제1장 머신러닝 소개
1.1 머신러닝의 개념
1.2 머신러닝의 처리 과정
1.3 머신러닝의 기본 요소
1.4 머신러닝에서의 주제
1.5 학습 시스템 관련 개념

제2장 데이터 표현: 벡터와 행렬
2.1 벡 터
2.2 행 렬

제3장 데이터 분포: 확률과 통계
3.1 확률변수와 확률분포함수
3.2 랜덤벡터와 통계량

제4장 지도학습: 분류
4.1 분류의 개념
4.2 베이즈 분류기
4.3 K-최근접이웃 분류기

제5장 지도학습: 회귀
5.1 회귀의 개념
5.2 선형회귀
5.3 선형회귀의 확장
5.4 로지스틱 회귀

제6장 비지도학습: 군집화
6.1 군집화의 개념
6.2 K-평균 군집화
6.3 계층적 군집화

제7장 데이터 표현: 특징추출
7.1 선형변환에 의한 특징추출
7.2 주성분분석법
7.3 선형판별분석법
7.4 거리 기반 차원 축소 방법

제8장 앙상블 학습
8.1 앙상블 학습의 개념
8.2 배깅과 보팅
8.3 부스팅
8.4 결합 방법

제9장 결정 트리와 랜덤 포레스트
9.1 결정 트리
9.2 랜덤 포레스트

제10장 SVM과 커널법
10.1 선형 분류기
10.2 SVM 분류기
10.3 커널법

제11장 신경망
11.1 신경망 개요
11.2 다층 퍼셉트론
11.3 학습 알고리즘

제12장 딥러닝
12.1 딥러닝의 등장
12.2 학습 성능 향상을 위한 기법
12.3 합성곱 신경망(CNN)
12.4 순환 신경망(RNN)

제13장 딥러닝 응용
13.1 컴퓨터비전
13.2 자연어처리

제14장 강화학습
14.1 강화학습의 개요
14.2 Q-학습과 심층 Q-신경망

이관용

연세대학교 전산과학과(이학사)
연세대학교 대학원 전산과학과(이학박사)
일본 도쿄대학 방문연구원
•현재: 한국방송통신대학교 컴퓨터과학과 교수

박혜영

연세대학교 전산과학과(이학사)
연세대학교 대학원 컴퓨터․산업시스템공학과(공학박사)
일본 이화학연구소 뇌과학연구센터 연구원
•현재: 경북대학교 컴퓨터학부 교수