ethen8181/machine-learning

해결하는 문제

이 저장소는 이론과 실습의 균형을 통해 저자와 독자가 머신러닝 개념을 깊이 이해하도록 돕는 개인 학습 아카이브입니다. 기본 알고리즘부터 고급 딥러닝 아키텍처, 실용적인 배포 및 평가 전략까지 다루는 선별되고 잘 정리된 노트북을 제공하여 지식이 분산되는 문제를 해결합니다.

작동 방식

콘텐츠는 Jupyter 노트북으로 구성되며, 각 노트북은 특정 주제에 초점을 맞춥니다. 많은 노트북은 Python 과학 스택(numpy, scipy, pandas, matplotlib)을 사용하여 알고리즘을 처음부터 구현하여 기본 수학을 설명한 다음, scikit-learn, TensorFlow, PyTorch와 같은 확립된 라이브러리를 사용하는 방법을 보여줍니다. 저장소는 지속적으로 업데이트되며, 각 노트북은 쉽게 볼 수 있도록 HTML 페이지로도 제공됩니다. 딥러닝(CNN, RNN, Transformer, 파인튜닝, 대조 학습), 모델 배포(FastAPI, Kubernetes, vLLM), A/B 테스트 및 인과 추론, 시계열 예측, 추천 시스템 등을 포함한 광범위한 범위를 다룹니다.

대상 독자

라이브러리 함수를 호출하는 것 이상으로 이해를 깊이 하고자 하는 데이터 사이언스 및 머신러닝 실무자를 위한 것입니다. 또한 수학적 유도와 실습 코드의 조합을 선호하는 학생과 자기 주도 학습자에게도 유용합니다. 튜토리얼은 초급부터 중급/고급까지 다양하므로 기본 Python 지식을 갖추고 머신러닝 주제를 체계적으로 탐구하려는 사람에게 적합합니다.

주요 특징

• 선형 회귀부터 최신 LLM 파인튜닝(예: DPO, GRPO)까지 20개 이상의 주제 영역을 다루는 방대한 Jupyter 노트북 컬렉션.
• numpy, numba, scipy 등을 사용한 처음부터의 구현과 수학적 표기법 간의 균형, 그리고 scikit-learn, PyTorch, TensorFlow와 같은 인기 라이브러리 사용.
• FastAPI, Kubernetes, 클라우드 서비스를 사용한 실용적인 엔드투엔드 프로젝트(Kaggle 대회) 및 배포 예제 포함.
• Transformer 모델, 대조 학습, CLIP, LLM 정렬 기술과 같은 현대적인 주제를 다룹니다.
• 각 노트북은 정적 HTML로도 제공되어 코드를 실행하지 않고도 쉽게 탐색할 수 있습니다.