- PRML책을 통해 베이지안 확률론을 학습하고, 머신러닝에 어떻게 적용되는지 알아봅니다.
- 이를 통해 딥러닝에 적용되는 베이지안 모델을 이해하는 발판을 마련합니다.
PRML로 이해하는 베이지안: VAE, InfoGAN뽀개기
InfoGAN, VAE, 베이지안
시작일
매주 2019년 10월 10일
진행일시
매주
모집현황

data-product-id="11495"

진행장소
캠퍼스
학습대상
- 고전적 머신러닝을 수학적으로 체계적으로 공부해보고 싶으신 분
- 머신러닝, 딥러닝에 적용된 베이지안 확률론을 알고 싶으신 분
- PRML을 공부하긴 해야겠는데 시간이 없어서 요점만 보고 싶으신 분
과목난이도

쉬움 (1단계) ~ 어려움(5단계)

학습목표
1. Multivariate Gaussian Distribution 공식이 나와도 쫄지 않는다.
2. 세상의 모든 일을 Prior, Likelihood, Posterior로 바라보게 된다.
3. VAE, InfoGAN 등 베이지안이 접목된 딥러닝 논문을 읽을 수 있다.
운영방식
1. 매주 돌아가면서 발제자를 선정합니다. 발제자는 해당 챕터의 내용을 숙지하고 스터디를 이끌어 갑니다.
2. 학습한 내용이 정리되도록 이론을 나간 다음주는 항상 코딩 실습시간을 갖도록 합니다.
선수지식
선형대수학 3스푼, 다변수 미적분학 1스푼 반, 확률과 통계 5스푼의 선수지식이 필요하나 셋 중 둘만 알아도 열정이 있다면 충분합니다!
학습 및 참고자료
학습자료: Christopher M. Bishop, Pattern Recognition and Machine Learning.
참고자료:
David Barber, Bayesian Reasoning and Machine Learning.
Deisenroth, A Aldo Faisal, and Cheng Soon Ong, Mathematics for Machine Learning.
커리큘럼
/
주차 모임내용 학습자료
1 주차 Probability Theory PRML 1.2, 1.6
2 주차 Probability Distributions(이론) PRML 2.1, 2.2, 2.3.1-2.3.4
3 주차 Probability Distributions(실습) - Bernoulli, Beta, Categorical, Dirichlet, Gaussian Distribution 코딩 Statistical functions (scipy.stats)
4 주차 Linear Models for Regression(이론) PRML 3.1.1, 3.1.2, 3.1.4, 3.3.1, 3.3.2
5 주차 Linear Models for Regression(실습) - Linear Regression, Bayesian Linear Regression 코딩 ScikitLearn - OLS, Ridge, Lasso, Elastic-Net, Bayesian Regression
6 주차 Graphical Models(이론) PRML 8.1.1, 8.1.3, 8.1.4, 8.2.1, 8.2.2
7 주차 Mixture Models and EM(이론) PRML 9.2, 9.3, 9.4
8 주차 Mixture Models and EM(실습) - Gaussian Model, Gaussian Mixture Model 코딩 ScikitLearn - GaussianMixture
9 주차 Continuous Latent Variables(이론) PRML 12.1, 12.2
10 주차 Continuous Latent Variables(실습) - PCA, Probabilistic PCA 코딩 ScikitLearn - PCA, FactorAnalysis
11 주차 VAE, InfoGAN Auto-Encoding Variational Bayes 논문, InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets 논문
퍼실소개
박수철

박수철

딥러닝에 발만 담궈볼까 하고 입문했다가 PRML과 Generative Models의 매력에 빠져 계속 배움과 연구에 매진하고 있습니다. 딥러닝의 눈부신 발전에 이끌려 시작했을 때, 제일 큰 난관은 수학이라고 생각하는데요. 그 중에서도 베이지안 확률론이 가장 생소하지 않았나 생각합니다. PRML을 통해 베이지안과 친해져 딥러닝에 더 깊게 빠져봅시다!~

딥러닝에 발만 담궈볼까 하고 입문했다가 PRML과 Generative Models의 매력에 빠져 계속 배움과 연구에 매진하고 있습니다. 딥러닝의 눈부신 발전에 이끌려 시작했을 때, 제일 큰 난관은 수학이라고 생각하는데요. 그 중에서도 베이지안 확률론이 가장 생소하지 않았나 생각합니다. PRML을 통해 베이지안과 친해져 딥러닝에 더 깊게 빠져봅시다!~


풀잎스쿨 신청 및 결제를 위해서 로그인을 해주세요