당신은 주제를 찾고 있습니까 “머신 러닝 공부 순서 – 파이썬 공부 이후 막막하다면 | 머신러닝 공부 순서 | numpy pandas matplotlib 캐글“? 다음 카테고리의 웹사이트 https://you.charoenmotorcycles.com 에서 귀하의 모든 질문에 답변해 드립니다: https://you.charoenmotorcycles.com/blog. 바로 아래에서 답을 찾을 수 있습니다. 작성자 꽃부리 AI With SJ 이(가) 작성한 기사에는 조회수 5,379회 및 좋아요 181개 개의 좋아요가 있습니다.
머신 러닝 공부 순서 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 파이썬 공부 이후 막막하다면 | 머신러닝 공부 순서 | numpy pandas matplotlib 캐글 – 머신 러닝 공부 순서 주제에 대한 세부정보를 참조하세요
지난 영상 중에 파이썬 공부를 먼저 시작하라고 말씀드린 영상이 있었습니다.
이번 영상에서는 파이썬 공부 이후 어떤 태도로 임해야 할지, 머신러닝/데이터사이언스 관련 어떤 것들부터 공부를 해야 할지 설명드립니다~
캐글 타이타닉 문제 참가 링크: https://www.kaggle.com/c/titanic
머신 러닝 공부 순서 주제에 대한 자세한 내용은 여기를 참조하세요.
머신러닝 공부 순서, 방법 및 강의 정리 – 곰씨네 IT 블로그
머신러닝 공부 순서, 방법 및 강의 정리 · 0. 머신러닝을 공부한 계기 · 1. 앤드류 응(Andrew Ng) 머신러닝 강좌 · 2. 파이썬(Python) 공부 · 3. 그래프 모형, …
Source: gomcine.tistory.com
Date Published: 6/11/2021
View: 9309
AI와 머신러닝 공부순서 (+ 로드맵) – B.Iog
AI와 머신러닝을 공부하기 위해서는 크게 머신러닝, 수학, 프로그래밍 3가지 분야를 집중적으로 공부해야 한다. 공부 순서는 머신러닝과 수학을 먼저 …
Source: wkdus0608.tistory.com
Date Published: 8/23/2021
View: 6813
데이터 분석/인공지능을 공부하려는 분들께 경험을 토대로 학습 …
혼자 데이터분석/머신러닝/딥러닝에 입문하시는 분들은 Machine … 지능 을 공부해보고 싶으신 분들께 저의 직접 경험을 토대로 정리한 학습 순서와 …
Source: teddylee777.github.io
Date Published: 7/13/2022
View: 7065
머신러닝 공부 순서 …
머신러닝 공부 순서 … · 1) 유용한 사이트. https://www.kaggle.com/ ⋆⋆⋆⋆⋆ · 2) 수학 · 3) 통계 · 4) 머신러닝, 딥러닝 & 강화학습 · 5) 주요 학회 및 …
Source: riverside13.tistory.com
Date Published: 12/9/2022
View: 3959
머신러닝, 딥러닝을 공부하실 때 순서대로 보시면 좋은 책들 …
연초에 시간에 많아서 조금씩 자료를 수집하고 공부하고 있습니다. 매년 설날과 추석을 전후로 2주에서 3주정도 시간이 되어서 조금씩 공부를 하고 있습니다.
Source: steemit.com
Date Published: 1/16/2022
View: 555
딥러닝(Deep Learning) 공부방법(VoyagerX 남세동 대표)
무료로도 들을 수 있지만, 79달러를 내고 들으면 강의 내용이 머리 속에 더 잘 들어 오게 된다. 진짜다. * 코세라의 앤드류 응 교수님의 머신러닝 강의: …
Source: ccibomb.tistory.com
Date Published: 12/8/2022
View: 9814
딥러닝 공부순서 추천 – 프라이데이
딥러닝 공부순서 추천 · 1) 자주나오는 알고리즘, gradient descent, linear regression, MLPs 등..을 이해하는 것 · 2) 수학적 notation들을 배우고 이해 …
Source: ganghee-lee.tistory.com
Date Published: 3/26/2022
View: 4944
주제와 관련된 이미지 머신 러닝 공부 순서
주제와 관련된 더 많은 사진을 참조하십시오 파이썬 공부 이후 막막하다면 | 머신러닝 공부 순서 | numpy pandas matplotlib 캐글. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
주제에 대한 기사 평가 머신 러닝 공부 순서
- Author: 꽃부리 AI With SJ
- Views: 조회수 5,379회
- Likes: 좋아요 181개
- Date Published: 2021. 6. 1.
- Video Url link: https://www.youtube.com/watch?v=m6-4h2odSJc
머신러닝 공부 순서, 방법 및 강의 정리
이번 포스팅에서는 작년부터 머신러닝 공부를 시작하면서 들었던 강의와 머신러닝 공부 방법에 대해서 정리해보려고 한다. 필자도 아직 머신러닝을 마스터하려면 갈 길이 멀었지만, 그간 공부했던 경험을 토대로 머신러닝 입문자들에게 조금이나마 도움이 됐으면 하는 마음으로 적어봤다.
※ 주의 : 이 글은 이제 막 머신러닝을 공부하려는 입문자를 위한 글입니다. 이미 머신러닝을 많이 공부하신 분들에게는 별로 도움이 되지 않을 것입니다.
우선 필자에 대해 간략하게 소개하자면, 한국에서 자바 개발자로 시작해 이 후 여러 모바일 웹앱 프로젝트를 하면서 프론트엔드 개발자로 커리어를 바꾼 9년 차 개발자이다. 어쩌다 지금은 미국으로 건너와 1인 개발자로 일하고 있다. 필자가 미국으로 건너 오게 된 이야기는 부끄럽지만 나의 퇴사 이야기라는 글에 남겨보았다.
0. 머신러닝을 공부한 계기
어쨌든 그렇게 자바 -> 안드로이드 -> 자바스크립트로 영역을 바꿔왔는데 작년에 진행했던 React 프로젝트에서 또다시 팔랑귀가 작동했다. 같이 일하는 분이 틈틈이 머신러닝 공부하는 것을 보고 의욕이 불타올랐던 것이다.
필자는 바람이 조금만 불어도 쉽게 팔락거리는 팔랑귀를 가지고 있어서 그런지 주위에서 뭐가 유행이더라 하면 궁금해서 못 참는 성격이다. 게다가 이세돌 알파고 이 후 조금씩 커져 왔던 머신러닝에 대한 순수한 호기심도 한 몫 했다.
프론트엔드 개발도 아직 공부할 것이 많고 처리해야 할 프로젝트도 많은데 당장 돈이 되지 않는 머신러닝에 시간을 투자하다니.. 스스로 자책을 하면서도 “이것도 미래를 위한 투자다!” 라는 자기합리화로 지금까지 오게 되었다. 하아..
1. 앤드류 응(Andrew Ng) 머신러닝 강좌
머신러닝 공부를 시작하기 위해 구글 검색을 해보면 열이면 아홉은 Andrew Ng 교수의 머신러닝 강좌부터 볼 것을 추천하고 있다. 앤드류 응 교수는 구글 브래인팀을 이끌었던 세계적인 AI 권위자로 스탠포드 대학 교수이자 코세라 창립자이다.
참고로 코세라 강의는 월 $45를 결제하면 Specializations에 있는 모든 과목을 무제한을 들을 수 있는데, 유명한 머신러닝 강의는 대부분 코세라에 있다. 가입 후 7일 동안은 무료 라서 일단 가입했다.
앤드류 응 교수의 강의는 머신러닝 기본 강의라고 보면 될 것 같다. 수업은 원하는 때에 들을 수 있었고, 다만 숙제가 있다. 숙제는 Octave(옥타브)라는 스크립트 언어로 나왔다. 개인적으로 이 강의를 보고 난 후 파이썬을 공부했는데, 파이썬을 이미 공부한 사람들은 강의 숙제를 할 때 GitHub에 파이썬 코드로 재작성된 자료를 참고하면 될 것이다.
2. 파이썬(Python) 공부
어떤 머신러닝 전문가는 머신러닝을 배울 때 코딩부터 배우지 말라고 한다. 그런데 필자는 앤드류 응 교수의 머신러닝 수업을 대강 마무리 하고 바로 파이썬 문법을 공부했다. 삽질부터 해보는 개발자여서 그런지 이론보다는 코드에 먼저 눈이 갔던 것 같다.
파이썬은 머신러닝에 즐겨 쓰이는 프로그래밍 언어이다. R이나 Matlab 같은 것도 있는데 머신러닝 언어 중 대세는 파이썬이라고 한다.
필자는 파이썬 공부를 하기 위해 파이썬 공식 사이트로 가서 문서들을 한 번 쭉 훑어보고 유데미(Udemy)에서 제일 짧은 강의부터 찾았다. 강의 이름은 처음 시작하는 파이썬이라는 강좌였는데 파이썬 문법 부분만 빠르게 넘겨 보았다. 여러가지 프로그래밍 언어를 다뤄봐서 그런지 몇몇 파이썬 만의 독특한 문법들 빼고는 크게 어렵지는 않았다. 개인적으로 파이썬 문법 공부는 하루면 충분했던 것 같다.
만약 이미 코세라를 구독하고 있고 프로그래밍이 처음이거나 파이썬을 기초부터 제대로 배우고 싶다면 Python 3 Programming 강의를 추천한다.
3. 그래프 모형, 인공신경망 강의
머신러닝을 공부할 때는 머신러닝 개론 -> 그래프 모형 -> 인공신경망 순으로 공부하면 된다고 한다. 그래프 모형(Graphical Model)이란 머신러닝의 근간을 이루는 모델로 변수간 상호 의존 관계를 설명한다.
그래프 모형에 대한 강의는 Daphne Koller 교수의 Probabilistic Graphical Models 강의가 가장 유명하다. 이 역시 코세라 강의이다.
다음으로 최근 머신러닝의 대세가 된 알고리즘인 인공신경망(Neural Network) & 딥러닝(Deep Learning) 공부를 했다. AI, 머신러닝, 인공신경망, 딥러닝 개념이 어렵다면 아래 그림과 같은 관계라고 보면 된다.
AI(Artificial Intelligence)란 인간의 지능을 기계로 만든 것을 의미하며, 그 구체적인 방법 중 하나가 머신러닝(Machine Learning)인 것이다. 그리고 머신러닝을 구현하는 알고리즘 중의 하나가 인공신경망(Neural Network)과 딥러닝(Deep Learning)인 것이다.
딥러닝은 인공신경망에서 발전된 형태로 심화신경망 또는 개선된 인공신경망 등으로 불리기도 한다.
인공신경망 강의 역시 앤드류 응 교수의 코세라 강의인 Neural Networks and Deep Learning 강의를 들었다. 참고로 아직 보지는 않았지만 인공신경망 쪽에서 휴고 라로첼(Hugo Larochelle)의 유튜브 강의도 괜찮다고 한다.
4. 머신러닝 실습 강의
코세라 강의를 들으면서 잘 이해되지 않은 부분도 있고, 영어로 수업이 진행되다 보니 놓치는 부분도 많았던 것 같다. 그래서 조금 더 쉽고 실용적인 강의가 없나 찾다가 추가로 유데미에 있는 머신러닝 강의를 들었다.
참고로 유데미 강의는 프로그래밍을 전혀 해보지 않은 사람은 다소 따라가기 어려워 보였다. 강의는 텐서플로우와 케라스를 통해 인공 신경망 개발 환경을 구축해보고 딥러닝을 통한 이미지, 데이터 분류 실습을 해본다.
또한 강화학습에 대한 내용과 Apache Sparks MLlib을 통한 대량 데이터 머신러닝 처리에 대한 내용도 배울 수 있었다.
5. 추가 학습
유데미 강의는 아직도 틈틈히 수강하고 있다. 그 와중에 다른 머신러닝/딥러닝 강의를 알아보다가 홍콩과기대 김성 교수님의 강의를 보게 되었다. 뭔가 이전에 배웠던 내용을 recap 하는 차원에서 보게 되었는데 머신러닝 이론에 대해 깔금하게 정리되어 있다. 머신러닝 공부를 시작하거나 공부 중이라면 참고하면 괜찮은 강의이지 않을까 싶다.
6. 머신러닝 공부에 도움 될 만한 URL 모음
머신러닝 공부에 도움 될 만한 사이트나 자료에 대한 URL은 이곳에 계속 업데이트할 예정이다.
– 딥러닝을 위한 기초 수학 : https://www.slideshare.net/theeluwin/ss-69596991
– 텐서플로우 연습 코드 모음 : https://github.com/golbin/TensorFlow-Tutorials
– 구글 딥러닝 강의 : https://www.udacity.com/course/deep-learning–ud730
– 머신러닝 오픈소스 튜토리얼 : https://scikit-learn.org/stable/tutorial/
– 옥스포드 머신러닝 수업자료 : https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/
– 머신러닝 용어집 : https://developers.google.com/machine-learning/glossary/?hl=ko
아리스토텔레스의 “시작이 반이다” 라는 명언이 있다. 그런데 영어 원문은 “Well begun, is half done.” 이다. 한국어로 번역되면서 Well의 의미가 삭제된 것 같다. 제대로 해석하면 “좋은”시작이 반을 차지한다는 것이지 무작정 시작만 하면 된다는 의미는 아니다.
머신러닝, 딥러닝 공부 역시 마찬가지인 것 같다. 제대로 된 강의와 가이드로 공부를 시작해야 한다. 그리고 그 첫 시작은 앤드류 응 교수의 coursera 강의라고 생각한다. 아직도 머신러닝 공부를 망설이고 있다면, 일단 코세라에 접속해서 무료 강의부터 들어보자.
AI와 머신러닝 공부순서 (+ 로드맵)
AI와 머신러닝을 공부하기 위해서는 크게 머신러닝, 수학, 프로그래밍 3가지 분야를 집중적으로 공부해야 한다. 공부 순서는 머신러닝과 수학을 먼저 집중적으로 공부하고 그 이후에 프로그래밍을 공부하는 방식으로 학습하면 될 것이다.
머신러닝
머신러닝 종류는 매우 다양하기 때문에 주로 사용되는 것을 위주로 공부하는 것을 추천한다. 인터넷에 머신러닝 관련 강의가 많기 때문에 관련 강의를 선택해서 들어도 되고 블로그나 유튜브를 잘 이용하면 인터넷에서도 질 좋은 내용을 쉽게 찾아볼 수 있다. 공부할 때는 알고리즘과 머신러닝의 특징을 파악하는 것에 초점을 맞춘다면 조금 더 수월하게 공부할 수 있을 것이다.
1. 가우시안 프로세스
가우시안 프로세스는 금융과 같은 분야에서 많이 사용되는 방법론이다.
2. K-최근접 이웃
K-최근접 이웃 알고리즘은 간단한 머신러닝 알고리즘 중 하나이다. 비슷한 데이터들끼리 같은 범주에 속하는 경향이 있다는 개념이다.
3. 서포트 벡터 머신(SVM)
SVM은 패턴 인식, 자료 분석을 효율적으로 하기 위한 모델이다. 분류와 회귀 분석을 위해 사용된다.
4. 인공 신경망
인공 신경망은 두뇌의 신경세포를 모방한 모델인데 인공지능이 문제를 해결하기 위해 사용되는 방식이다.
5. 트리
통계학과 데이터 마이닝, 기계 학습에서 사용하는 예측 모델링 방법 중 하나이다.
6. 클러스터 분석
주어진 데이터들의 특성을 고려해 데이터 집단(클러스터)을 정의하고 데이터 집단의 대표할 수 있는 대표점을 찾는 것으로 데이터 마이닝의 한 방법이다.
수학
5가지는 반드시 알고가자
1. 선형대수
선형대수학은 벡터 공간, 벡터, 선형 변환, 행렬, 연립 선형 방정식 등을 연구하는 대수학의 한 분야이다.
2. 확률
3. 미적분학
4. 통계
5. 최적화 이론
최적화는 특정의 집합 위에서 정의된 실수 값, 함수, 정수에 대해 그 값이 최대나 최소가 되는 상태를 해석하는 문제이다. 이건 목적에 따라서 해도 되고 안 해도 된다. 머신러닝의 구조, 알고리즘의 이해도를 높이고 싶다면 해야 하고 데이터 분석 쪽에 집중하고 싶다면 배우지 않아도 된다.
프로그래밍
AI도 결국에는 프로그래밍으로 구현이 되는 것이기 때문에 반드시 알아야 한다.
1. 파이썬/R
기본적으로 파이썬/R을 가장 많이 쓰기 때문에 파이썬/R은 반드시 배우자.
2. MySQL/MongoDB
AI, 머신러닝을 데이터베이스에 사용하기 위해서 배우는 것이라면 MySQL/MongoDB를 배우면 된다.
3. Hadoop
하나의 성능 좋은 컴퓨터를 이용하여 데이터를 처리하는 대신, 적당한 성능의 범용 컴퓨터 여러 대를 클러스터 화하고, 큰 크기의 데이터를 클러스터에서 병렬로 동시에 처리하여 처리 속도를 높이는 것을 목적으로 하는 분산처리를 위한 오픈소스 프레임워크라고 할 수 있습니다.
4. C/C++
임베디드 시스템을 공부하고 싶다면 C나 C++ 추천한다.
5. 파이 토치/텐서 플로우
인공신경망 구현을 위해서는 파이 토치나 텐서 플로우 이용하기 때문에 파이 토치/텐서 플로우도 반드시 배워야 한다.
AI 로드맵
반응형
인공지능을 공부하려는 분들께 경험을 토대로 학습 방법과 책 추천 (1)
데이터 분석과 인공지능을 공부하려는 분들께 국내 서적을 기준으로 목적에 맞는 책과 공부를 해왔던 경험담에 대하여 공유드리고자 합니다. 데이터 분석 및 인공지능에 관심있는 분들께 도움이 되셨으면 좋겠습니다.
추천에 앞서, 이 글은 어떠한 광고비나 광고의 목적으로 작성된 글이 아니며, 어디까지나 제 경험을 토대로 작성한 개인의견임을 명시합니다. 그리고, 제가 직접 경험한 강의, 스터디, 그리고 읽은 책을 기준으로 공유드립니다.
테디노트 책 출간 소식 전해 드립니다~^^
지난 6개월간 3명의 동료들과 열심히 집필한 책이 드디어 온라인/오프라인 출간 되었습니다!
책 출간 소식 보러가기
참고
혼자 데이터분석/머신러닝/딥러닝에 입문하시는 분들은 Machine Learning Study 혼자 해보기 깃헙을 참고해 보세요.
서론 – 나의 시행 착오
저는 인공지능학, 데이터 분석학, 수학 전공자가 아닙니다.
그렇기 때문에 처음에 인공지능/데이터 분석을 공부해보고 싶은데 어디서부터 어떻게 시작해야할지 정말 막연했던 기억이 납니다. 저는 “Python for Data Analysis”라는 책 1권을 사서 보긴 봤는데요, 도무지 이해가 가지 않았습니다. 그렇기 때문에 처음부터 이 책을 사서 보시는 것은 비추천 합니다.
주로 온라인, 유튜브 강의와 스터디를 위주로 학습했습니다
Youtube에 공개된 유명한 강의, Udacity, Udemy, Coursera 등등의 강의를 주로 학습했었고, 인프런에서도 유료 강좌를 결제해서 수강하였습니다. 그리고, 온/오프라인 스터디와 커널 스터디 그리고 온라인 과외까지 진행하면서 지속적으로 학습을 했던 것 같습니다. 정말 지난 2년 동안은 거의 새벽까지 독학하면서 삽질도 많이 해보고 캐글과 같은 데이터 분석 대회에 참여하면서 조금씩 조금씩 지식과 경험을 쌓으려고 노력했던 시간이었습니다.
지난 2년 동안의 경험을 토대로 처음 시작하려는 분들께 지름길을 추천 드리고자 합니다
지난 2년 동안 제가 학습한 강의와 책입니다
4개 의 오프라인 강의 (DsSchool, FastCampus)
의 오프라인 강의 (DsSchool, FastCampus) 2회 의 원데이 클래스
의 원데이 클래스 1개 의 Udacity Nanodegree
의 Udacity Nanodegree 13개 의 Udemy 강의
의 Udemy 강의 2개 의 Coursera 강의
의 Coursera 강의 9개 의 Inflearn 데이터분석, 인공지능 강의
의 Inflearn 데이터분석, 인공지능 강의 1년 이용권 코드잇 강의
이용권 코드잇 강의 4개 X 50강 으로 이뤄진 Youtube 플레이리스트 강의
으로 이뤄진 Youtube 플레이리스트 강의 100개 가 넘는 유튜브 단일 강의
가 넘는 유튜브 단일 강의 3개 의 오프라인 데이터 분석 스터디
의 오프라인 데이터 분석 스터디 2개 의 온라인 스터디
의 온라인 스터디 1개 의 온라인 과외
의 온라인 과외 26권 의 책
의 책 캐글 커널 스터디, 블로그 등등…
일단, 잘 몰랐기 때문에 유명한 강의는 닥치는 대로 들어보려고 했습니다. 사실 데이터 분석과 인공지능이라는 매력에 빠져있었고, 지금도 너무 좋아하기 때문에 이렇게 할 수 있었던 것 같습니다.
그런데 저는 항상 스스로 독학만 하다보니 너무나도 많은 시행착오와 금전적, 시간적 낭비를 경험 했기에 저처럼 데이터 분석/인공지능 을 공부해보고 싶으신 분들께 저의 직접 경험을 토대로 정리한 학습 순서와 공부법을 추천해 드리고 싶었습니다.
다시 한 번 말씀드리지만, 제 개인적인 경험을 토대로 작성하였으며, 개인마다 느끼시는 차이가 있을 수 있습니다.
Part 1. 기초중의 기초, 기초다지기!! (10시간)
STEP 1: 파이썬 (Python) – 3시간, 무료 (유튜브)
흔히 제일 많이 착각하시는 점 중 하나가 데이터 분석을 잘하려면 = 파이썬을 잘해야지 입니다.
파이썬을 잘 못다루시더라도 데이터 분석을 하시는데에 지장이 없습니다. 처음 접하시는 분들이 파이썬 배우시다가 지쳐서 포기하시는 분들도 있습니다. 전문적인 전통 파이썬 과정 말고 데이터 분석을 위한 파이썬만 콕 찝어 들으시면 됩니다. (절대 끝까지 다 들으실 필요 없어요 ㅠㅠ.. 시간 되시는 분들은 들으시면 당연히 좋습니다 )
아래 리스트 중에서 본인의 취향에 맞는 강좌 1개를 완강해보세요
유튜브에 아직 데이터 분석을 위한 압축 파이썬 과정은 찾기가 어려워 제가 개인적으로 강의 촬영을 하여 무료로 공개해볼 까 합니다. 공개한다면 추후 알려드릴 수 있도록 하겠습니다.
STEP 2: 판다스 (Pandas), 시각화 (Matplotlib, Seaborn) – 6~7시간, 무료/유료
판다스라는 라이브러리는 데이터분석을 위해서라면 필수이고, 잘 다루면 다룰수록 무조건 좋습니다. Pandas가 조금 부족하다고 느끼시는 분들은 시간 투자를 하셔서 제대로 배워 두시는 것을 추천 드리며, 엑셀 편집이나 크롤링 등 유용한 기능들을 많이 탑재하고 있으니 매우 유용하게 활용하실 수 있습니다.
판다스는 책으로 학습하시길 추천 드립니다.
파이썬 라이브러리 레시피 는 판다스 관련 책은 아니지만 유용한 파이썬 라이브러리 활용법에 대하여 소개합니다. 데이터 분석과 직접적인 관련은 크게 없을 수 있습니다만, application으로 확장하고 싶으신 분들은 한 번 읽어보시면 좋습니다.
파이썬 머신러닝 판다스 데이터 분석은 굉장히 친절하게 판다스 관련하여 설명하고 있습니다. 위의 유튜브 강의를 보지 않았더라도 이 책의 실습 예제들만 잘 따라해도 판다스는 어느정도 마스터 할 수 있다고 생각합니다.
Python for Data Analysis 는 좀 책이 어렵습니다. 데이터 분석/ 인공지능 관련 도서는 국내 저자분들의 책들이 좀 더 친절하고 이해도 쉽습니다. 이 책은 굉장히 디테일한 내용을 다루고 있기는 합니다만, 입문자에게는 비추입니다. 하지만, 실력을 업그레이드 하고 싶다면 나중에 한 번 보시는 것도 괜찮습니다.
유튜브 오늘코드 채널에서 판다스와 시각화에 대하여 많이 다루고 있습니다. 흥미로운 내용이 있다면, 참고해 보세요. 강사님이 친절하게 가르쳐 주시는 편입니다.
Numpy, Scipy 와 같은 라이브러리는 따로 배우지 마세요!
처음에는 Numpy, Scipy 강의를 따로 찾아서 공부했었는데, 굳이 그럴 필요 없습니다. 추후 머신러닝, 딥러닝을 공부하려는 분들은 자연스럽게 터득하게 되니, 굳이 초반에 따로 공부하실 필요 없습니다.
Part 2. 머신러닝 입문하기 (20시간)
머신러닝 강의 부터는 책으로만 공부하기 어려운 측면이 있습니다. 그렇기 때문에 책과 동영상 강의를 섞어서 듣거나 오프라인 과정을 들으시는 것을 추천 드립니다.
파이썬 머신러닝 완벽 가이드는 정말 추천하는 책입니다. 굉장히 친절한 책이고 예제도 풍부합니다. 게다가 저자분께서 얼마 전에 인터넷 강의도 제작하셨습니다 (유료). 인프런에서 유료 강의 결제 후 책과 함께 들으시는 것을 추천 드립니다.
인프런강의 – 파이썬 머신러닝 완벽 가이드 에서 유료로 동영상 강의도 함께 제공하고 있습니다. 사실 딥러닝 강의는 잘되어 있는 강의들이 많은데, 머신러닝 강의는 유튜브에 잘 되어 있는 공개된 강의는 아직 못 찾았습니다.
아! 물론 있습니다. 전 세계적으로 제일 유명한 강의 중 하나인 Andrew Ng 교수님의 강의입니다.
Machine Learning – Andrew Ng (Stanford University)
단점은 영어, 영어, 영어입니다…
Introduction to Machine Learning with Python 책도 추천 합니다. 우선, 파이썬 머신러닝 완벽 가이드를 마스터 하신 후 보셔도 좋고, 같이 병렬적으로 보셔도 좋습니다. 머신 러닝 교과서 with 파이썬 사이킷런, 텐서플로 책도 꽤 좋은 실습서입니다. Introduction to Machine Learning with Python 책이 좀 어렵게 느끼실 수도 있는데 머신 러닝 교과서 with 파이썬 사이킷런 책은 좀 더 읽기 편하게 쓰여진 책입니다. 완벽 가이드와 같이 보셔도 좋습니다.
추천 순위
파이썬 머신러닝 완벽 가이드 Introduction to Machine Learning with Python 머신러닝 교과서 with 파이썬 사이킷런, 텐서플로
관련 글 더보기
– 텐서플로우 개발자 자격증 (Tensorflow Developer Certification) 시험 그리고 취득방법
– 비전공자를 위한 데이터 분석 강의를 오픈합니다. feat.패스트캠퍼스
– 데이터 분석/인공지능을 공부하려는 분들께 경험을 토대로 학습 방법과 책 추천 (2)
– Github 블로그의 방문자 숫자, 구글 애드센스(adsense), 그리고 검색 유입의 관계
– 더 나은 딥러닝/머신러닝 서버 환경을 위하여 지금 바로 메모리에 투자하세요.
머신러닝 공부 순서 …
투빅스 활동을 하면서 제가 공부했던 내용을 정리한 글입니다.
한동안 죽어있던 정보공유 페이지를 살리고자하는 투빅스 12기 김태한입니다!!
정규세션을 하면서 저는 통계가 부족한거같아요, 저는 수학이 부족한거같아요, 어떻게 공부하죠 이런 질문들을 많이 받았어서 이에대해 정말 미약하지만 힘이 되어드리고자 이렇게 글을 써봅니다.
저두 작년 7~8월 경에 머신러닝 공부를 처음 시작하였고, import pandas as pd를 처음 쳐보았던 입장으로써 가능한 제가 들어보고 읽어봤던 강의, 도서들을 위주로 적어보려고 합니다.
저의 색깔이 굉장히 많이 묻어있으니 취하실 것만 취해가시면 좋을 것 같습니다 🙂
특히 제가 강추 하고자하는 정도를 ⋆개수로 옆에 달아두었습니다!
1) 유용한 사이트
이 사이트를 모르는 투빅이 분들이 계실까요…?
이제 여러분들의 실력이시라면 캐글이라는 큰 물에서 자웅을 겨뤄볼때가 되신거같아요!!
과제를 하시다보면 의도치 않더라도 들어가본 경험이 한번은 있으실거라 생각되는 사이트입니다.
기반닦기에 나쁘지 않다고 생각합니다.
네이버에서 무료로 제공하는 강의 사이트인데 생각보다 퀄이 좋아요.
앤드류 응, 조경현 교수님, 최성철 교수님, 모두의 딥러닝, 하버드 확률 강의를 들어보세요.
저는 여기서 기초를 좀 다졌답니다.
텐서플로우 코리아 같은 페이스북 커뮤니티 입니다.
저는 텐서플로우 코리아, 파이토치 코리아만 가입해서 보는데 정말 sota(state_of_the_art)지식 장난아닙니다…
이 사이트를 제가 제일 애용하는데요 논문을 페이퍼와 함께 구현 코드들이 있는 github주소로 같이 제공해 주고 있어요.
저는 visual-SLAM을 여기 사이트 코드를 이용해 구현했는데요 구현 코드가 있다는건 정말 행운과 같답니다.
강추 또 강추 드려요.
저번 투빅스 컨퍼런스 연사님으로 오신 hoya012의 object detection paper 리뷰에요.
와 보고 진짜 신세계였습니다.
봐야할 페이퍼들이 이렇게 많구나 또 내용도 되게 좋다는 느낌을 받았어요.
detection관련 paper중에서도 hoya님의 개인적 기준으로 엄선한 paper들이 담겨있어 정말정말 강추합니다.
2) 수학
contemporary linear algebra, Howard Anton, Robert C. Busby (book) ⋆⋆⋆⋆⋆
Introduction to Linear Algebra, Fifth Edition , gilbert strang (book) ⋆⋆⋆⋆⋆
위 두 책은 제가 위에껀 두번 아래껀 한번 정독했었습니다.
학교 수업 교재이기도 했고 본래 분야가 선형대수가 필수여서 공부를 했는데요, 머신러닝에서 필요한 선형대수는 두권중 한권만 정독해도 해결된다고 생각이 듭니다. ㅎㅅㅎ
제가 살짝 들어봤었는데 선형대수 기반은 사실 여기 강의 내용만 충분히 이해해도 큰 도움이 될거같아요.
——————– 좀 과한 경우 ——————–
여기는 만약 본인 domain에서 공부를 하게된다면 도움이 될거같다는 생각에 추가하였습니다.
별은 좀 과하다는 생각에 하나만 붙여 두었어요.
절대 별로라는 의미가 아닙니다.
각 도서는 다 해당 분야에서는 최고의 책들입니다.
convex optimization, Stephen Boyd, Lieven Vandenberghe (book)⋆
말 그대로 convex optimization과 관련된 도서입니다.
공부하면서 gradient descent나 lagrange multiplier, KKT등의 최적화등의 내용이 나올텐데요, 이 책의 chapter 2 혹은 3에서 소챕터로 나오는 굉장히 기초적인 내용입니다.
이 책 정독한다면(매우 힘드시겠지만) 머신러닝에서 쓰는 최적화 방법은 물흐르듯이 넘어갈 수 있지 않을까 생각합니다.
numerical methods for engineers 7th edition, Steven Chapra (book)⋆
공과대학 학부수준의 수치해석 책입니다. gradient descent, SGD등의 내용과 해를 구하는 방법등이 나와있으며 어차피 공부해야하는 분들이 계실텐데 이왕 할거 어느정도 연관성이 있으니 빡공하시면 좋을거같아요.
3) 통계
probability & statistics for engineering & scientists, nineth edition, Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers, Keying Ye (book) ⋆⋆⋆⋆⋆
저도 통계전공이 아니라서 통계를 잘 몰랐는데요 저같은 ‘통알못’이 통계가 대충 이렇구나 하는데 도움이 되었던 책입니다.
책 읽으면서 유도도 해보고 추정도 연습해보고 하니 아~주 살~짝 통계에 대해서 알겠더라구요 ㅎㅎ
서울대 류근관 교수님의 통계관련 강의입니다.
제가 사실 강의를 보기보단 책을 보는 걸 좋아해서 많이는 듣지 못하였지만 꽤 좋았던거로 기억납니다!
요건 하버드 통계 강의입니다.
사실 이것도 듣다가 말았는데 주변에서 괜찮다고 하더라구요.
pattern recognition & machine learning, bishop (book)⋆⋆⋆⋆⋆
http://norman3.github.io/prml/⋆⋆⋆⋆⋆
이 책을 머신러닝 도서로 구분할까 하다가 통계 쪽에 집어넣어봤습니다.
내용이 정말정말 좋아요.
제가 아직 실력이 부족해서 완벽히 이해도 안되구 아직 1회독도 정독을 못하였지만, 그럼에도 불구하고 우와 하면서 보고있는 책입니다.
책이 힘드신 분들은 아래링크가 책을 한글로 번역한 사이트에요.
참 세상에는 대단한 사람들이 많은거같아요 ㅎㅎㅎ
4) 머신러닝, 딥러닝 & 강화학습
맨 위는 모두의 딥러닝, 중간 3개는 앤드류 응 교수님의 강의, 맨 아래는 cs231n 강의 입니다.
너무 유명한 친구들이라 별 말 안하고 넘어가겠습니다.
이활석님의 autoencoder강의 인데요 총 3개의 영상에 5시간 강의인데 진짜 끝내줍니다.
머리가 펑하면서 뚫리는 기분이었습니다. 최고최고
deep learning book, ian goodfellow (book)⋆⋆⋆⋆⋆
gan의 창시자 우리의 좋은친구(goodfellow)님의 딥러닝 도서입니다.
현재 제가 스터디하면서 공부중인데 딥러닝 전반에 걸쳐 내용 정말 괜찮고 좋습니다.
다만, 어느정도 깊어지려하면 소개만 딱하고 넘어가는 부분들이 있습니다.
그래서 개인적으로는 글에서 해당 내용의 논문들의 이름을 적어주는데 논문들도 읽어보고 혼자 깊게 깊게 찾아보며 공부하면 정말 시야가 좀 달라지는 책인거같습니다.
밑바닥부터 시작하는 딥러닝 1/2 (book) ⋆⋆⋆⋆⋆
두권다 정독하고 싹 다 구현후 이해하면 제 생각엔 paper 리딩이나 위의 deep learning book으로 넘어가도 좋을 기반닦기에(사실 기반이라고 보기에 어려운 부분들도 있지만) 정말 좋은 책이라 생각합니다.
거의 딥러닝계 필독서!
알파고 창시자 데이비드 실바 교수님의 강화학습 강의입니다.
강화학습전반에 걸쳐서 흐름도 잡아주고 내용도 강화학습 시작의 정석이라 불릴 정도로 좋습니다.
다만 function유도에서 증명들이 거의 생략되어있다는 점.
식들을 해를 구하기 쉬운 형태로 변화시킬때 굉~장히 고난도의 수학적인 방법들을 사용하는데 그 과정들이 생략되어 있는부분들이 꽤 있습니다.
당장 DP만 해도 원래 linear problem을 역행렬 연산으로 구해도 되지만 연산량의 문제로 gauss-seidel iteration으로 구하는데 이런 부분들은 언급이 안되어있어서 개인적으로는 ‘어 갑자기?’ 라고 생각할때가 종종있곤 했습니다.
Reinforcement Learning , richard s. sutton (book)⋆⋆⋆⋆⋆
위의 실바교수님 강의에서 들었던 ‘어 갑자기?’를 해결해주던 책입니다.
요놈 저어어엉~말 강추합니다.
실바교수님 강의 다 들으시고 정독해보시면 와우 하실거같아요.
5) 주요 학회 및 행사
제가 자주 들어가면서 기웃거리는 학회들입니다.
원래 유료인데요 학교에서는 학생들의 경우 무료로 볼 수 있도록 해줘요.
저희 학교의 경우 도서관 홈페이지 주소에서 학번으로 로그인 후 저널을 치면 들어가 지더라구요.
무료일때 많이 보면 좋을 거 같아요.
이거 굉장히 비싸더라구요…
투빅스 conference⋆⋆⋆⋆⋆
엄청난 행사입니다.
패쓰
ICLR ⋆⋆⋆⋆⋆
인공지능 학회 중 가장 큰 규모의 학회이지 않을까요.
투빅스 분들의 다양한 관심사를 모두 충족시켜주지 않을까 합니다.
SOTA논문은 여기서 찾아보시면 좋을거에요.
ICCV, CVPR⋆⋆⋆⋆⋆
내가 이미지나 vision을 다룬다면 무적권 알아야하는 학회입니다.
컴퓨터 비전의 세계 깡패 학회에요.
작년의 경우 ICCV가 서울에서 열렸었는데 저는 기회가 안되서 못갔었지만 가보셨던 투빅스분들이 꽤 계시더라구요.
(12기에서는 승현이가 갔었어요 궁금한거 물어보시면 될거같아요)
EMNLP-IJCNLP⋆⋆⋆⋆⋆
사실 제가 NLP에 큰 관심이 없어서 잘은 모르지만 NLP를 한다하면 이 학회가 세계에서 가장 권위가 있다고 합니다.
NLP SOTA논문은 여기서 찾아보시면 좋을거같아요.
ICRA , IROS⋆⋆⋆⋆⋆
사실 투빅스의 방향성하고는 멀 수 있다고 생각하지만, 로봇 강화학습 및 머신러닝의 양대산맥입니다.
제가 핵 애용하는 학회 입니다.
ICRA의 경우 직접 가봤었는데 저랑 domain이 어느정도 겹치시면 무적권 강추합니다.
ICML⋆⋆⋆⋆⋆
머신러닝에서 가장 오래된 학회라고 합니다.
CES⋆⋆⋆⋆⋆
학회는 아니고 약간 전시회? 느낌인데요 세계에서 각 기업의 최신 기술동향을 알 수 있습니다.
매년 라스베거스에서 열리는데 유튜브로 그냥 시청정도하시면 아 이런 기술이 산업군에서는 유망하구나 싶더라구요.
뭔가 쓰다보니 대부분 별 다섯개네요 ㅋㅋㅋㅋㅋㅋㅋㅋ
긴 글 읽어주셔서 너무 감사드립니다.
다음번에는 공모전이나 여러분들이 참여하면 역량을 발휘하실 수 있는 행사나 대회들을 포스팅 해볼게요.
그럼 이만. 총총
반응형
* 출처 : https://www.facebook.com/dgtgrade/posts/1340177956041067
딥러닝(Deep Learning) 공부방법(VoyagerX 남세동 대표)
후배님으로부터 딥러닝 공부 방법을 추천해 달라는 부탁을 받고 정리해 본 내용을 페북에도 공유 합니다.
공부하는 시간 순으로 정리 하였습니다.
0.
스티브 워즈니악 옹은 “All my great stuff, I learned outside of school”이라 했다.
누가 가르쳐 주는 것을 그대로 배우는 것 보다, 스스로 여기저기 헤매 보면서 이것저것 생각 해 보고 만들어 보는 것이 가장 좋다고 생각한다. 나는 그렇게 헤매면서 여기까지 왔고, 앞으로도 열심히 즐겁게 헤매고 다닐것 같다.
하지만 헤매고 있을 시간이 없는 경우, 또는 헤매는 것이 즐겁지 않고 짜증만 나는 경우에는 먼저 간 사람이 찾아둔 길을 따라가는 것이 좋겠다. 내가 찾아둔 지름길을 공유 한다.
1.
가장 먼저 할 일은 코세라의 앤드류 응 교수님 강의를 듣는 것이다.
강의 동영상은 유튜브에도 모두 공개되어 있다. 하지만 꼭 코세라에서 들으면서 옥타브로 숙제를 해 봐야 한다. 무료로도 들을 수 있지만, 79달러를 내고 들으면 강의 내용이 머리 속에 더 잘 들어 오게 된다. 진짜다.
* 코세라의 앤드류 응 교수님의 머신러닝 강의: https://www.coursera.org/certificate/machine-learning
* 다른 스타일의 강의들 모음: https://www.facebook.com/dgtgrade/posts/1145680742157457
한국어 강의를 원하면 김성훈 교수님의 [모두를 위한 딥러닝] 강의를 들으면 된다.
* 모두를 위한 딥러닝: https://youtu.be/BS6O0zOGX4E…
혹시 그냥 엄청나게 쉬운 강의부터 시작하고 싶으면 휴먼러닝을 들으면 된다.
* 휴먼러닝: https://youtu.be/CRaKdnk2W9c…
2.
1번의 강의를 듣다 보면 금새 선형회귀와 신경망의 기초에 대해서 알게 된다. 이때 Universal Approximation Theorem에 대해서 공부한 뒤 간단한 신경망을 직접 Python+Numpy로 구현해 봐야 한다.
* 참고 글: https://www.facebook.com/groups/TensorFlowKR/permalink/332680743739657
꼭 Python으로 해야 하는 건가? 아니다. 그럴리가 없지 않은가. 하지만 내가 추천하는 지름길은 Python이다. 그게 대세이기 때문이다. 대세가 꼭 나나 너에게 맞는 것은 아니지만 대세를 따르면 편하다. 이글은 어디까지나 지름길에 대한 글이지 나의 길이나 너의 길에 대한 글이 아니다. Python이 생소하더라도 괜찮다. Python은 초기 진입 장벽이 매우 낮은 언어이므로 겁먹을 필요 없다.
처음에는 Numpy의 신택스가 좀 어려워 보일 수 있는데 익숙해지고 나면 Numpy 없으면 못 살거 같은 느낌이 들 정도로 Numpy는 멋진 것이다.
Python+Numpy+기타 등등의 설치의 지름길은 Anaconda다. IDE는 나는 PyCharm을 사용하고 있다. 원래 vi를 사랑하고 (진짜로) 지금도 사랑하지만 PyCharm 써보고 나니 앞으로 적어도 Python 코딩은 vi에서는 못 할 것 같다.
개발 환경 준비에 대한 더 상세한 내용은 아래의 영상을 참고하면 된다.
* 머신러닝 개발환경 준비: https://youtu.be/pMkwjXFZdH4…
3.
신경망과 Python, 그리고 Numpy가 어느 정도 익숙해지고 나면 드디어 TensorFlow를 사용해 볼 때다.
마찬가지로 꼭 TensorFlow여야 하는가? 하는 질문이 있을 수 있다. 아니다. 하지만 TF가 대세다.
앞에서 지도학습 문제를 풀어봤으므로 이제는 비지도 학습 문제를 풀어볼 때가 되었다. 비지도 학습이란 것을 이해할 수 있는 가장 쉬운 방법은 Auto Encoder를 직접 만들어 보는 것이다.
그리고 데이터는 머신러닝의 헬로월드인 MNIST를 사용하면 된다. 즉, 목표는 MNIST AE를 만드는 것이다.
아직은 CNN에 대해서 모르므로 괜히 어렵게 CNN으로 하지 말고 FC로만 해도 된다. MNIST는 너무 쉬운 문제라서 FC로 해도 잘 된다.
TensorFlow가 너무 빨리 업그레이드 되고, 스펙도 많이 변하고 있어서, 겨우 몆주전에 올라온 글의 정보가 현재 상황과 맞지 않거나, 예제 코드가 지금은 잘 안 돌아가기도 하는데 그 점 주의해야 한다. 웹에서 구한 예제 코드가 바로 안 돌아간다고 겁먹을 필요 없다. 대부분 아주 살짝씩만 수정해 주면 돌아갈거다. 어떻게 수정할 지는 스택오버플로우가 알려줄거다.
그리고 윈도우에서도 TensorFlow 잘 돌아간다. GPU도 잘 이용할 수 있다.
더 심각하게 머신러닝을 열심히 잘 해 보려면 결국 리눅스로 가는게 이래저래 편하긴 하다. TF외의 라이브러리들이 윈도우에서 잘 안 되는 경우들이 간혹 있다. 하지만 일단 이 글에서 다루는 지름길의 범위 내에서는 그냥 윈도우에서 해도 문제 없다.
4.
여기까지 왔으면 딥러닝이 어떤 것인지 대강 감은 잡힌다. 이제부터 신나게 이것저것 공부하고 만들어 보고 하면 된다. 그런데 역시 시간을 아끼고 싶으면 추가로 아래글도 읽어 보고 길을 떠난다.
* 참고 글: https://www.facebook.com/dgtgrade/posts/1328790023846527
5.
이제부터는 훨씬 더 큰 규모의 신경망을 다뤄야 하고, 그러려면 ReLU와 친해져야 한다.
ReLU에 대해서 진지하게 고민해 볼 필요가 있다. ReLU가 왜 비선형인지? 뉴런에서 비선형 처리 부분이 없어지면 어떻게 되는 것인지? 왜 Sigmoid 보다 ReLU가 좋은 것인지? 등에 대해서 고민해 본다.
* 참고 글: https://www.facebook.com/dgtgrade/posts/1337481972977332
추가로 Bias가 없으면 어떻게 되는지 등 신경망 전체의 수학적 의미에 대해서 다각도로 고민해 본다.
Sigmoid, Tanh를 사용한 경우 괜히 어렵게 느껴지지만 ReLU를 사용한 경우 신경망 전체 계산에서 곱하기, 더하기, Max 밖에 없어서 어렵게 생각할 것 없다.
머리속에서만 고민해 보지 말고 코딩을 해 보면 좋다. 여기까지 왔으면 이런저런 실험 코딩은 어렵지 않을 거다.
6.
지금까지 해 본 것보다 훨신 큰 규모의 신경망을 학습 시키기 위해서는 GPU가 필요하다. CPU로 할때 보다 10배~50배 정도 빠르게 학습 시킬 수 있다. CPU로 하면 뭐 하나 돌려보고 드라마 하나 보고 자리에 돌아와 보면 에러 떠 있다. 같은 것을 GPU로 돌려 보면 차한잔 할 새도 없이 에러가 떠 있을 것다. CPU로 하면 돌려 놓고 다음 날 아침이 되어서야 결과를 볼 수 있는 경우가 꽤 있다. 죽는다. 답답해서.
GTX1080이 필요하다. (상세설명 생략하고) 대세다. 문제는 가격인데 대강 100만원 정도 한다. 그리고 1개 보다 2개가 좋다. 학습을 2배로 빨리 할 수 있기 때문만은 아니다. 1개 밖에 없는 경우에는 하나 학습 돌려 놓은 뒤로 추가로 개발 진행한 내용을 잠깐만 실험 삼아 돌려 보는 것을 할 수 없기 때문이다. 아주 할 수 없지는 않을 것 같은데 아무튼 쉽지 않다.
그런데 이 녀석을 2개나 꼽으려면 메인보드와 파워도 좋아야 한다. 그리고 GTX1080은 딥러닝 용으로만 사용하고 디스플레이 용으로는 메인보드의 내장 그래픽 카드를 사용하는 것이 여러모로 편하므로 내장 그래픽 카드도 쓸만해야 한다. 예를 들어 4K 모니터를 사용 중이라면 내장 그래픽카드가 4K를 지원해야 하겠다.
이렇게 해서 준비하면 본체에만 대략 총 300만원 정도의 투자가 필요하다. 학교나 회사 등의 조직에 속한 경우에는 조직장을 잘(…) 설득하여 구매하면 된다. 개인의 경우에는… 그렇다. 이런 투자를 쉽게 하기는 어려울 거다. 문제다.
조직이든 개인이든 당장 이 정도의 투자가 어려운 경우에는 AWS나 Google Cloud 등을 이용하는 것도 방법이겠다. 아무래도 개발은 로컬에서 하는 것이 편할테니 개발은 로컬에서 하고 CPU로만 돌려 본 후에 본격적인 학습은 클라우드에서 GPU로 돌리면 되겠다. 코드 변경은 필요 없고, 클라우드 사용료는 시간당 몇백원 수준이라고 한다.
나는 클라우드에서는 열심히 해 본 적이 없어서 더 상세한 안내는 못 한다.
7.
이제 드디어 개와 고양이를 분류해 볼 수 있는 때가 왔다. Convolutional Neural Network를 사용하면 된다.
CNN을 공부하고, CNN을 이용해서 무언가 재밌는 걸 만들어 본다. 이렇게 딥러닝이 핫하게 된 것도 CNN 때문이다. CNN으로는 많은 일을 해 볼 수 있다. 수백줄 정도의 TF 코드로만으로도 본인 스스로 놀랄만한 신기한 것들을 만들어 볼 수 있다. 매우 잘 만들면 세상 사람들도 놀래킬 수 있다.
* 참고 글: https://www.facebook.com/groups/TensorFlowKR/permalink/341049512902780
용기 있는 사람들은 이쯤에서 GAN을 해 봐도 된다. GAN은 정말… 기발하고 기특한 녀석이다.
* 참고 글: https://www.facebook.com/groups/TensorFlowKR/permalink/420422164965514
8.
그런데 막상 이렇게 큰 신경망을 다루려다 보면 이런 저런 이유로 잘 안 될거다. 그러면 이제 Batch Normalization을 적용해야 한다.
BN은 감동이다. 앞에서 얘기한 이런저런 문제들 중 기초적인 문제들을 한방에 해결해 준다.
* 참고 글: https://www.facebook.com/dgtgrade/posts/1337790532946476
9.
이제 강화학습을 공부해 볼 수 있다. 알파고는 바로 이 강화학습으로 만들어졌다. 강화학습은 OpenAI Gym에서 진행하는 것이 좋다.
이쯤 되면 더 이상 이런 단편적인 내용의 글이 필요할 것으로 생각하지 않는다.
10.
각자의 길을 간다.
다만 남들이 고민해 둔 거 그대로 공부만 하려 하지 말고, 또 공부 많이 한 다음 뭔가 만들어 보려 하지 말고, 간단한 뭔가라도 실제로 만들어 보면서 공부 하기를 추천한다.
물론 대부분의 경우 찾아보면 분명히 남들이 이미 더 잘 정리 하고 잘 만들어 둔 것이 있을 거다. 하지만 본인이 직접 만들어 보면서 1) 문제를 발견 하고 2) 해결책을 고민해 보고 하는 것이 남들이 정리해 둔 문제와 해답을 먼저 보는 것 보다 훨씬 공부가 많이 된다.
특히 답이 아니라 문제가 뭔지를 스스로 발견하는 과정은 매우 중요하다.
반응형
딥러닝 공부순서 추천
1. 포트폴리오
먼저, 프로젝트를 정하고 구현해보는 것이 좋다.
프로젝트 아이디어를 얻는데에 좋은 방법은 아래와 같다.
1) ML Sources를 얻기 좋은 곳
– Stanford’s CS224n & CS231n projects
– ML Reddit’s WAYR
– Kaggle Kernels
– Paper (ML : ICML, NIPS / CV : CVPR, ECCV, ICCV)
유투브, udemy, edwith, nomad, fast.ai, coursera 등.. 에서 인터넷 강의를 병행하며 기초를 탄탄히 하면서 관련 Paper들을 찾자. (논문 찾기 좋은 곳 : google scholar)
그 후 여러 논문, Reddit, Kaggle 글들을 읽어보면서 관심있는 주제, idea의 방향성을 먼저 잡는 것이 좋다.
프로젝트의 주제를 정했다면 관련된 기초되는 논문들부터 가볍고 빠르게 skimming하면서 기초를 다진다.
2. Theory 공부
프로젝트 주제와 관련된 기초 논문들을 skimming할때 중요한 것은 핵심되고 내가 몰랐던 notation들을 정리하는 것이다.
기초적이고 핵심되는 notation들은 반드시 익혀야한다.
논문리딩 실력향상에 중요한 3가지 key는 다음과 같다.
1) 자주나오는 알고리즘, gradient descent, linear regression, MLPs 등..을 이해하는 것
– Andrew Trask의 책, blog를 통해 numpy, gradient descent, linear regression, MLP를 배울 수 있다.
– 머신러닝 / 딥러닝 online 무료 교과서 16종 (https://www.facebook.com/awesomeai/posts/1803925309827212/)
– Ian Goodfellow의 Deep Learning책을 통해 여러 이론들을 배울 수 있다. (http://www.deeplearningbook.org/)
2) 수학적 notation들을 배우고 이해하는 것
– 논문에서 나오는 notation들은 바로바로 정리하는 것이 좋다.
3) algebra, calculus, statistics, ML의 기초를 다지고 이해하는 것
– 유투브 3Blue1Brown의 Essence of linear algebra, Essence of Calculus
– StartQuest의 the Basics (of statistics), Machine Learning
3. 논문 재구현
처음에 방향성을 잡은 논문과 관련된 기초 논문들을 위의 과정들을 통해 충분히 숙달하였다면
이제 그 방향성을 잡은 논문을 재구현하는 일이 남았다.
(현재 논문을 10편 정도 읽고 그 중 일부 논문에 대해서만 리뷰 및 재구현을 구현해본 시점에서 정리하는 글이니 처음 논문을 접하시는 분만 참고하시면 좋을 것 같습니다.)
논문을 공부하기 앞서 자신이 관심있던 분야를 아직 정하지 못했다면 다양한 프로젝트들을 검색해보면서 먼저 정하는게 좋다.
1. 자신이 관심있는 프로젝트에 필요한 기술들이 뭔지 찾았으면 해당 기술에 대해 기초가 되는 논문부터 읽어보기를 추천한다.
(ex. Object detection paper, Image retrieval papaer, Human object interaction papaer …)
2. 영어가 익숙하지 않아 처음부터 논문을 그대로 읽기에 부담이 되는 경우 기초가 되는 유명한 논문들은 “논문이름” 리뷰와 같이 검색해보면 여러 블로그에서 한국어로 리뷰 및 요약한 것을 볼 수 있다.
이렇게 요약, 쉽게 정리해놓은 블로그들을 참고하면서 먼저 논문에 대한 큰 그림을 그리고나서부터 논문을 직접 읽으면 도움이 될 것이다.
3. 논문을 한 번 읽는다해서 절대로 해당 논문을 완벽히 분석할 수 없으므로 최소 5번은 읽는다는 생각으로 천천히 skimming하면서 읽는다.
논문을 읽고 재구현을 해보면서 정말로 이해했다 느끼는 순간은 직접 코딩을 통해 재구현을 했을때였다.
해당 논문을 Github에 검색해보면 논문저자가 올려놓은 공식 코드를 볼 수 있다.
맨바탕으로 논문을 재구현하는데에는 무리가 있으니
4. 논문저자가 공개한 공식 코드를 한줄한줄 읽어보며 전체적인 흐름과 핵심 기능들을 이해한다.
5. 마지막으로 공식 코드를 참고하며 직접 코딩하여 재구현을 해본다.
이렇게 1-5단계까지 모두 마쳐야 비로소 해당논문을 완전히 이해한 느낌이 들었다. 재구현을 해보기 전까지는 아무리
논문을 반복하여 읽어도 완벽히 세세한 부분까지 알고 이해하기 힘들다. 따라서 재구현이 정말 중요함을 강조한다.
출처 : https://github.com/Huffon/How-to-learn-Deep-Learning
여러 웹사이트와 지인분들의 조언을 통해 스스로 공부 순서를 정리하기위해 작성한 글입니다.
키워드에 대한 정보 머신 러닝 공부 순서
다음은 Bing에서 머신 러닝 공부 순서 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 파이썬 공부 이후 막막하다면 | 머신러닝 공부 순서 | numpy pandas matplotlib 캐글
- 파이썬
- 머신러닝
- 인공지능
- 데이터사이언스
- numpy
- pandas
- matplotlib
- 캐글
- 타이타닉
- 넘파이
- 판다스
- 데이터사이언티스트
- python
- 데이터전처리
파이썬 #공부 #이후 #막막하다면 #| #머신러닝 #공부 #순서 #| #numpy #pandas #matplotlib #캐글
YouTube에서 머신 러닝 공부 순서 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 파이썬 공부 이후 막막하다면 | 머신러닝 공부 순서 | numpy pandas matplotlib 캐글 | 머신 러닝 공부 순서, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.
