ใ ๊ต์ : ์์ธ๋ํ๊ต ์ด์ํ ๊ต์ ใ ํ์ต๋ชฉํ ๋ณธ ๋ชจ๋์ ์ธ๊ณผ์ฑ์ ๋ํด ์ถ๋ก ํ๊ณ ๊ฒฝํ์ ๋ฐ์ดํฐ๋ฅผ ์ฌ์ฉํ์ฌ ์ธ๊ณผ ๊ด๊ณ๋ฅผ ๊ฒฐ์ ํ๋ ๋ฐฉ๋ฒ์ ์ตํ์ผ๋ก์จ ๋ฐ์ดํฐ๋ฅผ ์์ฑํ ํ๋ก์ธ์ค์ ๋ํด ๋ง๋ค์ด์ผ ํ๋ ํ์ ๊ฐ์ ๊ณผ ์ด๋ฌํ ๊ฐ์ ์ด ํฉ๋ฆฌ์ ์ธ์ง ํ๊ฐํ๋ ๋ฐฉ๋ฒ, ๋ง์ง๋ง์ผ๋ก ์ถ์ ๋๋ ์์ ํด์ํ๋ ๋ฐฉ๋ฒ์ ๋ํด ํ์ตํ๊ณ ์ ํฉ๋๋ค. Part 1. ์ธ๊ณผ์ฑ์ ๋ํ ์๊ฐ ๋ฐ ์ธ๊ณผ์ ์ถ๋ก ์ ์ํ ๊ธฐ๋ณธ ๊ฐ๋ - causal discovery : ๋ฐ์ดํฐ๋ก๋ถํฐ ์ธ๊ณผํจ๊ณผ์ ์ธ๊ณผ๊ด๊ณ๋ฅผ ๊ณ์ฐ - ๋ฐ์ดํฐ๋ ์๊ด์ฑ๋ง ๊ฐ์ง๊ณ ์๋๋ฐ, ์ฐ๋ฆฌ๊ฐ ์๊ณ ์ ํ๋ ๊ฒ์ ์ธ๊ณผํจ๊ณผ์ด๋ค. - ์ด๋ฒ ๊ฐ์๋ ์ธ๊ณผํจ๊ณผ๋ฅผ ๊ณ์ฐํ๊ธฐ ์ํ ๊ธฐ๋ณธ์ ํ๋ ์์ํฌ, ์ธ๊ณผํจ๊ณผ๋ฅผ ๊ณ์ฐํ๋ ๋ฐฉ๋ฒ๋ก , ์ธ๊ณผ์ ๊ด์ ์ผ๋ก ๋ฌธ์ ๋ฅผ ๋ฐ๋ผ๋ณด๋ ๋ฐฉ๋ฒ์ ๋ํด ์ ์ ์๋ค. - ๋ฒ ์ด์ง์ ๋คํธ์ํฌ์ ๋ํ ..
ใ ๊ต์ : ์ดํ์ฌ์๋ํ๊ต ๊ฐ์ ์ ๊ต์ ใ ํ์ต๋ชฉํ Machine Learning์ ํ ๋ถ๋ฅ์ธ ์ง๋ํ์ต(Supervised Learning)์ ๋ํ ๊ธฐ๋ณธ ๊ฐ๋ ๊ณผ regression/classification์ ๋ชฉ์ ๋ฐ ์ฐจ์ด์ ์ ๋ํด ์ดํดํ๊ณ , ๋ค์ํ ๋ชจ๋ธ ๋ฐ ๋ฐฉ๋ฒ๋ก (linear and nonlinear regression, classification, ensemble methods, kernel methods ๋ฑ)์ ํตํด ์ธ์ ์ด๋ค ๋ชจ๋ธ์ ์ฌ์ฉํด์ผ ํ๋์ง, ์ ์ฌ์ฉํ๋์ง, ๋ชจ๋ธ ์ฑ๋ฅ์ ํฅ์์ํค๋ ๋ฐฉ๋ฒ์ ํ์ตํ๊ฒ ๋ฉ๋๋ค. Part 1. SL Foundation - ์ง๋ํ์ต : ๋ถ๋ฅ / ํ๊ท ๊ฐ ์์ - error๋ฅผ ๊ณ์ฐํด์ ์์คํจ์ loss function cost function์ผ๋ก ๋ถ๋ฆ - square..
![](http://i1.daumcdn.net/thumb/C148x148/?fname=https://blog.kakaocdn.net/dn/ueipd/btsDdEFxedT/LFwpaXFJIQmOntVaKUEiy1/img.png)
ใ ๊ต์ : ์์ธ๋ํ๊ต ๊น๊ฑดํฌ ใ ํ์ต๋ชฉํ : ๋ณธ ๋ชจ๋์ Machine Learning์ ๊ธฐ๋ณธ ๊ฐ๋ ์ ๋ํ ํ์ต ๊ณผ์ ์ ๋๋ค. ML์ด๋ ๋ฌด์์ธ์ง, Overfitting๊ณผ Underfitting์ ๊ฐ๋ , ์ต๊ทผ ๋ง์ ๊ด์ฌ์ ๋ฐ๊ณ ์๋ ์ด๊ฑฐ๋ ์ธ์ด๋ชจ๋ธ์ ๋ํด ํ์ตํ๊ฒ ๋ฉ๋๋ค. Part 1. Introduction to Machine Learning - ๊ธฐ๊ณํ์ต : ์ธ๊ณต์ง๋ฅ์ ํ ๋ถ์ผ (์ธ๊ณต์ง๋ฅ-๊ธฐ๊ณํ์ต-๋ฅ๋ฌ๋: ๊ธฐ๊ณํ์ต ์ค ์ ๊ฒฝ๋ง ๋ ์ด์ด๊ฐ ๋ง์ ๋ถ์ผ) - ํ๋ฒํธ ์ฌ์ด๋จผ : ์์ฌ๊ฒฐ์ ์ ๊ด๋ จ๋ ์ฐ๊ตฌ / ์์ ์ฌ๋ฌด์ : Game Tree ์ํ-๋ฒ ํ prunning, ์ฒด์คํ๋ก๊ทธ๋จ - Tom Mitchell's definition : Task(์ด๋ค ์์ ), Performance Measure(์ฑ๋ฅ ์งํ), Experie..
![](http://i1.daumcdn.net/thumb/C148x148/?fname=https://blog.kakaocdn.net/dn/b7wNne/btsDhykiGKA/bLAfg5INKOGPpt9bNVFyL1/img.png)
ใ ๊ต์ : KAIST ์ ์ง์ฐ ๊ต์ ใ ํ์ต๋ชฉํ ๋ณธ ๋ชจ๋์ AI๊ธฐ์ ์ ์ดํดํ๊ธฐ ์ํ ๋ฐํ์ด ๋๋ ์ํ์ ์ง์์ ํ์ตํ๊ธฐ ์ํ ๊ณผ์ ์ ๋๋ค. ์ด์ ๊ดํ์ฌ ํ๋ ฌ ๋ถํด, ๋ธ๋ก ์ต์ ํ, ์ฃผ์ฑ๋ถ ๋ถ์ ๋ฑ ๋ฐ์ดํฐ๋ฅผ ๋ค๋ฃจ๊ธฐ ์ํ ๋ฐฉ๋ฒ์ ํ์ตํ๊ฒ ๋ฉ๋๋ค. ๊ณต๋ถ๋ด์ฉ: Part 1. Matrix Decomposition - ํ๋ ฌ ๊ด๊ณ: det(AB) = det(A)det(B)๊ณฑ์ / Trace / Eigenvalue&Eigenvector / Diagonal Part 2. Convex Optimization Part 3. PCA ์ฃผ์ฑ๋ถ๋ถ์ - ๋ฐ์ดํฐ ์ถ์ ์๊ณ ๋ฆฌ์ฆ
![](http://i1.daumcdn.net/thumb/C148x148/?fname=https://blog.kakaocdn.net/dn/dJH61N/btsC86pqeSO/yltlLu07CjPd7dDxCCoWik/img.png)
๊ณต๋ถ๋ด์ฉ : Part 1. ๋ฐ์ดํฐ ๋ถ์๊ณผ AIํ์ต์์ ์ ์ํ ์ Part 2. AI Ethics - ์ผ๋ณธ ํ์นด์ด๋ ๋ํ์ ์ธ๊ณต์ง๋ฅ์ด ์ด ์์ค์ด ์์ ํต๊ณผ - ์ธ๊ณต์ง๋ฅ ๋ฒ์ธ๊ฒฉ์ ์ฅ๋จ์ (๊ฐ๋จํ ์ฑ ์์ ๋ฌธ์ ๊ฐ ์์ฝ๊ฒ ํด๊ฒฐ vs ๋ฒ์ ์ฒ๋ฒ์ ๋ํผ๋ก ์ ์ฉ) - Moral Machine experiment : ํธ๋กค๋ฆฌ ๋ฌธ์ - ๋ก๋ด์ ํ๋ํ์ง ์์ ๊ถ๋ฆฌ Part 3. ์ธ๊ณ์ ์ธ ๋ฐ์ดํฐ ๊ณผํ์๊ฐ ๋๋ ๋ฐฉ๋ฒ - ๊ฐ์ง ๋ด์ค ํ์ง ๊ธฐ์ - ์์ฑ์์ ๋ฅ๋ฌ๋ ๋ถ์ -> ๋น๊ณค์ง์ญ ์์ธก ๋ฐ ๋ น์ง ๊ณ์ฐ(ํ๋ณต์ง์ ์ฐ๊ตฌ) ๋ฐฐ์ด์ : ์ธ๊ณต์ง๋ฅ ๊ฐ๋ฐ์๋ก์ ์ค๋ฆฌ๋ฌธ์ ์ ๋ํด ๋ ์๊ฐ์ ๋ง์ด ํ๊ฒ๋์๋ค.
- Total
- Today
- Yesterday
- ๋ ผ๋ฌธ์ฝ๊ธฐ
- AIRUSH
- HyperCLOVA
- ํ๋ก๊ทธ๋๋จธ์ค
- ํ์ด์ฌ์ฝํ
- lgaimers
- C์ธ์ด
- Aimers
- AIRUSH2023
- MYSQL
- dreambooth
- gan
- ์คํ ์ด๋ธ๋ํจ์
- ์ฝ๋ฉ์๋ฌ
- ํ ํฌ์๋ฐ
- ๊ธฐ์ ์ปจํผ๋ฐ์ค
- SKTECHSUMMIT
- DALLE
- ํ์ด์ฌ
- ๋๋ฆผ๋ถ์ค
- ๊ตฌ๊ธ์ฝ๋ฉ
- CLOVAX
- WGAN
- StableDiffusion
- SQL
- ๋ ผ๋ฌธ๋ฆฌ๋ทฐ
- ์ฝํ
- ์ฝํ ์ค๋น
- ์ฝ๋ฉ๊ณต๋ถ
- AI์ปจํผ๋ฐ์ค
์ผ | ์ | ํ | ์ | ๋ชฉ | ๊ธ | ํ |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 | 31 |