[음악] 안녕하세요. 저는 Carlos Guestrin 입니다. 저는 기계학습의 아마존 교수입니다. >> 잠시만요, 저는 기계학습의 아마존 교수입니다. >> 당신은 누구신가요? >> 저는 Emily Fox 입니다. >> 음, 저는 컴퓨터 과학에 대한 기계학습의 아마존 교수입니다. >> 그리고 저는 통계학에서의 기계학습의 아마존 교수입니다. >> 우리는 모두 시애틀에 있는 University of Washington에서 근무하고 있습니다. 이것이 미국이죠. [웃음] 그렇습니다. >> 이것은 미국입니다. >> 미국. >> 더 정확히 하기 위해. >> 아메리카. >> 아메리카. >> [웃음] 자 그럼 오늘 이 자리에 함께 하시게 된 당신의 자격 요건은 무엇인가요 Emily? [웃음]
>> 여기서 제 이력서를 읽어야 할까요? 아뇨. 괜찮습니다. 이제 시작인데요. 제 자격 요건이 무엇이냐구요? 좋아요. 저는 MIT를 매우 오래 다녔습니다. 9년 동안 다녔죠. 물론 하나의 학위만을 따려고 다닌 것은 아니고 몇 개의 학위를 이수했습니다. [웃음] 9년 동안 말이죠. 저는 거기에서
But yeah, I was there for 전기공학과 컴퓨터과학에 대한 PhD를 공부했습니다. 제 자격 요건에 대해 더 말씀드려야 할까요? 그 정도면 충분한 것 같습니다. >> 그녀의 자격 요건은 충분한 것 같네요. 전 그렇게 말하겠습니다. [웃음] 저는 저의 대학 학위를 브라질에 있는 San Paulo University에서 땃습니다. 그리고 스탠포드에서 컴퓨터과학에 대한 PhD를 이수했죠. 저는 오래 동안 기계학습에 대해 연구해왔습니다. >> 아주 오래 동안 말이죠. 아무래도 제가 통계학쪽으로 이행한 부분에 대해서도 좀 더 말씀드려야 할 것 같네요. 제가 전기공학과 컴퓨터과학에 대한 PhD를 이수하고 나서, 저는 듀크에서 통계학의 포닥을 공부했습니다. 그리고 실제로, 솔직하게 말씀드리면 수 많은 저의 PhD는 통계학 PhD 입니다. 하지만 MIT는 통계학 관련 부서가 없었죠. 제가 공부할 당시에도 없었습니다. 그렇습니다. 저는 스스로 공부한 통계학자 입니다. >> 그리고 우리는 누구나 스스로 공부할 수 있죠. >> 맞아요.
>> [웃음] >> 그것이 이 MOOC이 무엇인에 대한 답입니다. >> [웃음] 이봐요, 우리는 같이 배우고 있어요. 저는 한동안 기계학습에 대해 공부하고 있었고 저는 기계학습의 폭넓은 세팅 범위에 대한 메소드에 매우 흥미를 가졌습니다. 저는 기계학습을 사용해서 결정을 내리는 planning under uncertainty라고 불리는 이론적인 알고리즘에 대해 연구해왔습니다. 저는 분포된 센서들을 통해 센서 데이터, 센서 네트워크라고 불리는 것에 대해 연구해왔고 이것은 오늘날 사물인터넷이라고 불립니다. 하지만 이것은 매우 오래 전 일이고, 그런 다음 저는 큰 스케일의 기계학습에 집중하였습니다. 그렇다면 무수히 많은 데이터들에 대해 어떻게 기계학습 메소들을 스케일업 할 수 있을까요? 우리는 이런 아이디어의 일부를 이 전문 파트에서도 사용할 것입니다. 여러분은 어떤가요? >> 저는 Carlos 만큼 긴 히스토리를 가지고 있지 않습니다. [웃음] 하지만 제가 정말 즐겼던 것은 시간열 애플리케이션과 관련해서 일했던 것이죠. 계속해서 들어오는 데이터에서 우리는 데이터의 특정 구조나 패턴에 대해 알아내길 원합니다. 제 리서치에서 제가 가장 많이 집중했던 부분은 고차원적인 것들 또는 시간열의 큰 콜렉션들을 어떻게 스케일업 할 것인가에 대한 것이었습니다. 특히나 그것들이 매우 복잡한 다이나믹을 가졌을 때는 더욱 그렇죠. 그리고 제가 크게 관심을 가졌던 또 다른 것은 흘러들어오는 데이터들에 대해서 온라인에 추론들을 만드는 것이었습니다. 그리고 저는 각기 다른 애플리케이션들을 광범위하게 연구해왔고, 그것은 제가 매우 열정적이게 되는 분야이죠. 지금 바로 그 중 하나를 꼽자면 신경과학을 들 수 있는데, 하지만 저는 또한 음성 데이터, 모션 캡쳐 애플리케이션, 인간 모션의 분석, 금융 데이터 및 리스트 등에 대해서도 공부했습니다. 하지만 많은 데이터들은 실제로 중요한 시간적 구조를 가지고, 저는 여기에 큰 관심을 가지고 있습니다. >> 그렇습니다.
>> 아뇨. 그래요. 그게 다입니다. >> 그리고 우리는 오랫 동안 기계학습에 대해 가르쳐왔고 아마도 University에서
>> 우리들 중 일부는 다른 사람들보다 더 오래되었겠죠. >> 이 농담은 끝나지 않네요. >> 아닙니다.
>> 그리고 많은 사람들이 대학교에 있죠. 이 온라인 코스에서 여러분을 가르치는 것은 우리에게 매우 신나는 경험이 될 것입니다. >> 그렇습니다. >> 그럼 여러분은 왜 이 온라인 코스를 선택하게 되었나요? >> 제가 선택한 이유요? 그것은 매우 좋은 질문입니다. 제가 이 온라인 코스를 선택한 데에는 많은 이유들이 있습니다. 하지만 정말, 가장 근본적인 이유는 어떻게 하면 기계학습을 좀 더 광범위한 대중들에게 퍼뜨릴 수 있는 지에 대해 생각하는 것이었죠. 왜냐하면 개인적으로 저는 매우 다른 배경과 훈련 환경에서 왔기 때문입니다. 그리고 Carlos도 그렇고 저도 그랬죠. 기계학습을 배우려고 노력했고, 통계학을 배웠습니다. 그리고 저는 이것을 매우 광범위한 대중들에게 아주 기초적인 레벨에서 가르칠 수 있는 매우 좋은 방법이 있다고 생각하고, 그것이 제가 열정을 가지는 것 중 하나입니다. 또 다른 이유는 저는 이것을 미래의 다른 목표들, 어떻게 이것을 다른 그룹에 전달하고 University of Washington의 교수 [웃음], 어시스턴트로서 캠퍼스와 소통할 지에 대한 방법입니다. [웃음]
>> 그렇게 오래 동안은 아닐겁니다. 저는 기계학습이 어떻게 가르쳐질지 매우 기대가 큽니다. 그리고 우리는 기계학습에 대한 광범위한 아이디어에 어떻게 새로운 방식으로 접근할 것인지에 대해 많이 생각해왔습니다. 따라서 이 전문과목에서는, 우리가 이 모듈에서 더 많은 이야기를 하면서 우리는 여러분이 다른 수업에서 경험했던 것과 완전히 다른 방식으로 기계학습을 경험하게 될 것입니다. 우리는 먼저 for 애플리캐이션에 먼저 집중할 것입니다. 어떻게 기계학습이 임팩트를 가지고 파고들며, 어떻게 이런 메소드들이 만들어주고 유용해질 수 있는지에 대해 말이죠. 따라서 우리 여정의 일부는 기계학습을 가르치기 위한 새로운 방법을 만드는 것입니다. 이것은 멋지죠. >> 따라서 우리는 기대하고 있죠. >> 그렇습니다. 우리는 흥분되어 있습니다. [웃음] [음악]