태그: book

41개의 게시물

• 
  CS230 딥러닝 강의 목차 2026-04-14

  Stanford CS230 딥러닝 강의 (2025 가을) 전체 목차. 유튜브 강의 트랜스크립트를 한국어 도서 형식으로 정리한 시리즈.

• 
  CS229 머신러닝 강의 목차 2026-04-14
• 
  CME295 트랜스포머와 LLM 강의 목차 2026-04-14
• 
  1장 - 트랜스포머 2026-04-13

  토큰화와 단어 표현부터 어텐션 메커니즘, 셀프 어텐션까지 거슬러 올라가 2017년 트랜스포머 아키텍처가 등장한 배경과 구조를 설명합니다

• 
  1장 - 딥러닝 입문 2026-04-13

  스탠퍼드 CS230 첫 번째 강의. 딥러닝이 왜 지금 가장 강력한 머신러닝 기법인지, 스케일링이 성능에 미치는 영향, 그리고 CS230 강좌의 구조와 실무 역량까지 폭넓게 다룬다.

• 
  1장 - 머신러닝이란 무엇인가 2026-04-13
• 
  2장 - 지도, 자기지도, 약지도 학습 2026-04-12

  Stanford CS230 딥러닝 강의 Lecture 2. 지도 학습 프로젝트(주야간 분류, 트리거 워드 탐지, 얼굴 인증)를 통해 실전 의사결정을 익히고, 자기지도 학습과 약지도 학습의 원리를 다룬다.

• 
  2장 - 트랜스포머 모델과 기법 2026-04-12

  위치 임베딩, 층 정규화, 그룹 쿼리 어텐션 등 트랜스포머를 개선하는 기법과, BERT를 중심으로 한 인코더 계열 모델의 구조를 다룹니다

• 
  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 - 딥러닝 프로젝트의 전체 사이클 2026-04-11

  딥러닝 프로젝트의 전체 생애주기를 얼굴 인식 시스템 구축 사례를 통해 다룬다. 데이터 수집 전략, 반복적 개발 루프, 배포 아키텍처, 모니터링과 유지보수까지 실무 전 과정을 포괄한다.

• 
  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

• 
  3장 - 대규모 언어 모델 2026-04-11

  혼합 전문가 모델과 온도, 프롬프팅 전략으로 LLM의 응답 생성 방식을 살펴보고, KV 캐시와 PagedAttention 등 추론 최적화 기법을 다룹니다

• 
  4장 - 적대적 견고성과 생성 모델 2026-04-10

  신경망에 대한 적대적 공격의 원리와 방어 기법을 다루고, 생성 모델의 두 축인 GAN과 확산 모델의 수학적 직관과 훈련 방법을 상세히 설명한다.

• 
  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

• 
  4장 - LLM 훈련 2026-04-10

  스케일링 법칙과 데이터 및 모델 병렬 처리, 플래시 어텐션과 양자화 등 LLM 사전 훈련 최적화 기법과, LoRA를 이용한 효율적 미세 조정을 다룹니다

• 
  5장 - LLM 튜닝 2026-04-09

  인간 선호도로 LLM을 정렬하는 RLHF 파이프라인과 보상 모델, PPO를 이용한 정책 최적화, 그리고 대안인 DPO의 원리를 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

• 
  5장 - 심층 강화 학습 2026-04-09

  Stanford CS230 딥러닝 강의 Lecture 5. 강화 학습의 기본 개념부터 Deep Q-Network, 경험 재생, 탐색-활용 균형, 그리고 RLHF까지 다룬다.

• 
  6장 - LLM 추론 2026-04-08

  추론 능력을 강화학습으로 확장하는 GRPO 알고리즘과 PPO의 차이, 길이 편향 문제, DeepSeek R1의 훈련 레시피를 다룹니다

• 
  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

• 
  6장 - AI 프로젝트 전략 2026-04-08

  Stanford CS230 딥러닝 강의 Lecture 6. 음성 인식 시스템과 AI 딥 리서처 파이프라인을 예시로, ML 프로젝트의 반복 사이클, 오류 분석, 데이터 전략을 실전적으로 다룬다.

• 
  7장 - 커널 2026-04-07

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

• 
  7장 - 에이전트 LLM 2026-04-07

  지식 베이스 검색과 순위 재조정으로 구성되는 RAG 파이프라인과, 도구 호출 및 MCP를 활용한 ReAct 에이전트의 관찰과 행동 루프를 다룹니다

• 
  8장 - 에이전트, 프롬프트, RAG 2026-04-06

  Stanford CS230 딥러닝 강의 Lecture 8. 프롬프트 엔지니어링, RAG, 에이전트 워크플로우, 멀티 에이전트 시스템을 다루는 실전 강의.

• 
  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

• 
  8장 - LLM 평가 2026-04-06

  BLEU, ROUGE 같은 규칙 기반 지표의 한계를 짚고, LLM as a Judge의 편향과 모범 사례, 에이전트 평가와 벤치마크 설계 방법을 다룹니다

• 
  9장 - 종합 정리와 최신 동향 2026-04-05

  강의 전체를 복습한 뒤 비전 트랜스포머와 비전 언어 모델, 확산 기반 LLM 등 모달리티 간 기술 이전과 향후 연구 방향을 정리합니다

• 
  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

• 
  9장 - AI 커리어 조언 2026-04-05

  Stanford CS230 딥러닝 강의 Lecture 9. AI 시대의 커리어 전략, 기술 부채 관리, 하이프 필터링, 그리고 성공의 3가지 기둥을 다루는 실전 조언 강의.

• 
  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

• 
  10장 - 모델 내부에서 무슨 일이 일어나는가 2026-04-04

  Stanford CS230 딥러닝 강의 Lecture 10. CNN 내부 해석 기법(Saliency Map, Integrated Gradients, Occlusion Sensitivity, CAM, Deconvolution)부터 프론티어 모델의 스케일링 법칙, 벤치마크 오염, 데이터 진단까지 다루는 모델 해석 강의.

• 
  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