Machine Learning

Course Overview

머신러닝(Machine Learning)은 머신러닝 및 통계학적 패턴인식에 관한 지식을 폭 넓게 다룬다. 주요 내용으로 stochastic/discriminative learning, parametric/non-parametric learning, neural networks, 딥러닝을 포함한 지도학습(supervised learning), 클러스터링, dimensionality reduction, kernel methods를 포함하는 비지도학습 등을 포함한다. 또한, 영상처리, 음성신호처리, 바이오 신호처리, 데이터 마이닝 등의 머신러닝의 주요 응용에 대하여 살펴본다.

Prerequisites & Follow-up

• 권장 선수과목: 선형대수학, 확률 및 통계, 이산수학, 인공지능, 신호 및 시스템, 디지털신호처리
• 후속 과목: 심화 AI/데이터 마이닝 연구 프로젝트 등

Weekly Schedule

1. 머신러닝 개요와 응용 분야 소개
2. 확률 이론 복습 및 확률 모델링 기초
3. 통계적 의사결정 이론 · 베이지안 분석
4. 선형/이차 판별기 (Linear & Quadratic Classifier)
5. 클러스터링 · 가우시안 혼합 모델
6. 비지도 학습 (K-means, K-NN)
7. 선형 회귀 (해석·정규화)
8. 중간고사
9. 로지스틱/소프트맥스 회귀 (1)
10. 로지스틱/소프트맥스 회귀 (2)
11. 퍼셉트론과 결정 경계
12. 신경망 및 역전파
13. 합성곱 신경망(CNN)
14. 순환 신경망(RNN)
15. 기말고사 및 보강 (필요 시 16주차 활용)

결강 발생 시 15주차 보강, 16주차 기말고사로 조정됩니다.

Course Materials & Support

• 강의 슬라이드, 실습 노트, Kaggle 스타일 데이터, 코드 템플릿을 주차별로 게시
• 프로젝트 안내서, 평가 루브릭, 참고 논문을 KLAS에 병행 업로드
• 질문은 이메일 또는 수업 후 Q&A에서 받고, 장애학생은 지원실과 연계해 맞춤 지원을 제공합니다.

Accessibility & Policies

장애학생은 장애학생지원실과 연계해 좌석 배정, 시험 조정, 대체 자료 등을 지원받을 수 있습니다. 수업·평가 방식 변경 시 즉시 공지하며, 모든 학생은 학칙 제55조(출석의무)를 준수해야 합니다.