머신 러닝 관련 북마크

딥러닝 기본 강좌

• 홍콩과기대 김성훈 교수님의 "모두를 위한 머신러닝/딥러닝 강의 (opens new window)"
• 모두를 위한 딥러닝 시즌 2 (opens new window)
• 구글의 머신러닝 단기집중코스 (opens new window) 👍 구글의 자료는 별다른 공지없이 꾸준히 업데이트 되고 있는 것 같다.
  • 구글의 머신러닝 엔지니어링 실무지침서 (opens new window) 👍
• 구글의 AI 페이지 (opens new window)
• 앤드류 응 교수의 코세라 머신러닝 강좌 (opens new window): 이제는 고전축에 속하는 강좌. 좋은 강좌로 모두가 추천하나 다 들으려면 꽤 노력이 필요하다.
• deeplearning.ai의 AI for Everyone (opens new window): 앤드류 응 교수가 운영하는 사이트의 무료강좌
• 제프리 힌튼 교수의 신경망과 딥러닝 강좌 (opens new window): 위 엔드류 응 교수 강좌와 비슷한 평
• 블룸버그의 ML 기본기 (opens new window)
• AWS의 무료 강좌 (opens new window)
• 마일모아 게시판 추천: 개인 웹사이트 alina.ai (opens new window)

딥러닝 연구

• Understanding LSTM Networks (opens new window): 개념 설명을 위한 깔끔한 그림
• Distill (opens new window): 위 링크에서 타고 들어간 페이지인데, 문서가 굉장히 잘 정리되어 있다.
• The Annotated Transformer (opens new window): 논문에 사용된 코드를 공개하고 노트북형식으로 단계별로 해석하고 있다.
• Deep Learning.net (opens new window)
• Papers with Code (opens new window)
• TOP AI & MACHINE LEARNING RESEARCH PAPERS FROM 2019 (opens new window)
• [Updated] BodyPix: Real-time Person Segmentation in the Browser with TensorFlow.js (opens new window)

ML 활용 연구

• Knowledge Guided Machine Learning (opens new window)
  • KGML Workshop (opens new window)

ML 관련 자료

• Neil Lawrence's Talks (opens new window): Gaussian Processes 관련 자료가 많다. 블로그나 논문 자료 등도 살펴볼만 하다.
• Software Engineering for Machine Learning: A Case Study (opens new window): 신승환님이 공유한 MS 연구진이 작성한 논문
• Tackling Climate Change with Machine Learning (opens new window)
• ROC와 AUC (opens new window)
• 분류성능평가지표 - Precision(정밀도), Recall(재현율) and Accuracy(정확도) (opens new window)
• 쉽게 따라할 수 있는 임베딩 활용 (opens new window): DevFest 2019 Seoul - 이기창님
• The 2019 AI Index report (opens new window) by HAI at Stanford
• Deep Learning Monitor (opens new window)

군집분석

• Hierarchical Clustering in Python using Dendrogram and Cophenetic Correlation (opens new window)
• 군집분석 slide (opens new window)

라이브러리

• TensorFlow (opens new window)
  • TensorFlow는 pip 대신 conda로 설치하는 것이 좋다 (opens new window)
  • https://www.tensorflow.org/swift (opens new window): Swift를 지원하고, colab에서도 swift 커널을 지원한다.
• PyTorch (opens new window)
  • pytorch-lightning (opens new window): The lightweight PyTorch wrapper for ML researchers. Scale your models. Write less boilerplate
  • ignite (opens new window): High-level library to help with training neural networks in PyTorch.
• Keras (opens new window)
• scikit-learn (opens new window): 공식 매뉴얼인데, 자료가 좋다.
• fastai (opens new window)
• Google AI Hub (opens new window): 구글에서 자사 솔루션과 템플릿을 한곳에 모아서 제공하고 있다. Kubeflow pipeline, Kaggle, BigQuery, VM 이미지 등의 자료를 찾아볼 수 있다.
• AI Hub (opens new window): 한국정보화진흥원에서 AI 학습용 데이터를 제공하고 있다.
• github.com/ko-nlp/Korpora (opens new window): 한글 말뭉치 데이터셋
• github.com/songys/AwesomeKorean_Data (opens new window): 한글 말뭉치 데이터셋
• MS의 연구동향 페이지 (opens new window)

튜토리얼

• 데이터쿼스트 (opens new window): 인터렉티브 강좌. 유료 강좌
• 머신러닝 블로그 리스트 (opens new window)
• 머신러닝 모델선택 by scikit-learn (opens new window)
• Machine Learning Crash Course (opens new window)
• Stanford CS230 Blog (opens new window)
• Deep Learning State of the Art (2020) (opens new window)
  • Deep Learning State of the Art (2020) | MIT Deep Learning Series (opens new window) at YouTube
• Google Codelabs (opens new window): 다양한 예제를 통해 학습자료를 제공하고 있다.
• Full Stack Deep Learning (opens new window)
• 인공지능팩토리의 강좌모음 (opens new window): 캐글 코리아의 김태영님이 운영하시는 사이트인 것 같다. 좋은 발표자료가 많다.
• MIT 6.S191: Introduction to Deep Learning (opens new window)

봇 관련

• DialogFlow (opens new window): (전 API.ai)
• 챗봇 현황분석(2017.2) (opens new window)

관련 도서

• (밑바닥부터 시작하는) 데이터 과학: 데이터 분석을 위한 파이썬 프로그래밍과 수학, 통계 기초 (opens new window): 데이터 과학 개론서로 좋은 책. 특히 2장의 파이썬 속성강좌도 굉장히 좋다. 25장의 더 공부할 거리도 좋은 길잡이가 된다. 개인적으로 저자와 역자 모두 팬인데, 최근 저자가 2판 개정판을 준비하고 있다는 소식을 전했다.
• 딥러닝의 정석: 텐서플로와 최신 기법으로 배우는 딥러닝 알고리즘 설계 (opens new window): 임백준 작가님이 추천해준 책.
• 핸즈온 머신러닝: 사이킷런과 텐서플로를 활용한 머신러닝, 딥러닝 실무 (2판) (opens new window): 역자인 박해선님 블로그에도 좋은 자료가 많다.
  • 텐서 플로우 블로그 (Tensor ≈ Blog) (opens new window): 박해선님 개인 블로그.
• 패턴 인식과 머신러닝 (opens new window)
• Interpretable Machine Learning (opens new window)

관련 도구

• Publication-ready NN-architecture schematics (opens new window)
• Latex code for making neural networks diagrams (opens new window)
• Netron (opens new window): Netron is a viewer for neural network, deep learning and machine learning models.
• Tools to Design or Visualize Architecture of Neural Network (opens new window)

모델 구현 예제

• Mask R-CNN for object detection and instance segmentation on Keras and TensorFlow (opens new window)

관련 블로그

• Applying CNN over Titanic Data-set using Keras (opens new window): CNN is not a proper method of solving problems like that of Titanic Data-set, but there is nothing wrong in experimenting.
• Self-training with Noisy Student improves ImageNet classification Review (opens new window) by Hoya012
• Stratified Sampling (opens new window): 이제현님 블로그
• 10 TensorFlow Tricks Every ML Practioner Must Know (번역본) (opens new window)
• 머신러닝의 규칙: 머신러닝 엔지니어링 실무지침서 (opens new window): 구글 디벨로퍼스
• Machine Learning Research at Apple (opens new window)
• Amazon Science (opens new window)
• Understanding mini-batch gradient descent (opens new window)
• HuggingFace KoElectra로 NSMC 감성분석 Fine-tuning해보기 (opens new window)
• 안수빈님 캐글 노트북 (opens new window)
• 김영준님 개인 블로그 (opens new window): ML 관련 공부한 내용을 블로그로 정리하고 있다.
• 테디노트 (opens new window): ML 관련 블로그를 짧은 시간동안 많이 올려두었는데, 노트북코드처럼 데이터를 가지고 실습하면서 결과를 설명하고 있어서, 쭉 훑어보기에 좋은 블로그이다.
• [slow paper] Glow: Generative Flow with Invertible 1x1 Convolutions (opens new window)
• Train/Test Split and Cross Validation in Python (opens new window): 70:20:10를 잘 정리해두었다.
• Why XGBoost can’t solve all your problems. (opens new window)
• 7 Tips To Maximize PyTorch Performance (opens new window)
• When to NOT use XGBoost? (opens new window): 샘플 수가 적거나, feature가 너무 많을 때, 시계열, 시그널, Computer vision, NLP 등에는 사용하지 않는 것이 좋다는 의견.
• Deep Q-learning으로 뱀 게임 인공지능 만들기 (opens new window)

논문

• A Unifying Review of Deep and Shallow Anomaly Detection (opens new window)