비선형 데이터를 처리하는 커널 회귀(Kernel Regression)와 앙상블 학습(Ensemble Learning) 기법인 랜덤 포레스트(Random Forest) 및 그레이디언트 부스팅(Gradient Boosting) 등이 인상 깊었습니다.</p><p>랜덤 포레스트는 분산을 줄여 과적합을 방지하고, 그레이디언트 부스팅은 잔차(residual)를 사용하여 편향을 줄이는 방식이라는 것을 비교할 수 있었습니다.</p><p>또한 라벨링 비용이 비쌀 때 효율적으로 데이터를 수집하는 능동 학습(Active Learning)과 라벨이 적을 때 미지의 데이터를 활용하는 준지도 학습(Semi-Supervised Learning)의 접근 방식(특히 AutoEncoder 기반의 래더 네트워크(Ladder Network))을 배웠습니다.</p><p>마지막으로 적은 예제로 학습하는 원샷 학습(One-Shot Learning)이나 보지 못한 클래스를 예측하는 제로샷 학습(Zero-Shot Learning)의 개념도 인상 깊었습니다.</p><p>&nbsp;</p><p>8장은 특정 상황에서 모델 성능을 극대화하는 고급 실전 기법들을 다루었습니다.</p><p>실제 문제에서 자주 발생하는 불균형 데이터셋 처리 방법(소수 클래스 가중치 부여, 오버샘플링/언더샘플링, SMOTE/ADASYN)이 인상 깊었습니다.</p><p>이를 통해 소수 클래스가 다수 클래스에 묻혀 오분류되는 위험을 줄일 수 있음을 배웠습니다.</p><p>또한 모델 결합(Combining Models)을 통해 성능을 높이는 세 가지 주요 방법(평균, 다수결 투표, 스태킹)을 알아보고 상관관계가 없는 강력한 모델을 결합해야 효과가 향상된다는 핵심 원리를 파악했습니다.</p><p>신경망 부분에서는 드롭아웃, 조기 종료(Early Stopping), 배치 정규화와 같은 고급 정규화 기법들을 배웠고 특히 라벨링 비용이 높을 때 기존 모델을 활용하는 전이 학습(Transfer Learning)의 이점을 깨달았습니다.</p><p>마지막으로, $\text{O}(N)$ vs. $\text{O}(N^2)$ 알고리즘 비교를 통해 알고리즘 효율성의 중요성과 NumPy 같은 라이브러리를 활용해야 하는 실용적인 이유도 알 수 있었습니다</p><img src="https://cdn.inflearn.com/public/files/posts/cfd4ea09-3441-4b01-8cdb-0aab055266fd/0b03898e-794d-4a0b-bf2f-c20e487f1e37.webp" media-type="img" alt="20251217_155055(1).jpg.webp" title="20251217_155055(1).jpg.webp" width="527" height="727"><p>.</p>

<머신러닝, 핵심만 빠르게!> 4주차 독서 인증

<p>5장은 머신러닝 알고리즘을 실행하기 전 데이터 분석가가 해결해야 할 과제들에 대한 매뉴얼이라는 느낌이 들었습니다.</p><p>정보력 높은 특징 벡터를 만들기 위한 특징 공학(원-핫 인코딩, 정규화 등)의 중요성을 배웠고 모델 구축 전 데이터를 훈련/검증/테스트 세 가지 세트로 분할해야 하는 이유를 이해했습니다.</p><p>또한 훈련 데이터에 대한 과적합을 막기 위해 정규화(L1/L2)를 사용하고 성능 평가를 위해 혼동 행렬이나 AUC 같은 지표를 활용하는 방법 등 모델의 신뢰도를 높이는 데 도움이 되는 부분들을 알게 되었습니다.</p><p>최적의 하이퍼파라미터 탐색을 위한 교차 검증의 역할도 알아보았습니다.</p><p>&nbsp;</p><p><span style="color: rgb(0, 0, 0)">6장에서는 신경망과 딥러닝의 기본 개념에 대해 알아보았습니다.</span></p><p>신경망($f_{NN}(x)$)이 활성화 함수($g_l$)와 파라미터 행렬($W_l$)을 사용하는 중첩된 함수($f_3(f_2(f_1(x)))$) 구조이며, 결국 경사 하강법으로 학습된다는 점이 흥미로웠습니다.</p><p>특히 다층 퍼셉트론(MLP)에서 볼 수 있는 완전 연결 구조와 마지막 층의 활성화 함수에 따라 회귀 또는 분류 모델이 결정되는 원리를 배웠습니다.</p><p>또한 딥러닝의 역사적 난제였던 그레이디언트 소실(Vanishing Gradient) 문제가 ReLU와 LSTM 같은 현대적인 기법들 덕분에 해결되어 심층적인 네트워크 훈련이 가능해졌다는 점을 알게 되었습니다.</p><p>마지막으로 이미지 처리에 최적화된 합성곱 신경망(CNN)이 필터(Filter)와 컨볼루션 연산을 통해 매개변수 수를 혁신적으로 줄이는 원리, 시퀀스 데이터 처리에 사용되는 순환 신경망(RNN)의 메모리(상태 $h_{l,u}$) 개념, 게이트 메커니즘의 작동 방식(예: LSTM/GRU)을 구체적인 수식을 통해 배울 수 있었습니다.</p><img src="https://cdn.inflearn.com/public/files/posts/008b7771-2469-421e-9d16-bb8e46efbfce/7823df18-b12a-454a-9d38-4dd10e1826e0.webp" media-type="img" alt="20251217_134548(1).jpg.webp" title="20251217_134548(1).jpg.webp" width="527" height="304"><p>&nbsp;</p>

<머신러닝, 핵심만 빠르게!> 3주차 독서 인증

<p>3장에서는 가장 잘 알려져 있고 효과적인 학습 알고리즘의 빌딩 블록으로 사용되는 다섯 가지 알고리즘에 대해 학습했습니다.</p><p>아래 내용은 다섯 가지 알고리즘에 대해 배운 핵심 내용입니다.</p><p>1. 선형 회귀 (Linear Regression)</p><ul><li><p>입력 예제의 선형 결합으로 모델을 학습하는 방법과 최적의 매개변수를 찾기 위해 제곱 오차 손실(squared error loss)을 최소화하는 과정.</p></li><li><p>단순한 모델의 장점과 과적합(overfitting) 방지에 유리함.</p></li></ul><p>2. 로지스틱 회귀 (Logistic Regression)</p><ul><li><p>알고리즘 이름에는 회귀가 들어있지만 회귀가 아닌 분류 알고리즘.</p></li><li><p>표준 로지스틱 함수(시그모이드 함수)를 사용하여 모델을 구축하고 훈련 세트의 우도(likelihood)를 최대화하는 방식.</p></li></ul><p>3. 결정 트리 학습 (Decision Tree Learning)</p><ul><li><p>ID3 알고리즘을 중심으로 의사결정 트리를 구축하는 방법.</p></li><li><p>분할 기준(split criterion)으로 엔트로피(Entropy)를 사용하여 불확실성을 최소화하는 원리.</p></li></ul><p>4. 서포트 벡터 머신 (SVM)</p><ul><li><p>잡음(noise)을 처리하는 소프트 마진 SVM과 힌지 손실(hinge loss).</p></li><li><p>비선형 데이터에 대처하기 위한 커널 트릭(kernel trick)의 개념과 작동 방식.</p></li></ul><p>5. k-최근접 이웃 (kNN)</p><ul><li><p>훈련 데이터를 메모리에 보관하는 비모수 학습 알고리즘의 정의.</p></li><li><p>새로운 예제가 들어왔을 때 유클리드 거리나 음의 코사인 유사도와 같은 거리 함수를 사용하여 예측.</p></li></ul><p>&nbsp;</p><p>4장에서는 모든 학습 알고리즘을 구성하는 세 가지 구성 요소인 손실 함수, 최적화 기준, 그리고 최적화 루틴에 대해 학습했습니다.</p><p>이 장의 핵심은 2가지라고 볼 수 있는데 첫 번째는 알고리즘의 구성 요소를 이해하는 것입니다.</p><p>모든 학습 알고리즘은 손실 함수(loss function), 손실 함수에 기반한 목적 함수(원문은 optimization criterion, <span>최적화 기준으로 작성</span>), 그리고 최적화 기준에 대한 해답을 찾기 위해 훈련 데이터를 활용하는 최적화 루틴(optimization routine)의 세 가지 구성 요소로 이루어져 있음을 파악했습니다.</p><p>두 번째는 최적화 루틴 중 가장 빈번하게 사용되는 경사 하강법(Gradient Descent)의 원리를 이해하는 것입니다.</p><p>경사 하강법은 미분 가능한 함수의 최솟값을 찾기 위해 현재 지점에서 음의 기울기에 비례하여 파라미터 w와 b를 반복적으로 업데이트하며 이 과정에서 학습률 α가 업데이트 크기를 조절합니다.</p><p>책에서는 여러 회사의 연간 라디오 광고비 지출과 연간 매출 열을 가진 실제 데이터셋으로 선형 회귀의 평균 제곱 오차를 최소화하는 실용적인 예시를 통해 경사 하강법의 작동 방식을 설명합니다.</p><p>또한 대규모 데이터셋을 위해 경사 하강법의 성능을 향상시킨 여러 변형 알고리즘들(미니 배치 확률적 경사 하강법, Adagrad, Momentum, Adam)의 간략한 내용과&nbsp;알고리즘의 실용적인 특징(하이퍼파라미터, 수치형/범주형 특징 요구 사항, 반복 학습 가능 여부 등)도 알아보았습니다</p><img src="https://cdn.inflearn.com/public/files/posts/55e4b657-9740-472d-a416-ebb58fe4ffb0/cd0ab0e5-218e-49cf-b8ac-3029f1ecd8cd.webp" media-type="img" alt="20251217_030128.jpg.webp" title="20251217_030128.jpg.webp" width="527" height="702"><p>.</p>

<머신러닝, 핵심만 빠르게!> 2주차 독서 인증

얕은 학습 vs 딥러닝

김학성

<p><span style="color: rgb(0, 0, 0)">[1장]</span></p><p>1장은 머신러닝의 정의와 역할, 종류, 작동 원리, 머신러닝 모델이 새로운 데이터에도 정확하게 예측할 수 있는 이유 등을 알아보았습니다.</p><p>앞으로 배울 머신러닝에 대한 흥미를 일으키게 하고 <span>큰 그림을 그려보</span>는 도입부였습니다.</p><p>&nbsp;</p><p>1.1 머신러닝의 정의와 역할</p><ul><li><p>어떤 현상으로부터 수집한 샘플(example, 또는 사례, 관측)을 바탕으로 알고리즘을 구축하는 컴퓨터 과학의 한 분야</p></li><li><p>데이터셋을 모으고 이 데이터셋을 기반으로 통계적 모델을 구축하여 실용적인 문제를 해결하는 과정</p></li></ul><p>&nbsp;</p><p><span>1.2 학습의 종류</span></p><p>① 지도 학습</p><ul><li><p>데이터셋: 레이블이 있는 샘플의 집합 \{(x_i, y_i)\}_{i=1}^{N}</p></li><li><p>알고리즘 목표: 데이터셋을 사용해 특성 벡터 x를 입력으로 받아 레이블을 유추할 수 있는 모델을 만드는 것</p></li></ul><p><br>② 비지도 학습</p><ul><li><p>데이터셋: 레이블이 없는 샘플의 집합 \{(x_i)\}_{i=1}^{N}</p></li><li><p>알고리즘 목표: 특성 벡터 x를 입력으로 받아 이를 또 다른 벡터로 변환하거나 실용적인 문제를 해결하는 데 사용할 수 있는 어떤 값으로 변환하는 모델을 만드는 것</p></li></ul><p><br>③ 준지도 학습</p><ul><li><p>데이터셋: 레이블이 있는 샘플과 레이블이 없는 샘플 모두 들어 있는데 보통 레이블이 없는 샘플이 더 많음.</p></li><li><p>알고리즘 목표: 레이블이 없는 대량의 데이터를 활용해 학습 알고리즘이 더 나은 모델을 만드는 것</p></li></ul><p><br>④ 강화 학습</p><ul><li><p>데이터셋: 학습 시스템인 에이전트가 환경 안에서 활동하며 특성 벡터를 이용해 환경의 상태를 인식하고, 행동을 실행하는 데 그 결과로 다른 보상을 가져다 주며 다음 상태로 이동하는 과정을 반복하면서 생성하는 경험 데이터</p></li><li><p>알고리즘 목표: 정책(policy)을 학습하는 데&nbsp;장기적인 보상의 합을 최대화하도록 최적의 정책을 학습하는 것이 목표</p></li></ul><p>&nbsp;</p><p>1.3 지도 학습의 작동 원리</p><p>① 데이터를 모은다. (데이터 = (입력, 출력) 쌍의 모음)</p><p>② 특성 벡터로 변환한다.</p><p>③ 선택한 학습 알고리즘으로 모델을 만든다.(훈련)</p><p>&nbsp;</p><p>1.4 모델이 새로운 데이터에 작동하는 이유</p><p>데이터 생성 분포의 일반적인 구조를 통계적으로 학습했기 때문이다.<span><br></span></p><p><span>//</span></p><p>&nbsp;</p><p>[2장]</p><p>2장에서는 앞으로 공부할 내용을 잘 이해할 수 있도록 수학 표기법과 확률, 통계, 머신러닝 관련 용어들에 대해 알아보았습니다.</p><p>저는 수학을 잘 못해서 그런지 이번 장을 공부하기 어려웠네요. 그저 용어를 알아보는 장인데도 어려웠습니다.</p><p>다행히 이를 보충할 수 있는 인프런 유료 강의를 무료로 볼 수 있게 제공해주셔서 공부하는 데 도움을 받았습니다.</p><img src="https://cdn.inflearn.com/public/files/posts/a4a95932-d2ff-41ae-9689-62c1dd698f16/884e19e2-49a6-4faa-9fa8-4f402d16b008.webp" media-type="img" alt="20251216_193932(1).jpg.webp" title="20251216_193932(1).jpg.webp" width="527" height="594"><p>&nbsp;</p>

<머신러닝, 핵심만 빠르게!> 1주차 독서 인증

<p>10.3 추천학습</p><p>협업필터링은 큰 장점을 가지고 있습니다. 한사용자에 대한 추천이 다른 사용자의 소비나 평가를 기반으로 계산 됩니다.</p><img src="https://cdn.inflearn.com/public/files/posts/a9fa2f65-0a9b-4fd8-b1d9-4d564117efeb/9b46a236-6bd3-4320-946d-88e1f6b55e60.webp" media-type="img" alt="5주차.jpg.webp" title="5주차.jpg.webp" width="527" height="702"><p>&nbsp;</p>

주간독서인증

코코

<p>학습이 어떻게 이루어 지는지에 대해 알수 있었습니다.</p>

9~10장

bluesds

<p>앞의 알고리즘이 어떻게 사용되는지 알수 있었습니다.</p>

7~8장

5~6장

<p>여러 알고리즘이 사용되네요!</p>

3~4장

할인 없음

ViewContent.1770100710.339399.3b3f473e-cf04-4854-ac14-3fa9dc2d0115