Skip to content

deep-diver/Machine-Learning-Yearning-Korean-Translation

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 

Repository files navigation

'Machine Learning Yearning' 책의 한국어 번역

이 저장소는 앤드류 응(Andrew Ng.) 교수저 'Machine Learning Yearning'라는 책의 한국어 번역 내용을 포함한다.

번역 대상이 된 원서의 링크 는 현재 집필중인 Draft 버전으로, 업데이트가 될 때 마다 해당 링크와 동기화 될 예정 입니다.

Contents

1 왜 머신러닝에 대한 전략을 알아야 하는가?

2 이 책을 사용 하는 방법

3 이 책을 읽기전 미리 알아야 하는 것과 사용되는 표기법

4 규모가 머신러닝의 진보를 이끈다

개발용 데이터셋과 테스트용 데이터셋을 설정하는 것에 대하여

5 개발 데이터셋과 테스트 데이터셋

6 개발/테스트 데이터셋은 같은 분포의 데이터로 구성되어야 한다

7 개발/테스트 데이터셋이 얼마나 커야 하는가?

8 알고리즘 최적화를 위해서 단일-숫자 평가지표를 설정하는것

9 최적화와 만족화라는 평가 지표에 대해서

10 개발 데이터셋과 평가지표로 개발 사이클 순환 속도를 빠르게

11 개발/테스트 데이터셋과 평가지표를 언제 바꿔야 하는가?

12 요약: 개발 데이터셋과 테스트 데이터셋을 설정하는 것에 관하여

기본적인 에러 분석에 대하여

13 빨리 시스템을 만들어 보고, 개발 사이클의 순환을 빠르게 하자

14 에러 분석: 아이디어에 대한 평가를 위해 개발 데이터셋을 살펴보는 것

15 에러 분석 중간에 여러가지 아이디어를 동시에 판단해 보는 것

16 개발/테스트 데이터셋의 잘못 레이블링된 데이터를 정리하는 것

17 큰 사이즈의 개발 데이터셋이 있는 경우, 두개의 부분집합으로 이를 나누고, 그 중 하나만 관찰하는 것

18 "눈알"과 "블랙박스" 개발데이터셋은 얼마나 커야 할까?

19 요약: 기본적인 에러 분석에 관하여

편향과 분산에 대하여

20 편향과 분산: 에러를 일으키는 두 가지 큰 원인

21 편향과 분산의 예

22 최적의 에러율과 비교하는 것

23 편향과 분산 문제 해결방법에 대한 고심

24 편향 vs. 분산의 균형 대립

25 피할 수 있는 편향을 줄이기 위한 기법들

26 학습 데이터셋에 대한 에러 분석

27 분산치를 줄이기 위한 기법들

학습 곡선(Learning Curve)에 대하여

28 편향과 분산을 진단하는 것: 학습 곡선

29 학습 데이터셋에 대한 에러의 곡선을 그리는 것

30 학습 곡선을 해석하는 것: 높은 편향치

31 학습 곡선을 해석하는 것: 그 외의 상황

32 학습 곡선들을 그리는 것

인간 수준의 성능과 비교하는 것에 대하여

33 왜 사람-수준의 성능과 비교해야 하는가?

34 어떻게 사람-수준의 성능을 정의할 것인가?

35 사람-수준의 성능을 넘어서는 것

다른 데이터 분포에 대하여 트레이닝과 테스트하는 것에 대하여

36 다른 분포로 부터 구성되는 학습, 테스트 데이터셋을 언제 사용해야 하는가?

37 모든 데이터를 사용해야하는지 어떻게 결정을 내려야 하는가?

38 일관적이지 못한 데이터를 포함시키기 위한 결정을 어떻게 내려야 하는가?

39 데이터에 가중치를 주는 것

40 학습 데이터셋에서 개발 데이터셋으로 일반화 하는 것

41 편향과 분산을 표현/해결하는 것

42 데이터 미스매치를 표현/해결하는 것

43 인공적인 데이터 합성에 대하여

추론 알고리즘을 디버깅 하는 것에 대하여

44 최적화 검증 테스트(The Optimization Verification test)

45 최적화 검증 테스트의 일반적인 형태

46 강화학습의 예

End-to-End 딥러닝에 대하여

47 End-to-End 학습의 등장

48 End-to-End 학습의 다른 예

49 End-to-End 학습의 장단점

50 파이프라인의 컴포넌트를 선택하는 것: 데이터 수집의 가능성

51 파이프라인의 컴포넌트를 선택하는 것: 작업의 간결성

52 직접적으로 부유한(rich) 출력값을 학습하는 것

부분별로 수행하는 에러 분석

53 부분/컴포넌트별로 수행하는 에러 분석

54 에러를 특정 컴포넌트의 잘못으로 분류하는것

55 에러를 특정 컴포넌트의 잘못으로 분류하는 일반적인 방법

56 사람-수준의 성능과 각 컴포넌트를 비교하여 에러분석을 수행하는 것

57 ML 파이프라인의 결함을 발견하는 것

결말

58 수퍼 히어로 팀을 만드는 것 - 팀 동료에게 이 책을 읽게 하자

Releases

No releases published

Packages

No packages published