왜 배워야 할까요? 

수학과 머신러닝 & 딥러닝은 별개의 학문일까요?
머신러닝과 딥러닝에 사용되는 수학을 반드시 숙지하고 있어야 최적화된 모델을 만들 수 있습니다.

본 강의에서는 머신러닝과 딥러닝에 쓰이는 핵심적인 수학 개념에 대해 설명하고 있습니다.
머신러닝과 딥러닝의 필수 이론들을 수학적 직관적으로 접근해봅시다.
각 이론이 왜 쓰이는지, 어떻게 사용되는지 함께 배우면서 머신러닝과 딥러닝에 입문해봅시다.

어떤 내용을 배우는지
살펴봅시다 

: 본 강의에서는 아래와 같은 내용을 다루고 있습니다.

• 선형 회귀 : Linear regression, Least squares , Gradient의 방향이 가장 가파른 방향인 이유, 선형이란?
• 인공신경망 : Neural_network, 활성화 함수
• 퍼셉트론 : MLP
• regression : Logistic regression & Likelihood, Softmax regression & Cross-entropy, Regression vs Classification
• 정보이론 기초 : Cross-entropy와 KL-divergence, Mutual information
• 미분 : 스칼라를 벡터로 미분하기, 변화량에서의 미분, 벡터를 벡터로 미분하기, 예제
• DNN : Deep Neural Net 이란? DNN을 위한 gradient descent 개념
• SGD : Initial weight 정하기, mini-batch SGD
• ReLU : Vanishing Gradient 문제, 렐루의 등장
• CNN : CNN 탄생 배경 (Overfitting), Stride와 Max pooling, CNN의 구조 Neural Net으로 생각해보기
• Universal Approximation : Universal Approximation 이론 설명

강의 예시입니다 : )
[Gradient descent vs Newton method]

[퍼셉트론, MLP]

[Deep Neural Net과 역전파]