제1장 서론 (Introduction)

1.1 인공지능과 기계학습
1.2 인공지능(기계학습)의 역사적 배경
1.3 학습 알고리즘 분류와 응용 사례

제2장 k-최근접 이웃 알고리즘 (k -NN: k-Nearest Neighbor Algorithm)

2.1 k-NN 알고리즘의 개요
2.2 k-NN 알고리즘에 의한 분류
2.3 k-NN 알고리즘에 의한 회귀
2.4 파라미터의 선정

제3장 선형판별 분석 (LDA: Linear Discriminant Analysis)

3.1 선형판별분석(LDA: Linear Discriminant Analysis)의 개요
3.2 기저벡터에 의한 투영
3.3 선형판별분석의 유도
3.4 확장 및 응용

제4장 퍼셉트론 (Perceptron)

4.1 분류(Classification)
4.2 베이 최적 분류기(Bayes Optimal Classifier)
4.3 손실과 위험(Losses and Risks)
4.4 판별함수(Discriminant Functions)
4.5 선형판별함수(Linear Discriminant Function)
4.6 단층 퍼셉트론(SLP: Single-Layer Perceptron)
4.7 퍼셉트론의 학습

제5장 전방향 신경회로망 (Feed-Forward Neural Networks)

5.1 다층 퍼셉트론(Multi-Layer Perceptron)
5.2 다층퍼셉트론의 표현 능력
5.3 오류 역전파(Error Back-Propagation) 학습
5.4 부적절한 포화(Incorrect Saturation)
5.5 학습에 필요한 사항들
5.6 시계열 데이터와 신경회로망
5.7 심층 신경회로망(Deep Neural Networks)
5.8 RBFN(Radial Basis Function Networks)

제6장 회귀 신경회로망 (Recurrent Neural Networks)

6.1 회귀 신경회로망(Recurrent Neural Networks)
6.2 LSTM(Long Short-Term Memory)의 구조
6.3 LSTM의 전방향 계산
6.4 LSTM의 역방향 계산

제7장 SVM Support Vector Machine

7.1 SVM(Support Vector Machine)의 특징
7.2 선형 구분자(Linear Separator)와 퍼셉트론 학습
7.3 SVM
7.4 SVM 적용 예

제8장 앙상블 학습 (Ensemble Learning)

8.1 앙상블이 필요한 이유
8.2 투표에 의한 결정(Voting)
8.3 배깅(Bagging)
8.4 분류기의 성능평가

제9장 컨볼루션 신경회로망 (Convolutional Neural Network)

9.1 컨볼루션 신경회로망의 역사적 배경과 특징
9.2 컨볼루션(Convolution)
9.3 컨볼루션 신경회로망(Convolutional Neural Network)
9.4 파라미터 선정과 학습 기법
9.5 컨볼루션의 다양한 형태
9.6 컨볼루션 신경회로망의 응용 예

제10장 주성분 분석 (Principal Component Analysis)

10.1 데이터 차원 축소
10.2 주성분 분석(Principal Component Analysis)
10.3 주성분 분석의 고유 구조(Eigenstructure)
10.4 주성분 분석의 성질과 예시

제11장 독립 성분 분석 (Independent Component Analysis)

11.1 문제 정의
11.2 독립성분분석을 위한 정보이론
11.3 독립성분분석을 위한 확률론
11.4 인포맥스(InfoMax) 알고리즘
11.5 인포맥스(InfoMax) 알고리즘: N×N 회로망
11.6 독립성분분석과 주성분분석의 성질 비교 및 응용
11.7 독립성분분석에 의한 데이터의 잠재적 구조 발견
11.8 컨볼루션 혼합모델

제12장 클러스터링 (Clustering)

12.1 클러스터링이란?
12.2 클러스터링의 쟁점들
12.3 SOM(Self-Organizing Map)
12.4 SOM학습의 개선
12.5 k-평균 클러스터링(k-means Clustering)
12.6 클러스터의 평가

제13장 생성모델 (Generative Models)

13.1 판별(Discrimination)과 생성(Generation)
13.2 생성대립 회로망(GAN)의 구성
13.3 생성대립 회로망의 수학적 모델
13.4 생성대립 회로망의 구현
13.5 심층 컨벌루션 생성대립 회로망(DCGAN)
13.6 양방향 생성대립 회로망(BiGAN)
13.7 확산 모델(Diffusion Models)