Stanford CS229 Intro & Lecture 1
2021년도 8월에 10강까지 시청한 강의지만, 다시 한번 깊게 이해하고 싶어서 다시 공부하게 되었습니다. 강의가 전세계적으로 유명한만큼 나름의 그 이유를 경험하고 싶었고, 이 강의를 내 것으로 받아 들일 수 있다면 그 어떤 강의도 잘할 수 있지 않을까하는 기대감을 가지고 다시 도전합니다.
강좌 소개
Stanford 대학의 Andrew ng 교수는 AI 분야에서 굉장히 저명한 분으로 유명합니다.
그 중 ML 강좌인 CS229와 딥러닝 강좌인 CS231n은 오랫동안 가장 인기있는 강좌입니다.
순서는 CS229를 먼저 수강하고 그 다음에 CS231n을 듣는 것이 적합합니다.
Coursera에서도 이 강의를 들을 수 있고, 이지업에서는 번역된 강의도 볼 수 있으니,
영어로만 수업을 따라가기 어려우신 분들은 이지업을 활용하는 것도 좋을 것 같습니다.
CS229는 현재 유튜브에서 무료로 시청할 수 있습니다.
공부자료
관련 Syllabus나 lecture note, 그리고 공부할 때 도움될 만한 사이트들을 아래에 첨부해두겠습니다. 필요하신 분들은 활용하시면 좋을 것 같습니다.
공부 목적과 방향
공부 목적
- 100% 이해보다 하나라도 내 것으로 만들어가기 위함
- 이 강의를 수강한 이후, 머신러닝에 대한 탄탄한 기본기, 이해도를 가지기 위함
- 원어 강의에 대한 이해도와 숙련도를 높이기 위함
공부 방향
- 강의를 들으면서 노트에 요점 정리
- Github에 중요 개념이나 공유할만한 내용은 포스팅하기
- 같이 진행할 Scikit-learn 책과 연계할 수 있다면 활용하기
Lecture 1
1강에서는 전반적인 수업의 목적과 흐름에 대해 설명합니다. Andrew Ng 교수는 학생들이 머신러닝 전문가가 될 수 있도록 하는 것이 이 수업의 목표라고 말합니다. 하지만 핵심은 큰 돈을 버는 것도 좋지만, 그것보다 더 가치있고, 세상에 도움을 줄 수 있는 일에 활용하면 좋겠다고 조언합니다.
강의는 총 5개의 주제를 다룹니다.
- Supervised Learning
- ML Theory(Strategic & Systematic Engineering Process) MLYearing 책과 같이 활용하면 좋습니다.
- Deep Learning(CS231n 수업에서 더욱 자세히 다룹니다.)
- Unsupervised Learning
- Reinforcement Learning
이후 2강부터 본격적인 머신러닝 이론에 대해 배우겠지만, 수학이 많이 활용됩니다. 편미분과 선형대수학, 기본적인 통계지식을 요구하기 때문에 부족한 부분은 병형해가며 공부하는 것이 좋습니다.
다짐
목표는 4, 5, 6월동안 이 강의를 제 것으로 가져갈 수 있도록 하는 것입니다. 아마도 수학에 있어서 많은 어려움을 느끼겠지만, 그것이 앞으로 필요한 공부의 이정표가 되기도 할 것이며 중간중간 보충공부를 하며 얻어가는 것도 있을 것입니다. 머신러닝을 공부하는 것에 있어서 어려운 자료를 선택했지만, 그만큼 탄탄한 지식을 얻어갈 수 있을 것이라 확신합니다.
댓글남기기