머신 러닝 관련 글 목차

머신 러닝 관련 글 목록

• 확률과 통계 기초
• ML(Maximum Likelihood)와 MAP(maximum a posterior)
• MLE(Maximum Likelihood Estimation)와 MAP(Maxim A Posterior)에 관하여
• Probability Model (확률 모형) 및 likelihood 개념 학습
• Linear, Logistic Regression의 확률적 해석
• 기초 베이지안 이론 (Basic Bayesian Theory)
• 기초 정보 이론 (Basic Information Theory)
• 정보 이론 (Entropy, Cross Entropy, KL Divergence)
• Naive Bayes Model
• Gaussian Discriminant Analysis (GDA)
• Discriminative Vs Generative Model 비교
• Gaussian Mixture Model (GMM)과 EM algorithm
• Variational Inference (변분 추론)
• 머신러닝의 평가 지표
• Bias와 Variance
• 가우시안 분포와 분별 함수 (선형 분별 분석(LDA), 2차 분별 분석(QDA))
• 마할라노비스 거리(mahalanobis distance)
• Anomaly Detection with Gaussian Distribution
• Recommender System
• Clustering with K-Means Algorithm
• PCA(Principal Component Analysis)
• SVM(Support Vector Machine)
• Luis Serrano의 HMM(Hidden Markov Model) 강의
• Luis Serrano의 PCA(Principal Component Analysis) 강의
• Luis Serrano의 SVM(Support Vector Machine) 강의
• Luis Serrano의 SVD(Singular Vector Decomposition) 강의
• KNN (K-Nearest Neighbors) 알고리즘
• Decision tree
• Voting classifier
• Bagging
• Random forest
• AdaBoost
• Gradient boosting machine
• XGBoost
• LightGBM
• Stacking
• t-SNE(t-distributed stochastic neighbor embedding)
• 가우시안 프로세스 (Gaussian Process)

Stanford Andrew Ng 머신 러닝 강의 수료

• Andrew Ng 교수님의 머신 러닝 강의입니다. 머신 러닝 전반적인 내용에 대하여 잘 학습 할 수 있는 좋은 강의입니다.
• 매트랩을 사용하는 실습 때문에 다소 아쉽기는 하지만 그럼에도 불구하고 강의 내용이 좋아서 상당히 만족스럽습니다.