KeKe-Li/tutorial 프로젝트 설명

이것은 딥러닝 알고리즘 튜토리얼 프로젝트입니다. 저자는 README에서 머신러닝과 알고리즘을 계속 학습하고 노트를 정리하며, AI 개발과 알고리즘을 시작하는 개발자들을 돕고 싶다고 밝혔습니다.

프로젝트 내용

1. 머신러닝과 딥러닝 기초

• 머신러닝의 정의를 설명: 컴퓨터 과학의 하위 분야로, 컴퓨터가 인간의 학습 행동을 모방하거나 구현하여 새로운 지식이나 기술을 획득하는 방법을 연구합니다.
• 머신러닝의 응용 시나리오를 나열: 음성 인식, 자율 주행, 언어 번역, 컴퓨터 비전, 추천 시스템, 얼굴 인식 등.
• 머신러닝의 기본 개념을 소개: 훈련 세트, 테스트 세트, 특징 값, 지도 학습, 비지도 학습, 분류, 회귀.
• 머신러닝의 단계 프레임워크를 제공: 데이터를 훈련 세트와 테스트 세트로 분할 → 훈련 세트 특징으로 알고리즘 훈련 → 테스트 세트에서 알고리즘 평가 (매개변수 조정 및 검증 세트 포함 가능).
• 딥러닝에 대해 간단히 설명: 머신러닝에서 파생된 새로운 분야로, 신경망 알고리즘에서 발전했으며, 빅데이터와 계산 능력에 의존하고, 이미지 처리, 자연어 처리, 음성 인식 등에 적용됩니다.

2. 알고리즘 튜토리얼 목차

프로젝트는 많은 알고리즘 튜토리얼 링크를 제공하며, 두 개의 큰 블록으로 나뉩니다:

• 머신러닝 알고리즘 개요: BP 신경망, RBF 알고리즘, SOM 신경망, 베이지안 네트워크, 결정 트리, 클러스터링 분석, 서포트 벡터 머신(SVM) 등 20개 이상의 알고리즘을 포함합니다.
• 알고리즘 모델 분류: 카테고리별로 자세히 나열, 예를 들어:
  • 회귀 알고리즘 (선형 회귀, 로지스틱 회귀 등)
  • 인스턴스 기반 학습 (KNN, SOM 등)
  • 정규화 알고리즘 (릿지 회귀, LASSO 등)
  • 결정 트리 알고리즘 (CART, 랜덤 포레스트 등)
  • 베이즈 알고리즘 (나이브 베이즈 등)
  • 커널 기반 알고리즘 (SVM, RBF 등)
  • 클러스터링 알고리즘 (K-Means 등)
  • 연관 규칙 학습 (Apriori 등)
  • 인공 신경망 (오토인코더, 합성곱 신경망 등)
  • 딥러닝 (심층 신뢰 신경망, 생성적 적대 신경망 등)
  • 차원 축소 알고리즘 (PCA, t-SNE 등)
  • 앙상블 알고리즘 (Boosting, Bagging 등)
  • 기타 알고리즘 (특징 선택, 강화 학습 등, 하지만 README에서 이러한 링크는 비어 있음)

3. 대규모 언어 모델 (LLM)

README에는 **대규모 언어 모델(LLM)**에 대한 장이 새로 추가되었으며, LLM은 대량의 데이터로 사전 훈련된 초대형 딥러닝 모델로, Transformer 아키텍처를 사용하여 시퀀스를 병렬 처리할 수 있고, 훈련 시간이 더 짧으며, 모델 매개변수는 수천억에 달할 수 있다고 설명합니다. 또한 "대규모 언어 모델 LLM 입문" 링크를 제공합니다.

4. 학습 리소스

• 머신러닝에 필요한 이론적 기초: 수학, 선형대수학, 수리통계학, 확률론, 고등수학, 볼록 최적화 이론, 형식 논리 등.
• 참고 서적: 동지대학 선형대수 교재, 고등수학, 확률론과 수리통계, 볼록 최적화 이론, 주지화의 『머신러닝』, 『딥러닝』 등 여러 PDF 서적과 일부 온라인 리소스 링크를 나열합니다.

프로젝트 특징

• 저자는 알고리즘의 중요성을 강조하며, DeepMind가 Nature에 발표한 몇 편의 논문(AlphaGo 관련 등)을 인용하여, 인지 계층에서 가장 중요한 것은 알고리즘이라고 생각합니다.
• 프로젝트는 지속적으로 업데이트되며, 저자는 알고리즘 장을 계속 추가할 것이라고 밝혔습니다.
• 저자의 연락처(WeChat, 교류 그룹)와 소셜 링크(Twitter, Zhihu)를 제공합니다.

라이선스

프로젝트는 MIT 라이선스를 채택하며, 자유 소프트웨어입니다.

참고: 위 내용은 README 원문에 완전히 기반하며, 언급되지 않은 정보는 추가하지 않았습니다. 일부 링크(예: "머신러닝 응용 사례", "기타 알고리즘" 아래의 하위 항목)는 README에서 비어 있어 미완성임을 나타냅니다.