Skip to main content
AI 연구자를 위한 통계적 학습론 이미지

AI 연구자를 위한 통계적 학습론




본 강좌는 새로운 K-MOOC 플랫폼에서 운영하는 강좌입니다.

강좌 소개

수업내용/목표

본 강의는 인공지능 (Artificial Intelligence - AI) 연구자들을 위한 것으로 인공 신경망 모형의 연구에 반드시 필요한 통계적 이론을 다루게 됩니다. 본 강의는 대학원 석사 수준의 강의로서 대학 수학, 행렬대수 등의 사전 지식이 요구되며, 학부수준 수리통계학 (Hogg, McKean, and Craig level)과 회귀분석 (Draper and Smith level)에 대한 사전 지식이 있으면 강의의 효율성이 더 증대될 것입니다.

강좌 운영 계획

강의계획서
주차 주제 소주제
1주차 1. Introduction 1.0 Prerequisites
1.1 About This Lecture - 1.2 History on AI
1.3 Dataset
2주차 2. Preliminaries 2.1 Matrix Alebra
2.2 Model Assessment and Selection I
2.2 Model Assessment and Selection II
3주차 2. Preliminaries 2.3 Taylor Expansion
2.4 Maximum Likelihood Methods
2.5 The EM Algorithm
4주차 2. Preliminaries 2.6 Bayesian Methods
3. Regression 3.1 Parametric Regression / Linear Regression
3.1 Parametric Regression / Subset Selection
5주차 3. Regression 3.1 Parametric Regression / Ridge Regression
3.1 Parametric Regression / Lasso
3.1 Parametric Regression / Other Shrinkage Methods
6주차 3. Regression 3.2 Nonparametric Regression / Smoothing Splines I
3.2 Nonparametric Regression / Smoothing Splines II
4.1 Introduction - 4.2 Parametric Classifiers
7주차 4. Classification 4.3 Nonparametric Classifiers / Kernel Density
4.3 Nonparametric Classifiers / CART
4.4 Support Vector Machine / Linearly Separable Case
중간시험
8주차 4. Classification 4.4 Support Vector Machines / Linearly Nonseparable Case
4.4 Support Vector Machines / Nonlinear Case
4.4 Support Vector Machine / Regression
9주차 4. Classification 4.5 Ensemble Learning / Bagging
4.5 Ensemble Learning / Boosting
4.5 Ensemble Learning / Boosting and Additive Trees
10주차 4. Classification 4.5 Ensemble Learning / Boosting Algorithms and Random Forest
5.1 Projection Pursuit Regression
5. Neural Networks 5.2 Neural Networks - 5.3 Fitting Neural Networks
11주차 5. Neural Networks 5.4 Some Issues in Training Neural Networks
5.4 Some Issues in Training Neural Networks / Examples
6.1 Introduction - 6.2 Combinatorial Algorithm - 6.3 k-means
12주차 6. Cluster Analysis 6.4 Vector Quantization - 6.5 Hierarchical Clustering
6.6 Self-Organizing Maps - 6.7 Spectral Clustring I
6.7 Spectral Clustring II
13주차 6. Cluster Analysis 6.8 Principal Components, Curves, and Surfaces I
6.8 Principal Components, Curves, and Surfaces II
기말시험

강좌운영팀 소개

교수자

김충락 교수
김충락 교수
현) 부산대학교 통계학과 교수 (1990.03 ~ 현재)

학력
서울대학교 계산통계학과 학사 (1981.02)
서울대학교 대학원 계산통계학과 석사 (1983.02)
U. of Wisconsin – Madison 통계학 박사 (1989.05)

경력 및 수상
JKSS 편집위원장 (2006.01 ~ 2007.12)
부산과학기술상 (2010.04)
부산대학교 입학본부장 (2012.02 ~ 2014.07)
최우수논문상 - 영국통계학회 (2013.07)
부산대학교 교육자상 (2013.11)
한국갤럽학술상 (2014.11)
눌원학술상 (2015.11)
부산대학교 교무처장 (2014.08 ~ 2016.02)
한국통계학회 차기회장 (2017.01 ~ 2017.12)
한국통계학회 회장 (2018.01 ~ 2018.12)

강좌지원팀

정상훈 조교
정상훈 조교
부산대학교 통계학과
이메일 : fmdl12@naver.com

강좌 수강 정보

이수/평가정보

이수/평가정보
중간고사 기말고사
50% 50%
※ 총 60% 이상 점수 획득 시, 이수증을 발급받을 수 있습니다.

교재 및 참고문헌

 The Elements of Statistical Learning, 2/E Data Mining, Inference, and Prediction

The Elements of Statistical Learning, 2/E

Data Mining, Inference, and Prediction

회귀분석 -제2판-

회귀분석 -제2판-

저자: 김충락, 강근석 / 출판사: 교우사

관련 강좌

현재 강좌와 관련있는 강좌를 찾을 수 없습니다.
  1. Subject

    Natural Sciences
    (Mathematics, Physics, Astronomy & Geography)
  2. 강좌 내용의 어려운 수준을 의미합니다. 교양, 전공기초, 전공심화 순으로 난이도가 증가합니다.

    Course difficulty

    advanced
  3. 강좌를 개발하고 운영하는 기관입니다. 컨소시엄으로 운영 시, 대표기관의 명칭이 나타납니다

    Institution

    Pusan National University
  4. 운영 기관의 전화번호 입니다.

    Phone

    051-510-3849
  5. 강좌의 구성 주차 수를 의미합니다. (강좌를 충실히 학습하기 위해 필요한 주당 학습시간을 의미합니다.)

    Course Week
    (Estimated Effort)

    15week
    (주당 03시간 00분)
  6. 본 강좌 이수자에게 인정되는 학습시간으로 해당 강좌의 동영상, 과제, 시험, 퀴즈, 토론 등의 시간을 포함합니다. (강의 내용과 관련된 동영상 재생 시간의 총 합계입니다.)

    Accredited learning time
    (Video Duration)

    45시간 00분
    (45시간 00분)
  7. 수강신청이 가능한 기간으로 해당 기간 내에만 수강신청이 가능합니다.

    Registration Period

    2023.08.16 ~ 2023.12.08
  8. 강좌가 운영되고 교수지원이 이루어지는 기간입니다. 이수증은 강좌운영기간이 종료된 이후에 발급받을 수 있습니다.

    Classes Period

    2023.08.28 ~ 2023.12.08
  9. ※ 만족도 응답 표본 수 미달 등 일정 기준이 충족되지 않은 경우 별점이 공개되지 않을 수 있습니다.