AI 학습을 위한 Python 학습 계획 진전 관리

배경과 목적



Chainer에 의한 Python의 학습이 한 단락 될 것 같기 때문에
계획을 검토합니다.

결론



아래에서 소개하는 전문서를 학습하고 기계 학습을 사용한 애플리케이션을 출력한다.
최선을 다하겠습니다! ! !

내용



우선 깨끗이 배운


  • 기계 학습에 필요한 수학
  • Python
  • 기계 학습에 대한 지식
  • 미분(편미분까지)
  • 선형 대수
  • 기초 통계 (평균, 분산, 표준 편차 등)
  • 단일 회귀 분석 수학
  • 중회귀 분석 수학
  • Python(Chainer)
  • 신경망 계산(순방향 전파), 선형 변환, 비선형 변환, 신경망 계산(역전파)
    오차 역 전파, 경사 강하, 미니 배치 학습

  • 다음으로 공부 예정(기본적으로 전문서로 접하는 정도의 일은 할 수 있을 것 같다)



    이 책에서 공부합니다.

  • 신경망 구현 (TensorFlow 또는 PyTorch)
  • 교사 있음 학습의 대표적인 알고리즘

    다중 회귀 분석, 릿지 회귀, 라소 회귀, 물류 회귀, k 이웃 방법, 지원 벡터 기계, 결정 트리, 무작위 포리스트, 교사없는 학습의 대표 알고리즘, k 평균법, 주성분 분석, 하이퍼 파라미터의 대표적인 조정 방법, 그리드 검색, 랜덤 검색, 베이즈 최적화, 분류의 대표적인 평가 지표, 정답률, 적합률, 재현률, F 값

    또한 다음 단계



    아래는, 만들고 싶은 프로그램에 따라 적절히 공부하면 좋을 것 같기 때문에, 배우는 순서로서는 지금은 아니고 후반이 될 것 같다

    이미지 데이터, 컨벌루션 신경망(CNN), 물체 검출 알고리즘(R-CNN, YOLO, SSD 등), 시맨틱 세그멘테이션 알고리즘, 문장 데이터, 문장 데이터의 특징 추출 방법(Bag of words, Word2Vec 등), 기계 번역 알고리즘 (Seq2Seq, Attention 등)
    시계열 데이터(1/1의 내점자수는 100명의 데이터에 전후 관계가 존재하는 데이터)
    재귀형 신경망(RNN, LSTM, GRU 등)
    컨벌루션 신경망(CNN)
    표 데이터(Excel 시트에 나열된 데이터)
    특징량 엔지니어링
    발전적인 기계 학습 알고리즘(XGBoost, LightGBM 등)
  • 좋은 웹페이지 즐겨찾기