W H A T
W E  L E A R N
I N  B A R O
A I  A C A D E M Y

Regression

머신 러닝의 시작점이 되는 Regression의 정확한 정의와 더불어 수식적 이해까지 가능하도록 강의가 진행되며, Regression의 원리를 이해함과 동시에 더욱 발전된 형태의 머신 러닝 기법들이 동작하는 구조를 파악할 수 있습니다. Regression을 학습하고, 다양한 분석법을 통해 문제상황을 발생시키는 여러 원인들 간의 상관관계와 인과관계를 파악할 수 있습니다.

Huang et al, :Snapshot ensembles: train 1, get M for free", ICLR 2017

Hyperparameter optimization

머신러닝과 딥러닝 모델의 정확도와 예측율을 높여주기 위해 Hyperparameter optimization 방법을 학습하면서 한층 더 발전 된 머신러닝, 딥러닝 모델을 세우게 될 수 있습니다. 

Regression 과 같은 회귀 모델에서 인과 관계를 더욱 더 명확하게 설명하거나 개발자가 만든 모델들의 예측 정확성을 높여주어 모델의 성능을 한층 더 향상시켜 줄 수 있습니다.

Perceptron, CNN, RNN, GAN

초기 인공 신경망의 단층 모델인 Perceptron 으로부터 시작하여 CNN, RNN, GAN 모델까지 다양한 딥러닝의 기법을 학습하게 됩니다. 

CNN, RNN 의 기술을 통해 동영상 혹은 사진 등의 이미지를 분석하여 물체를 구분하는 객체 분류, 긴 문장 혹은 음성 언어를 기계가 인식하는 자연어 처리 분야 등에 응용 할 수 있게 됩니다. 또한 GAN 모델을 통해 우리가 원하는 표현 방식으로 이미지를 다르게 생성 할 수 있습니다. 

이와 같이, 딥러닝 기본부터 응용까지 아우르는 기술을 체계적으로 배울 수 있습니다.

Regression

머신 러닝의 시작점이 되는 Regression의 정확한 정의와 더불어 수식적 이해까지 가능하도록 강의가 진행되며, Regression의 원리를 이해함과 동시에 더욱 발전된 형태의 머신 러닝 기법들이 동작하는 구조를 파악할 수 있습니다. Regression을 학습하고, 다양한 분석법을 통해 문제상황을 발생시키는 여러 원인들 간의 상관관계와 인과관계를 파악할 수 있습니다.

Huang et al, :Snapshot ensembles: train 1, get M for free", ICLR 2017

Hyperparameter optimization

머신러닝과 딥러닝 모델의 정확도와 예측율을 높여주기 위해Hyperparameter optimization 방법을 학습하면서 한층 더 발전 된 머신러닝, 딥러닝 모델을 세우게 될 수 있습니다. Regression 과 같은 회귀 모델에서 인과 관계를 더욱 더 명확하게 설명하거나 개발자가 만든 모델들의 예측 정확성을 높여주어 모델의 성능을 한층 더 향상시켜 줄 수 있습니다.

Perceptron, CNN, RNN, GAN

초기 인공 신경망의 단층 모델인 Perceptron 으로부터 시작하여 CNN, RNN, GAN 모델까지 다양한 딥러닝의 기법을 학습하게 됩니다. 

CNN, RNN 의 기술을 통해 동영상 혹은 사진 등의 이미지를 분석하여 물체를 구분하는 객체 분류, 긴 문장 혹은 음성 언어를 기계가 인식하는 자연어 처리 분야 등에 응용 할 수 있게 됩니다. 또한 GAN 모델을 통해 우리가 원하는 표현 방식으로 이미지를 다르게 생성 할 수 있습니다. 

이와 같이, 딥러닝 기본부터 응용까지 아우르는 기술을 체계적으로 배울 수 있습니다.

ADVANCEDⅠ2020 CURRICULUM

  MACHINE LEARNING

Subject

Details of curriculum

1기2기3기
1st class
Linear Regression

- ML introduction

- Linear model for regression (OLS)

- Maximum likelihood estimate

Jan 30

(Thu)

Apr 2

(Thu)

Jun 4

(Thu)

2nd class
Regularization for regression

- Regularization

- Ridge regression

- Sparse regresson (LASSO)

Jan 31

(Fri)

Apr 3

(Fri)

Jun 5

(Fri)

3rd class
Classification

- Logistic regression for binary classification

- Cross-entropy error

- Softmax regression for multi-class classification

- Multi-label learning

Feb 6

(Thu)

Apr 9

(Thu)

Jun 11

(Thu)

4th class
Decision trees and
Ensemble methods

- Classification and regression trees (CART)

- Bagging

- Random forest

- Boosting

Feb 7

(Fri)

Apr 10

(Fri)

Jun 12

(Fri)

5th class
Kernel methods

- Nadaraya-Waston estimator

- Kernel ridge regression

- Support vector machines

Feb 13

(Thu)

Apr 16

(Thu)

Jun 18

(Thu)

6th class
Hyperparameter optimization

- Gaussian process regression

- Bayesian optimization

Feb 14

(Fri)

Apr 17

(Fri)

Jun 19

(Fri)

7th class
Clustering and
dimensionality reduction

- K-means clustering

- Mixture of Gaussians

- Principal component analysis (PCA)

Feb 20

(Thu)

Apr 23

(Thu)

Jun 25

(Thu)

8th class
Reinforcement learning

- Markov decision process (MDP)

- Q-learning

- Policy gradients

Feb 21

(Fri)

Apr 24

(Fri)

Jun 26

(Fri)

  DEEP LEARNING

Subject

Details of curriculum

1기2기3기
1st class
Linear models

- DL introduction

- Linear regression

- Logistic regression

Mar 5

(Thu)

May 7

(Thu)

Jul 2

(Thu)

2nd class
Feedforward Nets

- Perceptron

- Multilayer perceptron

- Error backpropagation

Mar 6

(Fri)

May 8

(Fri)

Jul 3

(Fri)

3rd class
Training

- Optimization (SGD, ADAM)

- Dropout

- Batch normalization

Mar 12

(Thu)

May 14

(Thu)

Jul 9

(Thu)

4th class
CNN

- Vanilla CNN

- ResNet

- Inception nets

Mar 13

(Fri)

May 15

(Fri)

Jul 10

(Fri)

5th class
RNN

- Vanilla RNN

- LSTM and GRU

- Attention

- Transformer

Mar 19

(Thu)

May 21

(Thu)

Jul 16

(Thu)

6th class
Autoencoder

- Autoencoders

- Variational autoencoders

- Neural statisticians

Mar 20

(Fri)

May 22

(Fri)

Jul 17

(Fri)

7th class
GAN

- Adversarial training for GAN

- Conditional GANs

- InfoGAN

Mar 26

(Thu)

May 28

(Thu)

Jul 23

(Thu)

8th class
Hyperparameter optimization

- GP regression

- Bayesian optimization

Mar 27

(Fri)

May 29

(Fri)

Jul 24

(Fri)

교육 과정

MACHINE LEARNING Advanced I


1st Class
Linear Regression

- ML introduction

- Linear model for regression (OLS)

- Maximum likelihood estimate

1기
2기
3기

Jan

30

(Thu)

Apr

2

(Thu)

Jun

4

(Thu)

2nd Class
Regularization for regression

- Regularization

- Ridge regression

- Sparse regresson (LASSO)

1기
2기
3기

Jan

31

(Fri)

Apr

3

(Fri)

Jun

5

(Fri)

3rd Class
Classification

- Logistic regression for binary classification

- Cross-entropy error

- Softmax regression for multi-class classification

- Multi-label learning

1기
2기
3기

Feb

6

(Thu)

Apr

9

(Thu)

Jun

11

(Thu)

4th Class
Decision trees and Ensemble methods

- Classification and regression trees (CART)

- Bagging

- Random forest

- Boosting

1기
2기
3기

Feb

7

(Fri)

Apr 10

(Fri)

Jun

12

(Fri)

5th Class
Kernel methods

- Nadaraya-Waston estimator

- Kernel ridge regression

- Support vector machines

1기
2기
3기

Feb 13

(Thu)

Apr 16

(Thu)

Jun

18

(Thu)

6th Class
Hyperparameter optimization

- Gaussian process regression

- Bayesian optimization

1기
2기
3기

Feb 14

(Fri)

Apr 17

(Fri)

Jun

19

(Fri)

7th Class
Clustering and dimensionality reduction

- K-means clustering

- Mixture of Gaussians

- Principal component analysis (PCA)

1기
2기
3기

Feb 20

(Thu)

Apr 23

(Thu)

Jun

25

(Thu)

8th Class
Reinforcement learning

- Markov decision process (MDP)

- Q-learning

- Policy gradients

1기
2기
3기

Feb 21

(Fri)

Apr 24

(Fri)

Jun

26

(Fri)

DEEP LEARNING Advanced I

1st Class
Linear models

- DL introduction

- Linear regression

- Logistic regression

1기
2기
3기

Mar

5

(Thu)

May

7

(Thu)

Jul

2

(Thu)

2nd Class
Feedforward Nets

- Perceptron

- Multilayer perceptron

- Error backpropagation

1기
2기
3기

Mar

6

(Fri)

May

8

(Fri)

Jul

3

(Fri)

3rd Class
Training

- Optimization (SGD, ADAM)

- Dropout

- Batch normalization

1기
2기
3기

Mar 12

(Thu)

May 14

(Thu)

Jul

9

(Thu)

4th Class
CNN

- Vanilla CNN

- ResNet

- Inception nets

1기
2기
3기

Mar 13

(Fri)

May 15

(Fri)

Jul

10

(Fri)

5th Class
RNN

- Vanilla RNN

- LSTM and GRU

- Attention

- Transformer

1기
2기
3기

Mar 19

(Thu)

May 21

(Thu)

Jul

16

(Thu)

6th Class
Autoencoder

- Autoencoders

- Variational autoencoders

- Neural statisticians

1기
2기
3기

Mar 20

(Fri)

May 22

(Fri)

Jul

17

(Fri)

7th Class
GAN

- Adversarial training for GAN

- Conditional GANs

- InfoGAN

1기
2기
3기

Mar 26

(Thu)

May 28

(Thu)

Jul

23

(Thu)

8th Class
Hyperparameter optimization

- GP regression

- Bayesian optimization

1기
2기
3기

Mar 27

(Fri)

May 29

(Fri)

Jul

24

(Fri)

Class 

Feedback


한국에서 Neural Network 같은 이론을 다루는 
수준높은 강의를 들을 수 있을지 몰랐습니다. 
대한민국 최고의 전문가가 알기 쉽게 설명해주시는 
 머신러닝과 딥러닝의 현주소와 미래! 
스타트업도 도전할 수 있다는 믿음이 생겼습니다.
- 언더핀 김경호 대표(전 소프트뱅크 수석 엔지니어) -


어려운 말을 어떻게 이렇게,

용어는 어려웠지만 케이스별 사례를 해주실때는 쏙쏙 이해가 잘 되었다. 전문적인 분야라 좀 걱정했는데 사례별 설명에서는 쉽게 잘 설명해주셨다.

인공지능의 트랜드 세터!

인공지능의 선두주자 답게 최신 흐름 까지도 알려주셔서 많은 도움이 되었습니다. 앞으로의 강의가 기대됩니다!

한번에 맥락을 짚어주는 강의!

맥락을 한번에 쭉 짚어주는 강의는 처음이었습니다. 오로지 인공지능으로 30년 간 연구하신 결과를 체감하는 순간이었습니다.

OPEN CLASS VIDEO

나에게 맞는 코스인지 더 알아보고 싶다면?

Class 

Feedback


한국에서 Neural Network 같은 이론을 다루는 수준높은 강의를 들을 수 있을지 몰랐습니다. 

대한민국 최고의 전문가가 알기 쉽게 설명해주시는  머신러닝과 딥러닝의 현주소와 미래!  

스타트업도 도전할 수 있다는 믿음이 생겼습니다.

-언더핀 김경호 대표(전 소프트뱅크 수석 엔지니어)-


어려운 말을 어떻게 이렇게,

용어는 어려웠지만 케이스별 사례를 해주실때는 쏙쏙 이해가 잘 되었다. 전문적인 분야라 좀 걱정했는데 사례별 설명에서는 쉽게 잘 설명해주셨다

인공지능의 트랜드 세터!

인공지능의 선두주자 답게 최신 흐름 까지도 알려주셔서 많은 도움이 되었습니다. 앞으로의 강의가 기대됩니다!


한번에 맥락을 짚어주는 강의!

맥락을 한번에 쭉 짚어주는 강의는 처음이었습니다. 오로지 인공지능으로 30년 간 연구하신 결과를 체감하는 순간이었습니다.


  OPEN CLASS VIDEO

나에게 맞는 코스인지 더 알아보고 싶다면?