딥러닝(심층 신경망)이라는 아이디어 대부분은 수십년 전부터 존재헸습니다. 왜 최근이 되어서야 대세가 되었을까요?

만약 당신이 Coursera에 있는 Stanford Mahcine Learning 강좌를 들었거나, 지도학습을 적용해 본 경험이 있다면, 당신은 이 책을 이해할 수 있을 겁니다.

이 책을 모두 읽고 나면, 당신은 머신러닝 프로젝트의 기술적인 방향성을 설정하는 방법을 깊이 이해하게 될 겁니다. 하지만 팀 동료들은 당신이 제안하는 방향성을 이해하지 못할 수도 있습니다.

머신러닝은 웹 검색, 이메일 스팸 차단, 음성 인식, 제품 추천 등 수없이 많은 어플리케이션의 기초입니다. 나는 당신 또는 당신의 팀이 머신러닝 어플리케이션 업무를 담당하고 있으며, 빠르게 발전하기를 원한다고 가정하겠습니다. 이 책은 당신이 머신러닝 어플리케이션 분야에서 빠르게 성장하도록 도와줄 것입니다.

Deep Neural Network는 Deep 이름표가 붙지 않는 전통적인 머신러닝 기법들의 총 집합체라고 볼 수 있습니다. 이번 포스팅에서는 Deep Neural Network의 구조와 구성요소를 살펴봅니다.

Generalization은 Supervised Learning으로 학습한 prediction 함수가 테스트 데이터에 대해서도 일반적으로 잘 작동할 수 있도록 하는 방법입니다. Generalization의 주요한 방법으로서, 이번 포스팅에서는 모델의 언더피팅과 오버피팅을 컨트롤하기 위한 정규화를 살펴봅니다.

우리가 현실에서 맞닥뜨리는 대부분의 데이터는 비선형 데이터에 속합니다. 그러나 선형 모델은 비선형 데이터를 표현할 수 없다는 근본적인 한계를 갖고 있는데요. 오늘은 살펴볼 내용은 다음과 같습니다.

이번 글에서는 머신러닝 프로세스에서 큰 비중을 차지하는 데이터 전처리의 개념을 소개하고자 합니다. 데이터 전처리를 정의하는 것부터 시작해봅시다.

선형 모델은 데이터 노이즈 취약성 외에도 다른 한계점을 가지고 있습니다. 이번 포스트에서는 선형 모델의 멀티 클래스 문제와 오버피팅 문제를 살펴보고, 개선 방법은 무엇인지 알아봅니다.

선형 모델은 Regression과 Classification 문제에 모두 활용되는 중요한 알고리즘입니다. 오늘은 선형 모델이 갖는 근본적인 문제점을 살펴본 뒤, 어떻게 문제점을 보완하고 견고한 모델을 만들 수 있는지 알아봅니다.