AI를 위한 필수 수학 - AI 시스템에 쓰이는 통계학, 선형 대수학, 미적분학

Chapter 1 인공지능 수학을 왜 배워야 할까?
1.1 인공지능이란 무엇일까?
1.2 인공지능이 각광받는 이유는 무엇일까?
1.3 인공지능은 무엇을 할 수 있을까?
1.4 인공지능의 한계는 무엇일까?
1.5 인공지능 시스템이 실패하면 어떻게 될까?
1.6 인공지능은 어디로 향하고 있을까?
1.7 현재 인공지능 분야의 가장 큰 기여자는 누구일까?
1.8 수학이 인공지능에 기여한 점은 무엇일까?

Chapter 2 데이터, 데이터, 또 데이터
2.1 인공지능을 위한 데이터
2.2 실제 데이터와 시뮬레이션 데이터
2.3 수학 모델: 선형과 비선형
2.4 실제 데이터 예시
2.5 시뮬레이션 데이터 예시
2.6 수학 모델: 시뮬레이션과 인공지능
2.7 어디서 데이터를 얻는가?
2.8 데이터 분포, 확률, 통계에서 자주 등장하는 용어
2.9 연속 분포와 이산 분포
2.10 결합 확률 밀도 함수의 힘
2.11 균등 분포
2.12 정규 분포
2.13 자주 사용되는 분포들
2.14 분포의 다양한 의미
2.15 A/B 테스트

Chapter 3 데이터에 함수를 최적화시키는 방법
3.1 유용한 고전 머신러닝 모델들
3.2 수치적 방법과 분석적 방법
3.3 회귀: 숫자 값 예측
3.4 로지스틱 회귀: 이항 분류
3.5 소프트맥스 회귀: 다항 분류
3.6 신경망의 마지막 층에 모델 통합하기
3.7 유명한 머신러닝 방법과 앙상블 방법
3.8 분류 모델의 성능 평가

Chapter 4 신경망을 위한 최적화
4.1 대뇌 피질과 인공 신경망
4.2 훈련 함수: 완전 연결 신경망, 밀집 신경망, 순방향 신경망
4.3 손실 함수
4.4 최적화
4.5 정규화
4.6 머신러닝 모델의 하이퍼파라미터
4.7 연쇄 법칙과 역전파
4.8 입력 데이터 피처의 중요도 평가

Chapter 5 합성곱 신경망과 컴퓨터 비전
5.1 합성곱과 교차 상관관계
5.2 시스템 설계 관점에서의 합성곱
5.3 합성곱과 1차원 이산 신호
5.4 합성곱과 2차원 이산 신호
5.5 선형 대수 표기법
5.6 풀링
5.7 이미지 분류를 위한 합성곱 신경망

Chapter 6 특이값 분해: 이미지 처리, 자연어 처리, 소셜 미디어
6.1 행렬 분해
6.2 대각 행렬
6.3 공간상 선형 변환인 행렬
6.4 행렬 곱셈을 위한 세 가지 방법
6.5 큰 크림
6.6 특이값 분해의 구성 요소
6.7 특이값 분해 vs 고유값 분해
6.8 특이값 분해의 계산
6.9 유사 역행렬
6.10 이미지에 특이값 분해 적용하기
6.11 주성분 분석과 차원 축소
6.12 주성분 분석과 클러스터링
6.13 소셜 미디어에서의 응용
6.14 잠재 의미 분석
6.15 랜덤 특이값 분해

Chapter 7 자연어 처리와 금융 인공지능: 벡터화와 시계열 분석
7.1 자연어 처리 인공지능
7.2 자연어 데이터 준비하기
7.3 통계적 모델과 로그 함수
7.4 단어 수에 관한 지프의 법칙
7.5 자연어 문서의 다양한 벡터 표현
7.6 코사인 유사도
7.7 자연어 처리 애플리케이션
7.8 트랜스포머와 어텐션 모델
7.9 시계열 데이터를 위한 합성곱 신경망
7.10 시계열 데이터를 위한 순환 신경망
7.11 자연어 데이터 예제
7.12 금융 인공지능

Chapter 8 확률적 생성 모델
8.1 생성 모델은 어떤 경우에 유용한가?
8.2 생성 모델의 일반적인 수학
8.3 결정론적 사고에서 확률 이론적 사고로의 전환
8.4 최대 가능도 추정
8.5 명시적 밀도 모델과 암시적 밀도 모델
8.6 추적 가능한 명시적 밀도: 믿을 수 있는 가시적인 신경망
8.7 명시적 밀도 - 추적 가능: 변수 변환 및 비선형 독립 성분 분석
8.8 명시적 밀도 - 추적 불가능: 변분 오토인코더의 변분법을 통한 근사화
8.9 명시적 밀도 - 추적 불가능: 마르코프 체인을 통한 볼츠만 머신 근사
8.10 암시적 밀도..