본문 영역으로 바로가기

강의소개

머신러닝은 데이터에 존재하는 정보를 추출하거나 패턴을 학습하는 학문이고, 인공지능 기수에 가장 핵심적인 분야이다. 우선, 기본적인 선형대수 개념을 바탕으로 일반적인 최적화 및 온라인 최적화 문제를 다룬다. 그리고 머신러닝에서 주로 다루는 스코어 함수와 손실함수를 앞서 배운 최적화 프레임에 대입해본다. Chained function이 주어졌을 때 일반적으로 사용할 수 있는 computational graph의 roqua과 backpropagation에 대해 학습하고 컨볼루션 및 순환 신경망에 어떻게 적용하는지를 학습한다.
※본 강좌는 영어로 진행됩니다.

  학습목표

•  머신러닝의 수학적인 원리를 설명할 수 있다.
•  원리를 바탕으로 알고리즘이 어떻게 설계되는지 설명할 수 있다a.
•  알고리즘의 실제 문제에 적용할 수 있다.

  연관 선수 강좌

•  기본적으로 심화 강좌인 머신러닝을 제외한 4강좌의 학습 순서는 상관없음
•  내용 구성을 고려하여 화살표로 그 순서를 제안

연관 선수 강좌는 이론, 도구, 적용 부분으로 구성되어 있으며 먼저 이론으로는 데이터마이닝, 인공지능의 기초, 머신러닝 강좌가 있습니다. 이론 강좌 중 머신러닝은 인공지능의 기초 강좌 다음에 수강하는 것이 효과적입니다. 다음으로 도구 부분 과정으로 빅데이터와 머신러닝 소프트웨어가 있으며 적용 부분으로 빅데이터와 인공지능의 응용 강좌가 있습니다. 이론 강좌 중 머신러닝 강좌는 심화강좌이며 나머지 강좌는 기초강좌 입니다.

교수소개

송현오 교수 – 서울대학교 공과대학 컴퓨터공학부  

  학력

•  한양대학교 기계공학 학사 (2006)
•  Stanford University, Mechanical engineering 석사 (2008)
•  University of California, Berkeley, Computer Science 석사 (2013)
•  University of California, Berkeley, Computer Science 박사 (2014)

  주요경력

•  2013: IBM Research (Research intern)
•  2013: INRIA Grenoble (Visiting researcher)
•  2014.11. – 2016.07.: Stanford University (Postdoctoral fellow)
•  2016.07. – 2017.08.: Google Research (Research Scientist)
•  2017.09. – 현재: 조교수, 서울대학교 컴퓨터공학부

  연구분야

•  Artificial intelligence, Robotics, Optimization, Machine learning
 

강의구성

  총 9주차

 •  강좌계획표(Syllabus)

 
강좌 계획표
주차  개강일 학습목표 학습내용 평가
1주차  1월 22일 머신러닝의 개념을 설명할 수 있다 Logistics Introduction, Types of ML problems
2주차 1월 29일 최적화 개념을 들어가기 앞서 필수 배경 지식을 설명할 수 있다. Basic linear algebra 퀴즈
3주차 2월 5일 일반적인 최적화 문제를 공식화하는 과정과 해를 찾는 과정을 설명할 수 있다. Descent methods, Coordinate descent
4주차 2월 12일 대량의 데이터를 바탕으로 최적화할 때 stochastic gradient descent를 이용해 해를 찾을 수 있다. Online method, Advanced online descent methods 퀴즈
5주차 2월 19일 대량의 데이터를 바탕으로 최적화할 때 stochastic gradient descent를 이용해 해를 찾을 수 있다. Score functions, Loss functions
6주차 2월 26일 손실함수를 미분 가능한 chained function 형태로 표현하고 최적화할 수 있다. Computational graphs, Neural networks 퀴즈
7주차 3월 5일 Spatial invariance를 위한 컨볼루션과 Temporal modeling을 위한 순환 신경망을 설명할 수 있다. Convolutional neural network, Pooling layer, Activation, Weight initialization
8주차 3월 12일 Environment와 반복적으로 interaction하면서 강화학습을 설명 할 수 있다. Reinforcement Learning, Value based model free reinforcement learning 퀴즈
9주차 3월 18일 기말고사


  평가 비율 

평가 비율
퀴즈중간고사기말고사
50% 0% 50%

60점 충족 시 이수증 발부

  교재

•  교재는 학습자료로 제공
     ※학습자료는 다운로드 가능

  수강신청 기간

•  2018년 1월 8일(화) ~ 2019년 3월 5일(화)

  운영 기간

•  2019년 1월 22일(화) ~ 2019년 3월 18일(월)

  개설 방식

•  매주 1개 주차씩 순차 오픈

조교소개

  메일 : harry2636@snu.ac.kr

관련 강좌

현재 강좌와 관련있는 강좌를 찾을 수 없습니다.
  1. 분야

    공학
    (컴퓨터ㆍ통신)
  2. 강좌 내용의 어려운 수준을 의미합니다. 교양, 전공기초, 전공심화 순으로 난이도가 증가합니다.

    난이도

    전공기초
  3. 강좌를 개발하고 운영하는 기관입니다. 컨소시엄으로 운영 시, 대표기관의 명칭이 나타납니다

    운영기관

    서울대학교
  4. 운영 기관의 전화번호 입니다.

    전화번호

    -
  5. 강좌의 구성 주차 수를 의미합니다. (강좌를 충실히 학습하기 위해 필요한 주당 학습시간을 의미합니다.)

    주차
    (주간 학습 권장 시간)

    08주
    (주당 01시간 00분)
  6. 본 강좌 이수자에게 인정되는 학습시간으로 해당 강좌의 동영상, 과제, 시험, 퀴즈, 토론 등의 시간을 포함합니다. (강의 내용과 관련된 동영상 재생 시간의 총 합계입니다.)

    학습인정시간
    (총 동영상시간)

    05시간 00분
    (04시간 00분)
  7. 수강신청이 가능한 기간으로 해당 기간 내에만 수강신청이 가능합니다.

    수강 신청 기간

    2019.01.08 ~ 2019.03.05
  8. 강좌가 운영되고 교수지원이 이루어지는 기간입니다. 이수증은 강좌운영기간이 종료된 이후에 발급받을 수 있습니다.

    강좌 운영 기간

    2019.01.22 ~ 2019.03.18