Deep Learning Roadmap for Mechanical Engineering Students
본 글의 목적
본 글의 목적은 KAsimov 회원 및 Machine Learning & Deep Learning을 학습하고자 하는 기계과 학생을 위한 학습 가이드라인입니다.
학습하는 데 있어서 추천되는 순서가 있겠지만, 반드시 따를 필요는 없으며, 또한 모든 내용을 당장 알아야하는 것은 아닙니다.
또한, 아래에 명시된 자료가 전부가 아니며, 학습하는 사람에 따라서 적절한 자료가 다를 수 있습니다. 본격적으로 공부에 진입하기 전, 조사와 탐색에 공을 들이시길 바랍니다.
Mathematics
우선은 정리가 된 자료 두 가지를 보는 것으로 시작합니다.
Dive to Deep Learning : Appendix
부족하다고 느껴지는 경우 세부적인 공부를 해보는 것도 좋습니다.
아래는 분량이 좀 되는 도서입니다. Part 1까지가 포항공대 입시 범위라고 들었습니다.
Mathematics for Machine Learning
여기서 부터는 학부과정에서 살펴볼 필요는 없을 것 같습니다. 아래는 해석학입니다.
아래는 Convex Optimization에 관한 자료입니다.
아래는 각종 수학 주제를 다루는 채널입니다. 재생목록이 잘 정비되어있는 편입니다. 수학이 즐거운 지는 솔직히 잘 모르겠습니다.
Machine Learning & Deep Learning
다음은 간단한 수준의 머신러닝 및 딥러닝 자료입니다. 같은 채널에 PyTorch 버전도 있으니 하나만 선택해서 공부하셔도 될 것 같습니다.
아래부터는 학부 전공 수준의 기계학습 강의입니다.
아래 또한 전공 수준 기계학습 강의입니다. 다루는 내용을 보면 학부 수준은 아닌 것 같습니다.
다음은 컴퓨터비전 Task를 해결하기 위한 목적의 딥러닝 강의입니다.
Deep Learning for Computer Vision : EECS 498 - 007
다음은 전통적인 컴퓨터비전에 관한 강좌입니다.
First Principle of Computer Vision
다음은 자연어처리 강의 입니다.
다음은 확률 및 그래프 모델에 관한 강의입니다.
Probabilistic Graphical Models
아래는 교수님들의 재생목록입니다.
Further
다음은 ML 엔지니어로서의 필요 요건에 관한 강의입니다.
논문 학습 및 구현
아래는 논문 모음집
아래는 영상
아래는 유명한 paper review study인 PR 12로, 다루는 논문의 수준이 높은 편이라서 입문하는 입장에서는 권장하지 않습니다.
각 시기별 SoTA (State of the Art, 해당 시점에서 최고 성능을 보이는 기술이라는 의미)에 해당하는 모델을 정리해놓은 사이트입니다. 종종 구현 코드도 함께 올라오니 함께 보는 것이 논문 이해에 좋습니다.
시기별로 주목받는 인공지능 논문을 선정해놓은 사이트입니다.
https://arxiv-sanity-lite.com/
AI 기반의 대회가 자주 열리는 사이트입니다. 대회 환경에서는 주로 tensorflow나 pytorch보다는 scikit-learn가 더 많이 사용되고 있습니다.
Kaggle : 대회 및 dataset
Dacon : 국내 기업 주최 AI 대회
Computer Science
공부를 지속하다보면 컴퓨터 과학에 대한 기본 지식이 요구될 수도 있습니다.
자료구조와 알고리즘
https://www.edwith.org/datastructure-2019s
https://www.edwith.org/datastructure-2019s2
or
https://www.coursera.org/specializations/algorithms
논리회로 및 Verilog
컴퓨터구조
http://www.kocw.net/home/cview.do?cid=16bd07027739ad22
운영체제