딥러닝 0

Machine Learning 을 학습하시는 분들을 위해 필요한 수학적 개념을 Introductory 수준으로 정리해 둔 책을 공유합니다.

https://mml-book.github.io/

We split the book into two parts:

• Mathematical foundations
• Example machine learning algorithms that use the mathematical foundations

We aim to keep this book fairly short (tried for 300 pages, now close to 400 pages), so we don’t cover everything.

책의 구성은 수학적 배경 및 개념과 함께 해당 수학적 개념을 활용한 알고리즘 예제를 제공합니다.

단원의 구성은 아래와 같습니다.

Part I: Mathematical Foundations

1. Introduction and Motivation
2. Linear Algebra
3. Analytic Geometry
4. Matrix Decompositions
5. Vector Calculus
6. Probability and Distribution
7. Continuous Optimization

Part II: Central Machine Learning Problems

1. When Models Meet Data
2. Linear Regression
3. Dimensionality Reduction with Principal Component Analysis
4. Density Estimation with Gaussian Mixture Models
5. Classification with Support Vector Machines

기본적인 선형 대수 개념과 확률론 개념, 연속 확률변수 및 parameter들에 대한 최적화 개념부터 시작합니다.

Machine Learning을 공부하시는 분이라면 필수적으로 알아야 할 수학적 개념들이겠죠.

(개인적으로는 Numerical Analysis 도 들어갔으면 하는데 일단 그 내용은 대체로 Matrix Decomposition을 기반으로 알고리즘들이 돌아가기 때문에 저 부분을 바탕으로 추가적으로 찾으셔서 공부하시면 될 듯 합니다)

이후에는 해당 수학적 개념들을 활용한 ML 알고리즘들을 살펴봅니다.

선형회귀, Dimension Reduction을 위한 PCA, Bayesian Probability Theory의 Basic Model이 될 수 있는 Probabilistic Graph Model을 활용하여 만드는 Gaussian Mixture Density Estimation, SVM까지 필수적인 알고리즘들을 포함하고 있습니다.

여기서는 개인적으로 Gaussian Mixture Density Estimation에 추가하여 EM optimization 개념을 공부하고 SVM에 RANSAC 정도까지 포함하여 공부하면 좋을 것 같다는 생각이 드네요.

아무튼 모든 내용을 다 커버하진 않지만 꽤나 도움이 될 것 같네요.

다들 화이팅 합시다!