ML 수학 기초 강의

머신러닝을 위한 수학 기초

머신러닝 모델이 데이터를 표현하고 학습하며 예측을 해석하는 데 필요한 기본 수학 개념을 다룹니다. 벡터 공간을 통한 데이터 표현, 손실 함수 기반의 오차 측정, 그래디언트를 이용한 학습 방향 계산, 우도와 엔트로피를 통한 확률적 해석을 하나의 흐름으로 연결합니다.

Lecture 1: 판별모델을 위한 선형대수와 최적화. Lecture 2: 생성모델을 위한 확률, 베이즈, 정보이론. 두 모델 계열을 읽는 데 필요한 수학만 좁혀서 연결합니다.

강의 순서

두 줄기: 판별모델을 위한 데이터 표현과 최적화, 생성모델을 위한 확률, 베이즈, 정보이론.

강의 챕터

각 챕터는 주제별로 바로 찾아볼 수 있도록 정리했습니다. 챕터 도입부와 비주얼에서 학습 맥락을 확인하고, 학습 목표와 수식 해석을 거쳐 전체 강의노트로 이어집니다.

핵심 정리

Lecture 1: 판별모델의 기하와 최적화. Lecture 2: 생성모델의 확률과 정보이론.