Algorithm-Mastery - 알고리즘 마스터리
머신러닝 핵심 알고리즘의 심화 이해와 마스터리를 위한 체계적 학습 영역입니다.
🎯 목표
- 주요 머신러닝 알고리즘의 수학적 원리 완전 이해
- 알고리즘의 장단점 및 적용 시나리오 파악
- 실제 구현을 통한 깊이 있는 이해 달성
📚 학습 알고리즘
지도학습 알고리즘
- Linear Regression: 선형 회귀의 수학적 원리
- Logistic Regression: 분류를 위한 로지스틱 회귀
- Decision Trees: 의사결정 트리의 분할 기준
- Random Forest: 앙상블 기법의 이해
- Support Vector Machine: 최적 분리면 찾기
- Naive Bayes: 베이즈 정리 기반 분류
- K-Nearest Neighbors: 거리 기반 분류
비지도학습 알고리즘
- K-Means: 중심 기반 군집화
- Hierarchical Clustering: 계층적 군집화
- DBSCAN: 밀도 기반 군집화
- Principal Component Analysis: 주성분 분석
- t-SNE: 차원 축소 및 시각화
강화학습 기초
- Q-Learning: 가치 기반 강화학습
- Policy Gradient: 정책 기반 강화학습
📊 학습 진도
현재 상태 (2024년 1월)
- ✅ Linear Regression (완료)
- 🔄 Logistic Regression (진행 중)
- ⏳ Decision Trees (예정)
- ⏳ Random Forest (예정)
월별 목표
- 1월: Linear/Logistic Regression 완료
- 2월: Tree-based 알고리즘 완료
- 3월: SVM 및 Naive Bayes 완료
- 4월: 비지도학습 알고리즘 완료
🔍 학습 방법
1. 이론 학습
- 수학적 원리 및 공식 이해
- 알고리즘의 가정과 제약 조건 파악
- 시간/공간 복잡도 분석
2. 실습 구현
- NumPy를 활용한 직접 구현
- scikit-learn과 비교 검증
- 다양한 데이터셋에 적용
3. 성능 분석
- 알고리즘 간 성능 비교
- 하이퍼파라미터 영향 분석
- 실제 문제 적용 시 고려사항
📖 학습 자료
필수 도서
- “Pattern Recognition and Machine Learning” - Christopher Bishop
- “The Elements of Statistical Learning” - Hastie et al.
- “Machine Learning: A Probabilistic Perspective” - Kevin Murphy
온라인 자료
- Coursera Machine Learning Course
- MIT OpenCourseWare 6.034
- Stanford CS229 Machine Learning