[음악] 이제 여러분은 미래의 기계 실행에 대해 들떠 있을 것입니다. 이제 우리가 specialization에서 배울 것들에 대해 이야기해보죠. regression 코스에서는 여러분은 regression이 무엇인지 알고 있습니다. 우리는 모델들에 대한 다른 공식들에 대해 좀 더 자세하게 알아볼 것입니다. 예를 들어, 많은 특성들에 대해 어떻게 대처하는지에 대한 방법, 즉 우리가 이 코스에서 배우지 않았던 것에 대해 말이죠. 그리고 우리는 이런 모델들에 적용되는 알고리즘에 대해 매우 구체적으로 이야기해볼 것입니다. 따라서 서로 다른 최적화 알고리즘, 우리는 거기에 우리가 이야기할 수 있는 코스트, 사각형들의 잔여 값의 총 합을 최소화 하는 것에 대해 기억하세요. 우리는 gradient descent 그리고 coordinate desent와 같은 서로 다른 알고리즘에 대해 이야기할 것이며 이를 통해 실제로 최적화를 해볼 것입니다. 그런 다음 이 집의 판매가를 예측하는 케이스 학습을 통해서 많은 여러 분야에서의 기계 학습에 대한 기초에 대해 많은 컨셉들을 배울 것입니다. 그리고 이 중의 어떤 것들은 우리가 코스트를 측정하는 방법에 대해서 다룰 것입니다. 우리는 모델을 선택하는 것과 우리의 모델의 오버피팅이 대해 대처하는 것에 대해 어떻게 생각하는지에 대해 말이죠. 우리는 이 문맥에서 이것에 대해 좀 더 탐구할 것입니다. 하지만 이런 아이디어들은 regression과 집의 판매가를 예측하는 범위를 훨씬 넘어섭니다. classificaiton 코스에서 우리는 liniear 분류법들의 특정 예제들에 대해 이야기할 것입니다. 우리는 또한 무수히 많은 특성들을 스케일업 하는 메소드에 대해 이야기할 것이고 이 고차원적인 특성을 묘사하는 분류법들을 생성해볼 것입니다. 그리고 우리는 이런 유형의 classification들의 성과를 위한 알고리즘에 대해서도 이야기할 것입니다. 특히, 우리가 매우 방대한 데이터 세트를 스케일업 하게 도와주는 최적화 알고리즘에 대해서 살펴볼 것입니다. 그리고 우리는 또한 우리가 어떻게 boosting이라는 것을 사용해서 서로 다른 모델들을 융합할 수 있는지에 대해 알아볼 것입니다. 그리고 우리는 여러가지의 다른 컨셉들에 대해서도 살펴볼 것입니다. 제가 흥미롭다고 생각하는 한 가지는 온라인 학습이라고 불리는 것인데, 여기서 우리는 지속적으로 데이터를 얻게 되고 우리는 데이터를 얻음과 동시에 지속적으로 추론들을 만들어냅니다. 그런 다음 우리가 클러스팅과 검색 등을 하게 될 때 우리는 클러스팅 작업이 의미하는 것이 무엇인지 그리고 우리의 문서 검색 업무가 무엇인지에 대한 기초적인 아이디어들에 대해 배웁니다. 하지만 우리는 지금보다 더 올라가서, 예를 들어, 우리가 클러스트링에 대해 생각할 때, 어쩌면 문서는 그저 스포트나 세계 뉴스, 과학 또는 엔터테인먼트에 대한 것이 아닐 수 있습니다. 어쩌면 이 문서는 여러 다른 주제들이 혼합된 것으로 되어 있을 수도 있죠. 쉬운 예로 금융과 세계 뉴스에 대한 내용이 모두 담긴 문서를 생각해 볼 수 있습니다. 따라서 우리는 이것을 현재의 우리 데이터에 존재할 지도 모르는 더 복잡한 구조의 모델로 만들 수 있을 지 생각해 볼 것입니다. 그리고 이것들의 알고리즘적인 면에서 우리는 우리가 검색 업무를 할 때 매우 효과적으로 데이터를 검색할 수 있는 방법들에 대해 살펴볼 것입니다. 그리고 우리가 이야기하는 클러스트링 모델 작업을 위한 여러 다른 알고리즘에 대해서도 말이죠. 그리고 우리가 이 코스에서 배우게 될 매우 중요한 컨셉은, 하나는 map-reduce라는 것을 사용하는 대량의 문서들의 콜렉션들을 클러스트링 작업을 스케일업 하는 방법에 대해 생각해 보는 것입니다. 다음으로 우리는 Recommender System과 Dimensionality Reduction 코스로 되돌아갈 것입니다. 그리고 여기에서, 우리ㅏ가 이미 이 코스에서 언급했던 collaborative filtering과 matrix factorization에 대해서도 살펴볼 것입니다. 우리는 또한 고차원의 데이터 세트를 가지고 저차원적인 묘사의 개념의 모델링에 대해서도 생각해 볼 것입니다. 그리고 우리는 이 dimentionality reduction을 위한 알고리즘에 대해 생각해 볼 것입니다. 그리고 우리는 또한 우리가 이 코스에서 설멍했던 matrix factorization 모델의 유형을 규정하기 위한 알고리즘에 대해서도 이야기해볼 것입니다. 이 경우, 우리가 살펴볼 중요한 컨셉은 특히 우리가 matrix factorization에 대해 생각하는 것은 우리가 matrix completion과 같은 것을 하는 것에 대해 생각하는 것과 같다는 것이죠. 그리고 그것이 우리가 모든 알수없는 사각형들을 채우는 장소입니다. 여러분이 만약 이 코스에서 그것을 기억한다면 말이죠. 그리고 더 일반적인, 이 cold-start와 같은 문제는 우리의 recommender system과 같은 경우인데, 이것은 사용자 또는 제품에 대한 정보가 없을 수도 있고 이러한 추천목록을 만들기 원합니다. 그리고 마침내, 우리는 Capstone에 다다를 것입니다. 저는 여려분이 여기에 대한 센스를 가지기를 바라며, 이것은 매우 멋집니다. 이제 여러분은 이 코스를 살펴보았습니다. 여러분은 이 Capstone을 만드는 용어, 우리가 이야기해왔던 컨셉에 대해 이해하고 있을 것입니다. 특히, 우리는 각기 다른 이미지들을 검색하는 의미의 컴퓨터 버전의 중요한 아이디어를 이용해 텍스트 감성 분석을 하기 위한 아이디어들을 통합하는 추천 시스템에 대해서 살펴볼 것입니다. 그리고 이것들을 하기 위해 우리는 딥러닝을 사용할 것입니다. 따라서 거기에는 Capstone에 표현된 딥러닝에 관해 매우 중요하고 좀 더 구체적인 정보들이 있을 것입니다. 그러니 그 포인트에 다다를 수 있도록 하세요. 이것은 매우 멋질 것이며 매우 중요합니다. 그리고 이 모든 것들은 여러분이 지능적인 웹 응용 프로그램을 만들 수 있게 해주고 모두를 놀라게 할 일을 할 수 있게 해줄 것입니다. 단순히 여러분의 친구들이나 가족이 아닌 잠재적인 고용주들까지 말이죠. 물론, 그것은 잠재적인 보너스일 수 있습니다. 하지만 이것은 정말 재미있을 것입니다. 우리는 여러분이 그 포인트를 이해했기를 바라고 Capstone 프로젝트를 즐기기를 바랍니다. [음악]