머신러닝특론(Advanced Machine Learning) 강의계획서

교과목명 머신러닝특론 (Advanced Machine Learning) 과목코드 8424

전공구분 / 전공 /
수강대상 정보과학과
학점 3
성명 소속 직위 학력 전화 및 팩스 E-mail
담당
02-3668-4658 /
교강사 이관용 정보과학과 교수 박사 kylee@knou.ac.kr
02-3673-2384

머신러닝은 인간의 지능적인 정보처리, 특히 학습 능력을 기계에 부여하기 위한 인공지능 분야 중 실

용적인 관점에서 연구와 개발이 가장 활발하게 이루어지고 있는 분야이다. 이런 머신러닝 분야의 단
단한 기초를 정립하고 머신러닝 기반의 문제해결 능력을 배양하는 것을 목표로 한다.
강의목표 Ÿ 머신러닝 분야의 다양한 기법들의 장단점을 비교하고 그 특성을 이해함으로써, 주어진 문제에 적
합한 방법론을 선택할 수 있도록 한다.
Ÿ 각자의 목적과 주어진 문제에 맞게 방법론을 적용하고, 나아가 더 정교하고 개선된 새로운 방법을
개발할 수 있는 능력을 키운다.

Ÿ 인공지능의 실현 가능성을 한층 높이는 기술로 여겨지고 있는 머신러닝 분야에서 다루어지고 있는

기초적이고 전통적인 방법론부터 최신 기술에 이르기까지 전반에 걸친 다양한 주제와 방법론을 특
정 주제에 국한시키지 않고 종합적으로 다룬다.
강의계획 Ÿ 기본 이론을 먼저 숙지하고 그것의 문제점을 살펴봄으로써 보다 정교화된 방법론과 적용 과정의
필요성을 학습한다.
Ÿ 최근 방법론들을 중심으로 소개하고, 각자가 관심 있는 방법론을 선택하여 심도 있게 조사하도록
하여 연구 능력을 개발하고 실세계 문제에 적용하여 응용 능력과 구현 기술을 습득한다.
Ÿ S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 3/E, Pearson
Education, 2017.
Ÿ E. Alpaydin, Introduction to Machine Learning, 3/E, MIT Press, 2015.
Ÿ I. Goodfellow, Deep learning: Adaptive Computation and Machine Learning, MIT
Press(MA), 2016.
Ÿ C.M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
교재 및
Ÿ K. Fukunaga, Introduction to Statistical Pattern Recognition, 2/E, Academic Press,
참고문헌
1990.
Ÿ M. Baron, Probability and Statistics for Computer Scientist, 2/E,
Chapman & Hall (CRC Press), 2013.
Ÿ R. Hogg, J. McKean, A. Craig. Introduction to Mathematical Statistics, 6/E, Prentice
Hall, 2005.
Ÿ 박혜영, 이관용, “기초부터 활용까지 패턴인식과 기계학습”, 이한출판산, 2011
관련Site

교수학습
웹 기반의 학습과 튜터를 활용한 수업 진행
진행방법

평가방법 Ÿ 과제물(4~6회), 텀 프로젝트(계획서, 최종결과), 강의 참여도

및 채점 Ÿ 중간고사 및 기말고사 미실시(프로젝트로로 대체)
 강의
강의주제 강의내용 비고
주

1 머신러닝 소개 기본 용어 및 개념, 머신러닝의 주제, 학습 유형 등

데이터 집합으로부터 확률분포를 추정하는 방법(모

2 데이터의 통계적 분석
수적 분포 추정, 비모수적 분포 추정)

선형변환에 의한 특징추출 방법(PCA, LDA), 거리

3 특징추출
기반의 차원 축소 방법(MDS, t-SNE, Isomap)

데이터를 이용하여 추정된 확률밀도함수의 확률값을

4 교사학습(1)
이용하는 베이즈 분류기

확률밀도함수를 추정하는 대신 학습 데이터를 활용

5 교사학습(2) 하여 분류를 수행하는 대표적인 비모수 접근법인
K-최근접이웃 분류기

6 교사학습(3) 선형회귀, 로지스틱 회귀, 결정트리

주어진 데이터를 분석하고 몇 개의 그룹으로 나누

주 7 비교사학습(1) 는 군집화 방법(K-means 알고리즘, 계층적 군집
별 화)
수
업 8 중간평가 텀 프로젝트 계획서 제출

계
확률밀도함수를 추정하기 위해 여러 개의 가우시안
획
을 합하여 만들어지는 가우시안 혼합 모델을 사용
9 비교사학습(2)
하는 방법과 이 모델의 파라미터를 추정하기 위한
EM 알고리즘

여러 개의 학습기를 각각 학습하고 이들을 결합함

10 앙상블 학습 으로써 더 좋은 성능을 가진 시스템을 만드는 방법
(배깅과 보팅, AdaBoost, 랜덤 포레스트 등)

일반화 오차를 줄이기 위한 최대 마진 분류기

11 SVM (SVM)와 커널 함수를 이용한 고차원 매핑을 적용
하여 선형 분류기의 한계점을 극복하는 방법

뇌의 정보처리 메커니즘을 모방하여 개발된 인공신

12 신경망 경망 모형과 학습법(다층 퍼셉트론, 오류 역전파 학
습 알고리즘)

가장 발전된 형태의 신경망 모형(CNN, LSTM,

13 딥러닝(1)
GRU 등)

14 딥러닝(2) Deep CNN, 발전된 학습 유형, 언어 모델

15 기말평가 텀 프로젝트 최종 결과 제출