Machine learning - 전체 강좌

Source: Dev.to

머신러닝 — 블로그 시리즈 목차

PART 0: Before ML (Mindset & Big Picture)

• 머신러닝이란? (버즈워드 없이)
• ML vs AI vs DL vs 통계학
• 왜 실제 환경에서 ML 모델이 실패하는가
• ML 라이프사이클: 데이터 → 모델 → 배포 → 성능 저하
• 절대 머신러닝을 사용하면 안 되는 경우

PART 1: Mathematical Foundations (Intuition First)

• (초반에 무거운 증명은 배제 — 기하학 + 시각화)
• Linear Algebra for ML
  • 벡터: 점, 방향, 그리고 피처
  • 내적 = 유사도 (코사인이 작동하는 이유)
  • 행렬 곱셈을 변환으로 보기
  • 고유벡터 = “안정적인 방향”
  • 고차원 공간이 이상한 이유
• Probability & Statistics
  • 확률 변수 = 불확실성 컨테이너
  • 기대값 = 장기 행동
  • 분산, 편향, 노이즈 (실제 의미)
  • 수식 없이 베이즈 정리
  • 최대우도 vs MAP
• Optimization Basics
  • 손실 함수: 후회를 측정
  • 기하학적으로 바라본 경사하강법
  • 지역 최소점, 안장점, 평탄 영역
  • 학습률 = 물리학에서의 스텝 크기
  • 볼록 vs 비볼록 문제

PART 2: Classical Machine Learning (Core)

• 지도 학습
• 스크래치부터 구현하는 선형 회귀
• 과적합 vs 과소적합 (편향‑분산 트레이드오프)
• 정규화: L1, L2, Elastic Net
• 확률 모델인 로지스틱 회귀
• 의사결정 트리: 혼돈을 질서로 나누기
• 랜덤 포레스트: 군중의 지혜
• 직관적인 Gradient Boosting
• 간단히 설명하는 XGBoost
• Model Evaluation
  • Train/Validation/Test 분할에 대한 오해
  • 정확도는 거짓 (정밀도, 재현율, F1)
  • ROC vs PR 곡선
  • 올바른 교차 검증
  • 데이터 누수 끔찍한 사례

PART 3: Unsupervised Learning

• 클러스터링: 구조 발견
• K‑Means의 기하학적 직관
• 계층적 클러스터링
• DBSCAN과 밀도 기반 사고법
• 차원 축소 vs 피처 선택
• PCA = 분산 최대화
• PCA가 편향을 증폭시킬 때 (공정성 관점)

PART 4: Feature Engineering (Underrated Superpower)

• 모델보다 피처가 더 중요한 이유
• 범주형 변수 인코딩
• 스케일링 및 정규화에 대한 오해
• 피처 상호작용
• 시간 기반 피처
• 피처 누수 패턴
• 도메인 기반 피처 설계

PART 5: Neural Networks (Deep Learning)

Basics

• 퍼셉트론: 뉴런 신화
• 선형 모델이 실패하는 이유
• 활성화 함수의 기하학적 해석
• 시각적으로 설명하는 역전파
• 소실 및 폭발하는 그래디언트
• Architectures
  • 완전 연결 네트워크
  • CNN: 지역 연결 직관
  • 풀링: 정보 압축
  • RNN과 시퀀스 메모리
  • LSTM & GRU 해부
  • 고수준에서 바라본 Transformers

PART 6: Training Deep Models

• 초기화가 생각보다 중요함
• 배치 vs 미니‑배치 vs 확률적 GD
• 옵티마이저: SGD, Adam, RMSProp
• 딥러닝 정규화
  • 드롭아웃 = 앙상블 기법
  • BatchNorm 시각화
• 조기 종료 직관

PART 7: Model Interpretability & Fairness

• 블랙‑박스 vs 유리‑박스 모델
• 피처 중요도에 대한 오해
• SHAP와 LIME 직관적으로 이해하기
• ML에서 공정성: 의미가 뭘까?
• 데이터 편향 vs 모델 편향
• Fair PCA와 표현 학습
• 트레이드‑오프: 정확도 vs 공정성

PART 8: ML Systems & Production

• 학습 파이프라인 vs 추론 파이프라인
• 오프라인 학습 vs 온라인 학습
• 모델 버전 관리
• 데이터 드리프트 vs 개념 드리프트
• 프로덕션에서 ML 모니터링
• 재학습 전략
• ML 기술 부채

PART 9: Applied Machine Learning

• 추천 시스템을 위한 ML
• 검색 엔진에서의 ML
• 사기 탐지를 위한 ML
• 의료 분야 ML (위험 및 윤리)
• 금융 분야 ML
• 스포츠 분석 ML
• NLP 작업을 위한 ML
• 컴퓨터 비전을 위한 ML

PART 10: Research Thinking in ML

• ML 연구 논문 읽는 법
• 실증 논문 vs 이론 논문
• 재현성 문제
• … (계속)

Source:

PART 10: 연구 실무

• ML에서의 이슈
• 아무도 존중하지 않는 베이스라인
• 절제 연구 설명
• 좋은 ML 논문 쓰기
• 일반적인 연구 실수

PART 11: 고급 및 최신 주제

• 자체 지도 학습
• 대조 학습
• 표현 학습
• 메타 학습
• 온라인 학습
• 인과 ML
• 강화 학습 직관
• LLM 및 기반 모델
• ML 정렬 및 안전

PART 12: ML 경력 및 학습 경로

• 물에 빠지지 않고 ML 배우기
• 수학 vs 직관 — 무엇을 우선시할까?
• ML 인터뷰 vs 실제 ML
• 영향력 있는 ML 프로젝트 구축
• 엔지니어에서 ML 연구자로
• 연구 문제 선택 방법