이번 글에서는 프로그래머스 인공지능 데브코스의 7주차 강의에 대한 정리입니다.
1. ML Basics (Probability)
Machine Learning 기초 소개
- Machine Learning (기계학습)
- 경험을 통해 자동으로 개선하는 컴퓨터 알고리즘의 연구
- 머신러닝 알고리즘의 결과는 목표값을 예측하는 함수 y(x)
- 핵심 개념
- 학습 단계: 함수 y(x)를 학습 데이터에 기반해 결정하는 단계
- 시험셋(Test set): 모델을 평가하기 위해 사용하는 새로운 데이터
- 일반화 (Generalization): 새로운 데이터에 대해 올바른 예측을 수행하는 역량
- 지도학습: Target이 주어진 경우 (분류, 회귀)
- 비지도학습: Target이 없는 경우 (군집)
- 다항식 곡선 근사 (Polynomial Curve Fitting)
- 새로운 입력 벡터가 주어졌을 때, 목표값을 예측하는 것
- 확률이론: 예측값의 불확실성을 정량화 하여 표현할 수 있는 수학적 프레임워크 제공
- 결정이론: 확률적 표현을 바탕으로 최적의 예측을 수행할 수 있는 방법론 제공
- 오차함수, 과소적합, 과대적합, 규제화
확률변수 (Random Variable)
- 확률변수 X는 표본의 집합 S의 원소 e를 실수값 X(e) = x에 대응시키는 함수
- 대문자 X, Y…: 확률변수
- 소문자 x, y…: 확률변수가 가질 수 있는 값
- 연속확률변수 (Continuous Random Variable)
- 누적분포함수 (Cumulative Distribution Function, CDF)
- 누적분포함수와 확률밀도함수 사이의 관계
- 확률변수의 성질
- 덧셈법칙
- 곱셈법칙
- 베이즈 확률: 사후확률, 가능도 (우도), 사전확률
- 확률변수의 함수
- 확률변수 X의 함수 Y = f(X)도 확률변수 (함수의 함수)
2. ML Basics (Decision Theory, Linear Regression)
3. ML Basics (Probability Distributions)
4. ML Basics (Probability Distributions)
5. 7주차 돌아보기
- 기간: 2022. 10. 31 ~ 2022. 11. 04
출처: 프로그래머스 인공지능 데브코스 4기 6주차 강의 -> 강의 내용 정리 깃허브 링크