[week1] 네부캠 ai tech 1주차 회고

2023.11.10. 금요일

네이버  부스트코스 ai tech 6기에 참여하고 한 주가 흘렀다. 1주차 회고를 작성한다.

 

* 짧은 소감 

- 동료와의 만남.

동료분들이 모두 멋지시다.(나를 제외한 모두가 컴공 출신..) 회사 다니시다 오신 분도 계시고, 팀리더를 맡으신 분은 석사 졸업을 앞두셨는데, 정말 배울 점이 많다. 열심히 따라가기 위해 공부할 생각이다. 이번주 강의는 아는 부분은 빠르게, 모르는 부분은 다시 반복해서 들었다. 강의가 많아서 거의 대부분 2배속으로 들었던 것 같다. 강의를 들으면서 필요한 부분을 잘 메모했던 것 같았다. 하지만 어려운 부분에 대해 곱씹을 시간이 부족했던 것이 아쉽다. 앞으로 시간 계획을 잘 짜서, 공부한 내용을 소화할 수 있는 시간을 충분히 마련해둬야겠다. 그리고 공부 내용을 블로그에 올릴 수 있도록 좀 더 재구조화하면서 메모하자.

 

- 멘토님과의 만남.
멘토님의 훈화말씀이 있었고, 공부법, 취업을 포함한 여러 질문들에 대해 답해주시는 시간을 가졌다.
더욱 많은 것을 배울 수 있도록, 공부하고 싶다는 자극을 받았다.

 

멘토링 복기

 

1. 점점 바빠진다. 부캠을 통해 무엇을 얻어갈지 등에 대해 미리 생각해두자.

2. 코딩테스트를 놓지 마라. -> 프로그래머스, 백준, 최근은 리트코드?, 회사 기출을 풀어보자.(최신 것부터 풀자. 네이버부캠동안 기출 다 풀자.) 1시간 안에 못 풀면 못 푼 것. 시간 넘어가면 정답 보고 공부하고 외우자.

3. 방법론에 대해 공부하자. 예를들어 그 방법론이 기존의 방식을 어떻게 해결하고 있나? 지금은 잘 되고 있나? 그 이유들.

Supervised learning, Semi-supervised learning, Unsupervised learning, Self-sueprvised learning, Reinforcement learning, Meta-learning, Continual learning, Multi-task learning, Transfer learning

+ 논문을 이해했다는 것은 알고리즘을 바탕으로 바로 며칠 내로 바로 구현할 수 있는 수준이다.

- 피어세션.

앞으로(다음주)의 피어세션부터 무엇을 할 지에 대해 고민했고, 이번주는 서로에 대해 알아가는 시간과, 모각공 컨셉으로 시간을 재면서 함께 코딩테스트를 풀었다. (팀내 나의 역할은 친목을 다지기 위한 윤활유 역할^^)

 

* 진행한 내용

MLE를 열심히 공부했다. 아직 완벽히 이해하진 못했지만, 블로그 글을 쓰면서 재구조화 중이다. MLE을 이해하기 위해 통계 기초 지식까지 타고타고 내려가면서 공부하고 있다. (기억력이 안 좋은 편이라서 계속 볼 수 있도록 잘 기록해야한다.) 또한, ai 모델에서 어떻게 적용되는지 자세히 공부해야겠다. 어떻게 쓰이는 지 예시를 봐야지 앞으로 공부할 때 종합적으로 연결해서 알 수 있을 것 같다. 

 강의를 들으면서 공부가 더 필요하다고 느낀 파트를 두서없이 적어보자면 다음과 같다.

1. 정규표현식(익숙해지자)

2. 데코레이터(얘는 아직 잘 모르겠다. 활용 사례를 더 보자)

3. np.matmul 과 np.dot의 차이를 알아보자.

4. 확률기초 : 베이즈정리, MLE, 조건부활률밀도함수 개념, 

5. pandas 문법에 익숙해지자.

6. 코테 dfs 공부하기.

 

* 주말 계획

1. 코테 복습 및 두 문제 풀기.(프로그래머스 양궁대회, 주차 요금 계산)

2. MLE 공부

3. 발표 준비

4. 시간 되면 깃헙 강의 듣자.

 

* 다음주 계획

다음주 피어세션시간에는 머신러닝 기초 이론 스터디를 진행할 예정이다. 각자 맡은 파트를 공부해오고 발표하는 형식이다.

내가 맡은 부분은 마지막 3-2)로지스틱 회귀와 cross entropy이다. 

1) 지도 학습(Supervised learning) & 비지도 학습(Unsupervised learning) & 준지도 학습(Semi-supervised learning) 
& 강화학습(Reinforcement learning) & Meta learning & Continual Learning & 연합 학습

2) 선형회귀모형(규제화(L1-Lasso, L2-Ridge, ElasticNet), 정규방정식, 경사하강법, Scaler(표준화, 최대-최소, robust, log)) 

2-1) 선형회귀모형, 정규방정식
- 선형회귀식과 선형방정식의 차이점
- 정규방정식의 단점

2-2) 경사하강법, 규제화, Scaler(표쥰화, 최대-최소, robust,log)
- L1과 L2의 차이점? 어떤 거는 가중치를 0으로 만들 수 있다...
- 경사하강법의 식(미분식)
- Log scaling의 장단점 

3) Logistic regression(최대우도추정법(Maximize Likelihood estimation,MLE), cross entropy) 

3-1) 최대우도추정법(MLE)
- Bernouill distribution(베르누이 분포), 이항분포-> 이걸 예시로 들어야 쉬워요
- Likelihood(우도, 가능도) : 이거 개념도 이해하는게 중요하다(종속변수의 확률)

3-2) 로지스틱 회귀, cross entropy (3-2)
- Odds ratio
- 3개 이상의 확률이 존재할 때, entropy

 

< 목표 >

1. 앞으로 어떤 산업분야, it 도메인 혹은 비it 도메인 어디로 나아가야할 지 많이 찾아보고, 물어보고 고민해보자.
2. 멘토님이 추천해주신 자료를 보면서, 수학 기초를 쌓자. 책, 유튜브
3. 프레임워크에 익숙해지자. 또한 수식과 코드를 연결하는 공부를 하자.

 

 

* 공부 내용 링크 

프로그래머스 lv2 카카오 기출 : 택배 배달과 수거하기

프로그래머스 lv2 카카오 기출 : 이모티콘 할인 행사

2023.11.10 - [Mathematics/statistics] - [통계학] Maximum Likelihood Estimator, MLE (최대우도법)