TensorFlow를 활용한 이론 및 고급 머신러닝
아래의 학습 자료를 시작하기 전에 다음 사항을 확인하세요.
-
TensorFlow를 활용한 머신러닝의 기초 커리큘럼을 완료했거나 상응하는 지식이 있습니다.
-
소프트웨어 개발, 특히 Python 개발 경험이 있습니다.
이 커리큘럼은 다음을 원하는 사용자를 위한 출발점입니다.
-
ML 이해도 개선
-
TensorFlow 관련 자료 이해 및 구현 시작
ML의 작동 방식에 관한 배경지식이 있거나 초보자 커리큘럼인 TensorFlow를 활용한 머신러닝의 기초의 학습 자료를 완료해야 계속 진행할 수 있습니다. 아래 콘텐츠는 더 이론적이고 고급 수준인 머신러닝 콘텐츠를 소개합니다. 많은 리소스에서 TensorFlow를 사용하지만 관련 지식은 다른 ML 프레임워크에도 적용할 수 있습니다.
ML에 관한 이해를 심화하려면 Python 프로그래밍 경험과 미적분, 선형 대수, 확률 및 통계에 관한 배경지식이 있어야 합니다. ML 지식 심화를 위해 다양한 추천 리소스와 대학 강의, 몇 가지 교과서를 나열해 두었습니다.
1단계: 수학 개념에 관한 이해 되살리기
ML은 수학이 많이 사용되는 분야입니다. ML 모델을 수정하거나 새로운 모델을 처음부터 빌드할 계획이라면 토대가 되는 수학 개념에 익숙해지는 것이 중요합니다. 지금 당장 모든 수학 개념을 학습할 필요는 없습니다. 익숙하지 않은 개념이 나타났을 때 찾아봐도 됩니다. 수학 강의를 들은 지 오래되었다면, 3blue1brown의 필수 선형 대수와 필수 미적분학 재생목록을 시청하여 기억을 되살려 보세요. 대학에서 수업을 듣거나 선형 대수 또는 단일 변수 미적분학과 같은 MIT의 오픈 액세스 강의를 시청하여 수학을 계속 공부하는 것이 좋습니다.
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_math_the_essence_of_linear-algebra.jpg?authuser=2&hl=ko)
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_math_the_essence_of_calculus.jpg?authuser=2&hl=ko)
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_math_mit_course_18_06_linear_algebra.jpg?authuser=2&hl=ko)
MIT의 이 입문 과정에서는 행렬 이론과 선형 대수를 다룹니다. 방정식, 벡터 공간, 행렬식, 고윳값, 유사성, 양정치 행렬 등 다른 분야에도 유용한 주제가 강조됩니다.
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_math_mit_course_18_01_calculus.jpg?authuser=2&hl=ko)
2단계: 강의와 책으로 딥 러닝에 관한 이해 심화하기
딥 러닝에 관해 알아야 할 모든 것을 한 번에 가르쳐주는 강의는 없습니다. 따라서 몇 가지 강의를 동시에 수강하는 것이 유용할 수 있습니다. 겹치는 자료가 있을 수도 있지만 여러 강사로부터 같은 개념에 관한 다른 설명을 들으면 특히 복잡한 주제를 이해하는 데 도움이 됩니다. 아래는 시작하는 데 도움이 되는 다양한 강의입니다. 각 강의를 함께 살펴보거나 가장 관련 있다고 생각되는 하나를 골라도 됩니다.
더 많이 배우고 연습을 통해 개념을 다질수록 더 능숙하게 나만의 ML 모델을 빌드하고 평가할 수 있습니다.
강의 듣기:
MIT 강의 6.S191: 딥 러닝 입문은 TensorFlow를 활용한 딥 러닝에 관한 MIT의 입문 과정으로 유용한 리소스입니다.
앤드류 응이 진행하는 Coursera 딥 러닝 특화 과정에서도 컨볼루셔널 네트워크, RNN, LSTM 등 딥 러닝의 기초를 설명합니다. 이 특화 과정은 업무에 딥 러닝을 적용하고 AI 부문에서 경력을 쌓는 데 도움이 됩니다.
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_mit_course_6_s191_Intro_to_deep_learning.jpg?authuser=2&hl=ko)
이 MIT 과정에서는 딥 러닝 알고리즘에 관한 기초 지식과 TensorFlow로 신경망을 빌드하는 실무 경험을 쌓을 수 있습니다.
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_coursera_5_course_specialization.jpg?authuser=2&hl=ko)
DeepLearning.AI
딥 러닝 특화 과정5개 과정에서는 딥 러닝의 기초, 신경망 빌드 방법, 머신러닝 프로젝트를 성공으로 이끌고 AI 관련 경력을 쌓는 방법 등을 알아봅니다. 이론뿐 아니라 이론이 산업에 어떻게 적용되는지도 배울 수 있습니다.
⬆ 및 ⬇ 도서 추천:
위에 나열된 과정에서 배운 내용을 보완하려면 아래의 책을 읽어 더 자세히 알아보는 것이 좋습니다. 각 도서는 온라인으로도 이용 가능하며 연습에 도움이 되는 보충 자료를 제공합니다.
이안 굿펠로우, 요슈아 벤지오, 애런 쿠르빌 공저인 딥 러닝: MIT 프레스 북(Deep Learning: An MIT Press Book)으로 시작해 보세요. 딥 러닝 교과서는 학생이 이해를 심화하는 데 도움이 되도록 만들어진 고급 리소스입니다. 이 책과 함께 웹사이트가 마련되어 있으며, 연습, 강의 슬라이드, 정오표, 개념을 직접 연습해 볼 수 있는 기타 리소스 등 다양한 보충 자료가 제공됩니다.
마이클 닐슨의 온라인 도서인 신경망과 딥 러닝(Neural Networks and Deep Learning)도 찾아볼 수 있습니다. 이 책은 신경망에 관한 이론적 배경지식을 제공합니다. TensorFlow를 사용하지는 않지만 더 많은 내용을 배우고자 하는 학생들이 참고하기에 좋습니다.
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_books_ian_goodfellow.jpg?authuser=2&hl=ko)
![](https://www.tensorflow.org/static/site-assets/images/marketing/edu/edu_book_neural_nets_and_dl_by_michael_nielsen.jpg?authuser=2&hl=ko)
이 책은 신경망에 관한 이론적인 배경지식을 제공합니다. TensorFlow를 사용하지는 않지만 더 많은 내용을 배우고자 하는 학생들이 참고하기에 좋습니다.