1주차 학습정리

#

강의 복습 내용

#

ai math (1~11번 포스팅)

#

https://velog.io/@naem1023/series/ai-math

python (1~2번 포스팅)

#

https://velog.io/@naem1023/series/python

과제 수행 과정 / 결과물 정리

#

선택과제 1이 관건이었다. gradient descent를 직접 구현할 때, 벡터 연산을 통한 구현은 수업에서 다뤄서 할만했다. 하지만 y = mx + c와 같은 일차함수의 gradient descent를 예시에 맞춰서 진행하는 부분에서 의외로 막막했다.

https://towardsdatascience.com/linear-regression-using-gradient-descent-97a6c8700931

이전에도 gradient descent를 notion에 정리하면서 익혔던 내용인데, 자주 까먹어서 위 링크의 내용을 참고했다. 앞으로도 자주 참고해야겠다.

관건은 위 링크에서 서술하듯, loss function을 정의하고 m과 c에 대해서 미분한 것을 gradient vector처럼 사용하면 되는 것이다.

  loss function을 m과 c에 대해 각각 미분하고, m과 c는 아래와 같이 익숙한 수식 형태를 통해 업데이트한다. 

해당 과정을 numpy를 활용해 그대로 코드화하여 해결했다.

피어세션 정리

#

피어세션에서 자주 언급되고 상의했던 내용들을 임성빈교수님께서 정말 좋게 정리해주셨다. 모호하거나 정보 자체를 몰라서 피어세션에서 서로 해맸던 내용들이니 피어세션 정리란에 정리하겠다.

https://naem1023.notion.site/4b3c83b157ca43a8b6d1ef706084a1fb

이는 노션을 통해서 정리해봤다.

학습 회고

#

https://naem1023.notion.site/ML-68740e6ac0db42e9a01b17c9ab093606 그 동안 대학생활 하면서 차근차근 위 링크에 정리했던 내용들을 부캠에서 다시 배웠던 첫 주였다. 그럼에도 모두 새로웠다. 그만큼 기초조차도 탄탄하지 못한 뜻으로 이해했다.

velog에 공부 내용들을 모두 정리하면서 공부했던 것들이 잘 쌓여져가면 좋겠다.