대학원 안가고 딥러닝 공부할래요 - Basis for deep learning

"대학원 안가고 딥러닝 공부할래요" Basis for deep learning

딥러닝의 빠른 변화 속에서도 변함없이 사용될 기초지식을 다룹니다. 처음 딥러닝 이론을 접하는 분들도 직관적으로 이해할 수 있도록 안내합니다!

딥러닝의 근간이 되는 이론을

액기스만 담아서!

딥러닝의 근간이 되는 이론을 이해하는 것은 딥러닝을 이해하는 데 어떤 concept가 필요한지를 의미하며, 추상적이지만 직관적인 설명을 통해 빠르게 이해할 수 있습니다.

아래는 7강 'conditional or independence' 설명 마지막 부분 캡처입니다. i.i.d.와 같은 딥러닝에서 필수적이지만 추상적이고 어려운 개념을 단 [12분 + (확률 챕터) 1강] 만으로 전달드립니다.

이론중심의 강의

이론중심으로 강의하며, 실습은 진행하지 않습니다. 현재 Dify와 같은 클라우드 chatGPT Agent 코딩 환경, Langchain, NPU-friendly OS 등 코딩 환경이 너무나 빠르게 바뀌고 있기 때문에, 그보다는 새로운 기술의 등장에도 풍화되지 않는 지식을 전달하고자 합니다.

강의 커리큘럼 구성

• 아직까지도 딥러닝의 기본원리라 일컬어지는 고전 머신러닝 기법

• 확률 이론을 활용한 불확정성 추론

• 수학의 이론적 접근과 공학의 휴리스틱이 결합된 최적화 방법

위 세가지 내용에 대해 커리큘럼을 구성하였습니다.

1. Concept of statistics-based, linear models

   1. 통계기법 및 최적화 이론을 활용한 기초적 머신러닝 기법에 대해 강의합니다.

   2. 선형대수, 최적화, 인과추론 과목에서 최대한 중요한 내용만 직관적으로 전달드립니다.

   3. 뿐만 아니라 필수적인 수식 및 표현을 읽는 방법을 전달드리며, 심화 과정으로 나아가는 데 도움이 되도록 전달드립니다.

      
      
      

2. Probabilistic inference

   1. 수리통계학 및 정보이론이 머신러닝에 어떻게 기여했는지에 대해 강의합니다.

   2. 기초 확률 이론, 수리통계학, 베이지안 통계학, 정보이론, lower risk bound 등 기존에는 대학원 커리큘럼에서야 언급되는 내용들을 포함하여 최대한 직관적으로 전달드립니다.

      
      

   
   

3. Non-linear approaches

   1. Manifold hypothesis, kernel trick, multi-dimensional probability distribution, non-parametric methods와 같은 복잡한 2000년대의 이론들이 딥러닝과 어떻게 연결되는지 강의합니다.

   2. Space의 non-linear한 변환과 같이 실질적인 딥러닝의 동작에 가까운 개념을 전달드립니다.

이 강의를 만든 사람 : 지승현

• 가짜연구소 활동 등 지식공유의 가치를 지향하여, 직관적이면서 정확한 컨셉을 전달하고자 하는 다양한 세미나 경험을 해왔습니다.

• SIGUL 2024 workshop Program Committee, ACL 2023 emergency reviewer, EMNLP 2023 Invited reviewer, 정보과학회논문지 출판이력 등 다양한 연구 및 실무이력이 있습니다.

• 좀 더 상세한 내용은 notion resume를 참고 바랍니다.