1주차

1. introduction to ML

인공지능

Data ->  Pattern(generalization)-> Prediction

2. Examples of ML problems

숫자, 음성, 글자 인식, image(얼굴, 사물 인식)

Supervised Learning

데이터와 데이터에 대한 답이 주어진 것

Unsupervised Learning

답이 주어지지 않은 것

Data set -> 비슷한 것 끼리 묶기

Reinforcement Learning

3. Classification vs Regression

Classification: 답이 category로 나온다

Regression: real-value(점수, 주가, 가격)

Important Terminology

Input

Hypothesis space: input에서 output으로 mapping할 때

ex) 공부시간(input), 학점(output) f(x)->y

어떤 모양의 function을 고려할 것인가?

2차방정식까지만 고려할 것이다~: 제한을 두는 것

Candidate hypothesis

function 만들 때 고려하는 것(예를 예상 function)

Training data : 가장 좋은 Candidate hypothesis 고르기 위한 data, 어떤 functions이 가장 적합한가

Testing data: 10명 뽑아 놓은 것 new data(unseen data) 얼마나 prediction 잘 하는지

Accuracy / Error: testing data 에서 얼마나 정확히 했는지

4. Regression

Linear Regression: 가장 설명 잘 할 수 있는 일직선 긋는다.(ax + b + y)

Quadratic Model: 제곱까지 고려(ax2 + bx + c = y) 더 정확함

Polynomial 

Python:  scipy, numpy, matplotlib 와 같은 강력한 패키지를 통해 scientific computing을 쉽게 할 수 있다.

print 뒤에 괄호

raw_input 대신에 input