스탠포드에서 머신 러닝 소개

CS229 머신러닝은 학생들이 머신러닝 전문가가 되어 다양한 산업 분야에 적용할 수 있도록 도구를 제공하는 과정입니다.

### CS229 머신러닝: "새로운 전기"를 위한 앤드류 응의 비전
* 🚀 앤드류 응이 많은 머신러닝 전문가와 혁신가를 배출한 CS229 과정을 소개하며, **학생들이 기술, 의료, 교통 등의 분야에서 미래의 업계 리더 또는 기업가가 될 수 있도록 준비**시키는 것을 목표로 합니다.
* 💡 머신러닝의 급속한 발전으로 다양한 산업 분야에서 AI 기술에 대한 수요가 높아지면서 **"AI는 새로운 전기"**라고 할 수 있습니다.
* 📈 풍부한 데이터와 새로운 ML 도구로 인해 **머신러닝 프로젝트의 가치와 기회는 지속적으로 증가**하고 있습니다.
* 🎓 이 과정의 필수 과목에는 **기본 컴퓨터 과학, 확률 및 선형 대수학에 대한 지식**이 포함되며, 프로그래밍 과제는 **MATLAB에서 Python으로 전환**됩니다.
* 🤝 앤드류 응은 더 나은 학습 성과를 위해 **스터디 그룹을 구성**하도록 권장하며, 스탠퍼드 명예 규범에서는 학생들이 **스스로 숙제를 하도록 요구**하고 있습니다.
* 📅 이 과정에는 **4개의 숙제, 중간 프로젝트 제안서, 최종 프로젝트**가 포함되며, 후자는 학생들이 다양한 실제 애플리케이션에 ML을 적용하는 핵심 요소입니다.
* 🏫 강의 녹화, 토론 섹션, 피아자 및 성적표와 같은 온라인 도구 사용과 같은 로지스틱스도 강조됩니다.
* 🌍 앤드류 응은 사회에 긍정적인 영향을 미치는 머신러닝의 혁신적 힘을 강조하며 **학생들이 자신의 ML 기술을 활용해 세상을 의미 있게 변화시킬 수 있도록 독려**합니다.

### 머신 러닝: 머신 러닝: 종합적인 개요
* 🤖 수십 년 전에 개발된 아서 사무엘의 체커 게임 프로그램은 **컴퓨터 프로그램이 스스로 플레이를 통해 제작자를 능가하는 학습**을 한 최초의 사례 중 하나입니다.
* 📈 가장 널리 사용되는 머신러닝 도구인 지도 학습에서는 주어진 데이터 집합을 기반으로 **입력 특징(X)에서 레이블(Y)로 매핑**을 학습하는 것이 목표입니다.
* 🧠 "가장 숙련된 머신러닝 실무자들은 **더 많은 데이터를 수집하거나, 다른 알고리즘을 시도하거나, 하이퍼파라미터를 조정하는 등의 결정**을 내릴 때 매우 전략적으로 접근합니다."
* 🔮 주요 중점 분야인 머신러닝 전략은 **효과적인 학습 시스템을 효율적으로 구축하기 위한 체계적인 엔지니어링 원칙**을 제공하는 것을 목표로 합니다.
* 🔬 비지도 학습은 **클러스터링, 토픽 모델링, 이상 징후 감지** 등의 애플리케이션을 통해 레이블이 지정되지 않은 데이터에서 흥미로운 패턴이나 구조를 찾는 것을 포함합니다.
* 🚁 에이전트가 환경과 상호작용하여 보상 신호를 극대화하도록 훈련하는 데 사용되는 강화 학습은 **최적의 행동을 알 수 없는 영역**에서 특히 효과적입니다.
* 📚 여러 계층의 신경망을 훈련하는 데 중점을 둔 머신러닝의 하위 집합인 딥러닝은 **빠르게 발전**하여 다양한 애플리케이션에서 널리 사용되고 있습니다.
* 🎓 "**CS229는 보다 광범위한 머신러닝 알고리즘**을 다루고, **CS230은 딥러닝에 보다 좁게 초점**을 맞춥니다."

Stanford CS229: Machine Learning Course, Lecture 1 - Andrew Ng (Autumn 2018)

You can gain access to a world of education through Stanford Online, the Stanford School of Engineering’s portal for academic and professional education offered by schools and units throughout Stanford University.  https://online.stanford.edu/

Our robust catalog of degree programs, credit-bearing education, professional certificate programs, and free and open content is developed by Stanford faculty, enabling you to expand your knowledge, advance your career, and enhance your life.

Stanford Online is operated and managed by the Stanford Center for Professional Development (SCPD), the global and online education unit within Stanford Engineering. SCPD works closely with Engineering departments, programs, and centers to design and deliver engaging, high quality online, in-person, and blended learning experiences to both matriculated students and a worldwide audience of learners. SCPD collaborates with many Stanford schools & centers to expand university-wide offerings available online.


Stanford Online

스탠퍼드대학교의 CS229 머신러닝 과정은 미래의 업계 리더 양성을 목표로 학생들에게 머신러닝과 AI를 교육하는 데 중요한 역할을 해왔습니다.

머신러닝 기술에 대한 수요는 빠르게 증가하고 있으며 기술 및 비기술 산업 모두에서 다양한 기회가 생겨나고 있습니다.

앤드류 응이 이끄는 이 과정은 머신러닝과 관련된 다양한 기술 분야의 전문성을 갖춘 강력한 교수진으로 구성되어 있습니다.

스탠포드 머신 러닝 수업의 목표

이 수업은 학생들에게 머신러닝과 그 실제 응용에 대한 심도 있는 전문 지식을 제공하는 것을 목표로 합니다.

또한 학생들이 기술 기업이나 머신러닝 기술을 필요로 하는 기타 산업 분야에서 경력을 쌓을 수 있도록 준비시키는 것을 목표로 합니다.

이 과정에는 컴퓨터 기술, 확률, 통계, 선형 대수학에 대한 필수 과목이 있으며, 프로그래밍 과제는 MATLAB에서 Python으로 변경됩니다.

CS 229에서 MATLAB에서 Python으로 전환하기

CS 229 과목은 과제를 위해 MATLAB과 Octave를 사용하던 것에서 Python과 NumPy를 사용하는 것으로 전환하고 있습니다.

이 수업은 협업과 스터디 그룹을 장려하지만, 스탠퍼드 명예 규정을 지키기 위해 숙제는 개별적으로 해결해야 합니다.

이 과정은 학생들이 의미 있는 머신러닝 프로젝트를 준비할 수 있도록 브레인스토밍하고 영감을 얻기 위해 이전 프로젝트를 탐색하도록 장려하는 것을 목표로 합니다.

스탠포드에서 수업 프로젝트 그룹 및 코스 물류 구성하기

학생들은 수업 프로젝트를 위해 소규모 그룹을 구성하도록 권장되며, 대부분의 그룹은 2~3명으로 구성됩니다.

4명으로 구성된 대규모 프로젝트 그룹은 예외적으로 허용되지만 더 높은 기준을 따릅니다.

채점 기준은 프로젝트 그룹의 규모에 따라 다르며, 3명 이상의 그룹에 대해서는 더 엄격한 기준이 적용됩니다.

CS229 강의와 토론 섹션은 온라인으로 녹화 및 방송되며, 후자의 경우 선택적으로 참석할 수 있습니다.

초기 토론 섹션에서는 필수 자료를 다루고, 이후 토론 섹션에서는 고급 주제에 초점을 맞춥니다.

이 과정은 토론을 위해 온라인 플랫폼인 Piazza를 적극 활용하고 학생들의 적극적인 참여를 장려합니다.

CS229 과정은 두 가지 주요 변경 사항을 적용합니다.

MATLAB에서 Python으로 전환하고 대면 중간고사를 재택 중간고사로 대체하는 것입니다.

이 과정은 이제 머신러닝 교육에 대한 높은 수요를 수용하기 위해 주당 60시간의 강의 시간을 제공합니다.

강사는 학생들에게 CS229, CS229a, CS230의 차이점에 대해 조언하며 각 과정의 작업량과 초점을 강조합니다.

CS229는 수학적 파생에 더 중점을 두는 반면, CS230은 보다 응용적이고 실용적입니다.

스탠퍼드에서는 학생들이 포괄적인 교육을 위해 AI, 머신러닝, 딥러닝에 대한 여러 수업을 수강하도록 권장합니다.

강사는 머신러닝이 세상에 의미 있는 영향을 미칠 수 있는 잠재력과 그 힘의 윤리적 사용을 강조합니다.

지도 학습은 집의 크기를 기반으로 집값을 예측하는 등 입력 데이터와 출력 데이터 간의 관계를 찾는 것을 포함합니다.

가장 널리 사용되는 머신 러닝 도구로, 집값과 같은 연속 데이터에 대한 회귀와 종양 악성도와 같은 불연속 데이터에 대한 분류를 모두 포함합니다.

지도 학습의 목표는 다양한 모델과 알고리즘을 사용하여 입력 데이터에서 출력 데이터로의 매핑을 학습하여 예측을 하는 것입니다.

머신 러닝에서 데이터 및 다차원 특징 시각화하기

기호를 사용하여 데이터 포인트를 선으로 표현하는 것은 동일한 데이터를 음수인 경우 0으로, 양수인 경우 십자가로 시각화하는 다른 방법입니다.

머신러닝에서는 입력 데이터가 다차원인 경우가 많으며, 로지스틱 회귀와 같은 알고리즘을 사용하여 다양한 데이터 클래스를 구분합니다.

서포트 벡터 머신 알고리즘은 복잡한 문제를 해결하는 데 효과적인 커널이라는 기술를 사용하여 무한한 수의 입력 기능으로 작업할 수 있습니다.

카네기멜론 대학교의 신경망은 사람의 운전 방향을 관찰하여 차량을 운전하도록 훈련받습니다.

네트워크의 출력은 인간 운전자로부터 학습함에 따라 점차 더 정확해지며 지도 학습을 보여줍니다.

이 모델의 고급 버전은 다양한 도로 모델 사이를 전환할 수 있어 차량 제어에 신경망을 사용할 수 있는 잠재력을 보여줍니다.

머신 러닝에서 체계적인 엔지니어링의 중요성

숙련된 머신러닝 실무자는 프로젝트를 진행할 때 데이터 수집, 알고리즘 선택, 아키텍처 선택과 같은 전략적 결정을 내려야 합니다.

학습 알고리즘을 디버깅하고 제대로 작동하도록 만드는 과정은 효과적인 학습 시스템을 구축하는 데 매우 중요합니다.

목표는 머신러닝을 주술적인 경험 기반 프로세스에서 체계적인 엔지니어링 분야로 발전시켜 실무자가 팀을 효율적으로 이끌고 성공적인 학습 시스템을 구축할 수 있는 도구를 제공하는 것입니다.

CS230은 주로 딥 러닝에 중점을 두는 반면, CS229는 더 광범위한 알고리즘을 다룹니다.

비지도 학습은 K-평균과 같은 클러스터링 알고리즘과 같이 레이블이 없는 데이터에서 패턴과 구조를 찾는 것을 포함합니다.

칵테일 파티 문제는 비지도 학습의 또 다른 예로, 독립 구성 요소 분석(ICA)을 사용하여 오디오 녹음에서 겹치는 음성을 분리하는 것이 목표입니다.

인터넷의 레이블이 없는 데이터에서 유추를 학습하는 것은 비지도 학습의 한 형태입니다.

강화 학습은 로봇이나 헬리콥터가 원하는 대로 행동하게 하고 보상 신호를 사용하여 최적의 행동을 가르치는 것을 포함합니다.

강화 학습은 게임뿐 아니라 로봇 애플리케이션을 최적화하는 데도 큰 가능성을 보여줍니다.