(Docceptor 머신러닝 2-1) 머신러닝에 필요한 확률 기초 - 랜덤 변수, 확률 분포, 조건부 확률, Bayes rule

(Docceptor 머신러닝 1-1) 본 강의에서 다룰 머신러닝의 간단 소개

(Docceptor 머신러닝 1-2) 머신러닝 소개에 이은 종류와 활용

(Docceptor 머신러닝 2-1) 머신러닝에 필요한 확률 기초 - 랜덤 변수, 확률 분포, 조건부 확률, Bayes rule

(Docceptor 머신러닝 2-2) 머신러닝에 필요한 확률 기초 - 조건부 확률 예제, Posterior, likelihood, prior 개념

(Docceptor 머신러닝 3) Maximum a posteriori vs. Maximum likelihood estimation 기초

(Docceptor 머신러닝 4-1) Linear Regression 기초

(Docceptor 머신러닝 4-2) Linear regression에 확률 적용

(Docceptor 머신러닝 4-3) 머신러닝을 위한 Python setup 및 Linear regression 실습

(Docceptor 머신러닝 5-1) 간단한 Logistic regression (MLE, cost function) 및 Python Practice

(Docceptor 머신러닝 5-2) Logistic regression의 고차원 데이터 및 multi-class 처리

(Docceptor 머신러닝 6) k-NN classification 및 python practice

(Docceptor 머신러닝 7-1) k-Means Clustering 및 EM algorithm 기초