[인공지능] 메타코드M '머신러닝 입문 부트캠프' 강의 후기 - 챕터 0: Orientation

안녕하세요, HELLO HOTKEY입니다.

저는 올해 초 인공지능 대학원에 입학하여 AI 관련 과목들을 공부하고 있습니다. 통계학 중심의 커리큘럼을 따라가다 보니 수학과 통계에 대한 이해가 부족하다고 느꼈습니다. 이에 대학원 강의를 보다 잘 이해하기 위해 필요한 강의를 찾던 중, 드디어 제가 원하는 강의를 발견했습니다. 앞으로 이 강의를 통해 부족한 지식을 채워보고자 합니다.

제가 선택한 강의는 메타코드M에서 제공하는 ‘머신러닝 입문 부트캠프’입니다.
※ 참고로 메타코드M은 데이터 분석에 특화된 온라인 강의 플랫폼으로, 빅데이터 자격증, 데이터 분석, 인공지능 강의와 현직자의 특강을 제공하며, 커리어 방향 설계에 도움을 줍니다.

이 강의는 핵심 기초 이론 설명을 시작으로 매 챕터마다 실습 과정을 포함하여 머신러닝의 동작 원리를 이해하는 데 도움을 줍니다. 강사님은 KAIST 김재철 AI 대학원 박사과정에 재학 중이며 국내 대기업 인공지능 출강 경험도 있습니다.

제가 ‘머신러닝 입문 부트캠프’를 선택한 이유는 회귀(Regression)와 분류(Classification)에 대한 기초적인 지식을 얻기 위함입니다. 대학원에서 다루는 회귀와 분류는 생각보다 복잡하게 설명되어 있어 이해가 부족한 부분을 보완하고자 했습니다. 또한, 이 강의는 회귀와 분류뿐만 아니라 차원 축소, 클러스터링도 다루고 있어 전반적인 머신러닝 동작 원리를 이해하는 데 큰 도움이 될 것이라고 생각했습니다.

이제부터는 강의를 보며 정리한 내용입니다.

---

챕터 0: Orientation - 인사/강좌소개

• 포함관계: 인공지능(AI) > 머신러닝(ML) > 딥러닝(DL)
• ML과 DL의 차이: 머신러닝은 ‘통계적 모델’을, 딥러닝은 ‘신경망 모델’을 활용
• 머신러닝의 목적: 통계적인 방법 또는 경사하강법을 이용하여 데이터를 잘 표현하는 함수를 찾는 것

 

데이터 형태에 따른 머신러닝 기법:

• 비지도 학습: 라벨 데이터가 없고 데이터의 특성만 있는 경우 사용
• 지도 학습: 라벨 데이터가 있지만 돈/시간이 많이 소요
• 강화 학습: State(상태)와 Reward(보상) 데이터가 있음 (예: 알파고, ChatGPT, 이미지 생성 모델 등)

 

• 경사하강법과 고유값/고유벡터 이해의 중요성: 추후 딥러닝 모델 이해에 도움
• 딥러닝의 특징: 신경망 모델을 사용하고 데이터 양이 머신러닝에 비해 많음
• 결론: 빅데이터 시대에서 딥러닝 모델로 나아갈 때 머신러닝 이해는 필수적

 

이상으로 챕터 0에 대한 소개를 마치겠습니다.
아래 링크를 클릭하시면 강의 상세페이지를 확인하실 수 있습니다.

강의 상세페이지 바로가기

제 글을 읽어주셔서 감사합니다.

강의를 통해 머신러닝에 대한 기초 지식을 탄탄히 다지시길 바랍니다. 감사합니다!

해당 강의는 서포터즈 지원을 받아 작성하였습니다.