필자가 코세라 강의를 정주행 하였는데 학습과정에서 한글로 정리한 슬라이드를 공유할까 합니다. 목적은 영어로 강의하는 코세라 강의를 보실 때 참고하시거나 강의를 따로 안보시더라도 슬라이드 내용만으로도 참고하시면 좋을듯 합니다.

1. CourseraMachineLearning으로
기계학습배우기:week3
1

2. 개요
지난시간에이어CorseraMachineLearning으로기계학습배우기:week3
정리를진행한다.
해당포스팅은연재글로써지난연재는아래의링크를참고한다.
CorseraMachineLearning으로기계학습배우기:week1
CorseraMachineLearning으로기계학습배우기:week2
2

3. 글을읽기에앞서…
본글은필자가코세라기계학습을공부를하는과정에서개념을확고히정
리하기위하는데목적이있다.(필자가나중에내용을다시찾아보기위한
목적이있다.)
코세라강의week개수에맞추어포스팅을진행할예정이다.
코세라의슬라이드에한글주석을단것이핵심으로내용에서글을읽을필
요없이슬라이드그림만으로최대한이해가되게끔하는데목적이있다.
수학은한국의고등수학을베이스로한다.수학적개념이나올때가급적
고등학교수학을베이스로내용을정리한다.
정리내용의목차구성을코세라강의와동일하게맞추고또한제목을원문
으로둔다.(원본강의내용과정리내용을서로서로찾아보기쉽게하기위
함이다.)
3

4. ClassificationandRepresentation
Classification
보통분류하기를원하는결과를Positive로두는경향이있다.
4

5. classification(1/5)
5

6. classification(2/5)
6

7. classification(3/5)
7

8. classification(4/5)
8

9. classification(5/5)
9

10. HypothesisRepresentation
10

11. HypothesisRepresentation(1/3)
11

12. HypothesisRepresentation(2/3)
로지스틱함수(g함수)중에하나가sigmoid함수이다.
12

13. HypothesisRepresentation(3/3)
로지스틱회귀의장점중하나는출력값의확률(가능성)을가늠할수있다는것
이다.
13

14. DecisionBoundary
14

15. DecisionBoundary(1/7)
사실선형의결정경계를구하는경우의수는무한대에가깝다.
15

16. DecisionBoundary(2/7)
16

17. DecisionBoundary(3/7)
17

18. DecisionBoundary(4/7)
18

19. DecisionBoundary(5/7)
19

20. DecisionBoundary(6/7)
20

21. DecisionBoundary(7/7)
21

22. LogisticRegressionModel
CostFunction
22

23. CostFunction(1/8)
23

24. CostFunction(2/8)
24

25. CostFunction(3/8)
25

26. CostFunction(4/8)
26

27. CostFunction(5/8)
27

28. CostFunction(6/8)
28

29. CostFunction(7/8)
29

30. CostFunction(8/8)
30

31. SimplifiedCostFunctionandGradientDescent
31

32. SimplifiedCostFunctionandGradientDescent(1/5)
32

33. SimplifiedCostFunctionandGradientDescent
(2/5)
33

34. SimplifiedCostFunctionandGradientDescent
(3/5)
34

35. 35

36. SimplifiedCostFunctionandGradientDescent
(5/5)
36

37. AdvancedOptimization
37

38. AdvancedOptimization(1/8)
38

39. AdvancedOptimization(2/8)
39

40. AdvancedOptimization(3/8)
40

41. AdvancedOptimization(4/8)
41

42. AdvancedOptimization(5/8)
이부분을옥타브를이용하여직접실숩하여보자.
아래와같이costFunction함수를만든다.
costFunction.m
function [jVal, gradient] = costFunction(theta)
jVal = (theta(1) - 5) ^ 2 + (theta(2) - 5) ^ 2
gradient = zeros(2, 1);
gradient(1) = 2 * (theta(1) - 5);
gradient(2) = 2 * (theta(2) - 5);
42

43. AdvancedOptimization(6/8)
이제옥타브커맨드라인에서costFunction.m이있는경로에서아래의3줄의
명령어를입력해본다.
>> options = optimset('GradObj', 'on', 'MaxIter', '100');
>> initTheta = zeros(2, 1);
>> [optTheta, functionVal, exitFlag] = fminunc(@costFunction, i
43

44. AdvancedOptimization(7/8)
그러면알파값을지정하지않았음에도**fminunc()**에의해비용함수가최소
화된것을확인할수있다.
44

45. AdvancedOptimization(8/8)
또한쎄타값을확인해보면세타값이기존의0에서바뀐것을확인할수있다.
45

46. MulticlassClassification
46

47. MulticlassClassification(1/4)
47

48. MulticlassClassification(2/4)
48

49. MulticlassClassification(3/4)
49

50. MulticlassClassification(4/4)
50

51. SolvingProblemofOverfitting
TheProblemofSolvingOverfitting
51

52. TheProblemofSolvingOverfitting(1/6)
52

53. TheProblemofSolvingOverfitting(2/6)
bias와variance의딜레마다.
53

54. TheProblemofSolvingOverfitting(3/6)
54

55. TheProblemofSolvingOverfitting(4/6)
55

56. TheProblemofSolvingOverfitting(5/6)
56

57. TheProblemofSolvingOverfitting(6/6)
57

58. CostFunction
58

59. CostFunction(1/4)
59

60. CostFunction(2/4)
60

61. CostFunction(3/4)
61

62. CostFunction(4/4)
62

63. RegularLinearRegression
63

64. RegularLinearRegression(1/9)
64

65. RegularLinearRegression(2/9)
65

66. RegularLinearRegression(3/9)
66

67. RegularLinearRegression(4/9)
67

68. RegularLinearRegression(5/9)
68

69. RegularLinearRegression(6/9)
69

70. RegularLinearRegression(7/9)
70

71. RegularLinearRegression(8/9)
71

72. RegularLinearRegression(9/9)
72

73. RegularizedLogisticRegression
73

74. RegularizedLogisticRegression(1/3)
74

75. RegularizedLogisticRegression(2/3)
75

76. RegularizedLogisticRegression(3/3)
76