← Lectures Translate

CS229 Lectures

• 
  CS229 머신러닝 강의 목차 2026-04-14
• 
  1장 - 머신러닝이란 무엇인가 2026-04-13
• 
  2장 - 선형 회귀와 경사 하강법 2026-04-12

  경사 하강법으로 선형 회귀 파라미터를 학습하는 원리와 배치, 확률적 경사 하강법의 차이, 정규 방정식으로 한 번에 최적해를 구하는 방법을 다룹니다

• 
  3장 - 국소 가중 회귀와 로지스틱 회귀 2026-04-11

  국소 가중 회귀로 비선형 함수를 피팅하는 원리와 최소제곱법의 확률적 해석, 로지스틱 회귀와 뉴턴 방법을 이용한 최적화를 다룹니다

• 
  4장 - 퍼셉트론과 일반화 선형 모델 2026-04-10

  지수족과 일반화 선형 모델을 통해 선형 회귀와 로지스틱 회귀가 하나의 프레임워크에서 도출되는 원리, 다중 클래스용 소프트맥스 회귀를 다룹니다

• 
  5장 - GDA와 나이브 베이즈 2026-04-09

  생성 학습 알고리즘의 개념과 함께, 연속형 특성을 다루는 가우시안 판별 분석과 이산형 특성을 다루는 나이브 베이즈의 원리를 설명합니다

• 
  6장 - 서포트 벡터 머신 2026-04-08

  라플라스 스무딩과 다항 이벤트 모델로 나이브 베이즈를 보완한 뒤, 함수적 마진과 기하학적 마진 개념으로 SVM 최적 마진 분류기를 유도합니다

• 
  7장 - 커널 2026-04-07

  커널 트릭으로 고차원 특성 공간을 명시적 계산 없이 다루는 원리와, SVM에 커널을 결합해 비선형 분류기를 만드는 방법을 설명합니다

• 
  8장 - 데이터 분할, 모델과 교차 검증 2026-04-06

  편향과 분산의 트레이드오프, 정규화의 역할, 훈련/개발/테스트 데이터 분할과 K겹 교차 검증으로 모델을 검증하는 방법을 다룹니다

• 
  9장 - 의사결정 트리와 앙상블 기법 2026-04-05

  의사결정 트리의 분할 기준과 과적합 방지 원리를 다루고, 배깅, 랜덤 포레스트, 부스팅 등 앙상블 기법이 성능을 끌어올리는 이유를 설명합니다

• 
  10장 - 신경망 입문 2026-04-04

  로지스틱 회귀가 신경망의 특수한 경우임을 보인 뒤, 순전파 방정식과 층 구조 설계, 소프트맥스 회귀를 통한 다중 클래스 분류를 다룹니다

• 
  11장 - 역전파와 신경망 개선 2026-04-03

  연쇄 법칙으로 역전파를 유도하고, 활성화 함수 선택, 기울기 소실과 폭발 문제, 가중치 초기화, 미니 배치와 모멘텀 등 학습 안정화 기법을 다룹니다

• 
  12장 - ML 모델 디버깅과 오류 분석 2026-04-02

  편향과 분산, 최적화 알고리즘과 목적 함수 중 무엇이 문제인지 진단하는 방법과, 오류 분석 및 절제 분석으로 개선 우선순위를 정하는 전략을 다룹니다

• 
  13장 - EM 알고리즘 2026-04-01

  K평균 클러스터링에서 출발해 가우시안 혼합 모델을 학습하는 EM 알고리즘까지, 옌센 부등식으로 그 수렴을 엄밀하게 증명하는 과정을 다룹니다

• 
  14장 - EM 알고리즘과 인자 분석 2026-03-31

  데이터가 적을 때 가우시안 혼합 모델이 실패하는 이유를 짚고, 잠재 변수를 이용한 인자 분석 모델과 그 EM 유도 과정을 자세히 다룹니다

• 
  15장 - PCA와 ICA 2026-03-30

  주성분 분석으로 데이터의 차원을 축소하는 수학적 유도와 응용 사례를 다루고, 독립 성분 분석이 풀고자 하는 문제 설정을 소개합니다

• 
  16장 - 독립 성분 분석과 강화 학습 2026-03-29

  칵테일 파티 문제를 푸는 독립 성분 분석을 마무리하고, 마르코프 결정 과정을 중심으로 강화 학습의 기본 틀과 정책 개념을 소개합니다

• 
  17장 - MDP와 가치 및 정책 반복 2026-03-28

  마르코프 결정 과정의 가치 함수를 정의하고, 최적 정책을 구하는 가치 반복과 정책 반복 알고리즘, 상태 전이 확률 추정 방법을 다룹니다

• 
  18장 - 연속 상태 MDP와 모델 시뮬레이션 2026-03-27

  연속 상태 공간을 다루는 이산화 기법의 한계를 짚고, 모델 기반 강화 학습과 시뮬레이터 구축을 거쳐 적합 가치 반복 알고리즘을 유도합니다

• 
  19장 - 보상 모델과 선형 동적 시스템 2026-03-26

  상태 행동 보상과 유한 지평 MDP로 프레임워크를 확장한 뒤, 선형 동적 시스템에서 근사 없이 최적 정책을 계산하는 LQR을 유도합니다

• 
  20장 - 강화 학습 디버깅과 진단 2026-03-25

  강화 학습 프로젝트에서 시뮬레이터, 보상 함수, 알고리즘 중 병목을 진단하는 체계적 방법과, 직접 정책 탐색인 REINFORCE 알고리즘을 다룹니다