[CS229] Machine Learning Course, Lecture 1 - Andrew Ng (Autumn 2018)

강의 링크 : Stanford CS229: Machine Learning Course, Lecture 1 - Andrew Ng (Autumn 2018)
CS229 링크 : https://cs229.stanford.edu/

1. 강의에 앞서...

1-1. 전제조건

컴퓨터공학

• Big O 표기법
• 대기열
• 스택
• 이진 트리

수학

• 확률 및 통계
• 확률변수의 분산
• 확률변수의 기대값
• 행렬과 벡터
• 고유 벡터
• 행렬의 곱, 행렬과 벡터의 곱
• 무작위 변수
• 선형대수학

1-2. 프로그램

• MATLAB Octave 사용했었으나 변하는 추세
• Python NumPy 를 사용

Octave

• 수치 해석용 자유 컴퓨터 소프트웨어
• MATLAB 과 호환성이 높음
• 매스매티카 같은 컴퓨터 대수 체계가 아닌 과학적 계산을 위한 도구
• 간단한 테스트를 빠르게 수행할 수 있어, 오늘날에도 Octave 를 활용하여 프로토타입 제작

NumPy

• 행렬이나 대규모 다차원 배열을 쉽게 처리할 수 있도록 지원하는 파이썬의 라이브러리
• 데이터 구조 외에도 수치 계산을 위해 효율적으로 구현된 기능을 제공

1-3. CS229 강의

CS229a

• 실무적인 내용이 중점적이며 수학 분야는 비중이 적음

CS230

• 딥러닝 알고리즘에 중점적
• CS229에서 더 많은 수학적 파생을 수행하는 곳에 적용

2. 머신러닝 (Machine Learning)

• 명시적으로 프로그래밍하지 않고도 컴퓨터에 학습 능력을 부여하는 연구 분야
• AI는 머신러닝보다 크고, 머신러닝은 딥러닝보다 큰 개념

Tom Mitchell
Machine Learning is Well-posed Learning Problem:
A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.
=> 프로그램이 일정 수준의 작업 성능(P)을 가지고 작업(T)을 수행한다고 했을 때, 경험(E)이 증가함에 따라 작업(T)를 수행하는 성능(P)이 향상될 수 있으며, 이때 프로그램이 경험(E)으로부터 학습을 했다고 표현한다