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

Lecture Slides

• Ch.1 ML Introduction(2022).zip
• Ch2. Basic Probability Theory(2022).zip
• Ch3. Random Process(2022).zip
• Ch4. Likelihood Ratio Test.zip
• Ch5. Clustering and EM(2022).zip
• Ch6. Linear Regression(2022).zip
• Ch7. Logistic Regression(2025).zip
• Ch8 1. Neural Network(2025).zip
• Ch8 2. Neural Network RBM(2025).zip
• Ch8 3. Convolutional Neural Network(2025).zip
• Ch8 4. Recurrent Neural Network(2025).zip
• Ch9 Bagging Randomforest(2020).zip
• Ch9. Attention Trasformer(2025).zip
• Support Vector Machine(2025).zip