[Articles] OPT-OUT: Investigating Entity-Level Unlearning for Large Language Models via Optimal Transport
Developed a new unlearning technique (OPT-OUT), a technique that removes a certain entity’s data without seriously harming model’s performance.
Data Science & ML
Unending Data Science & ML Study
[Articles] PromptDresser: Improving the Quality and Controllability of Virtual Try-On via Generative Textual Prompt and Prompt-aware Mask
Developed PromptDresser, a powerful virtual clothing tool with distinctive masking techniques.
[Articles] Reversible Instance Normalization for Accurate Time-Series Forecasting Against Distribution Shift
An overview of RevIN, a simple yet effective normalization method that tackles the distribution shift problem in time-series forecasting by reversibly removi...
[Articles] StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation
An overview of StarGAN, a novel and scalable approach that can perform image-to-image translations for multiple domains using only a single model.
[Articles] Improving Language-Understanding by Generative Pre-Training
Introducing Generative Pre-Training (GPT) model.
[Articles] Robust deep learning-based protein sequence design using ProteinMPNN
ProteinMPNN, a powerful deep learning tool for protein designing.
[Articles] Highly accurate protein structure prediction with AlphaFold
AlphaFold, solving the grand challenge of predicting protein structure by using Deep NN.
[Articles] A universal SNP and small-indel variant caller using deep neural networks
Introducing Deep Variant, powerful AI tool for finding variation on genome.
[Articles] Learning Transferable Visual Models From Natural Language Supervision
CLIP, which learns transferable visual models from natural language supervision, enabling powerful zero-shot capabilities.
[Articles] Mastering the game of Go with deep neural networks and tree search
Introduced AlphaGo, which showed the power of Al to humanity.
[Articles] BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
Introducint BERT, bidirectional pre=training with Transformer
[Articles] Attention is All You Need
The foundational paper for modern NLP models, replacing RNNs with a self-attention mechanism.
[Articles] Denoising Diffusion Probabilistic Models
Diffusion Model
[Articles] ImageNet Classification with Deep Convolutional Neural Networks
AlexNet, the starting point of CNN
[Articles] Learning representations by back-propagating errors
Backpropagation
[Research Paper] Attention Is All You Need
Transformer: Only Using Attention
[SQL First Step] 36. Transaction
Transaction, Commit, Rollback
[SQL First Step] 35. Normalization
Normalization
[SQL First Step] 34. Designing Database
Database Design, ER Diagram
[SQL First Step] 33. Relational Model
Relation and Relational Algebra
[SQL First Step] 32. Table Joining
Table joining, INNER JOIN and LEFT JOIN
[SQL First Step] 29. Index Creation and Deletion
Creating and deleting index
[SQL First Step] 28. Index Structure
Index and its data structure, binary tree
[SQL First Step] 27. Constraints
Constraints, Primary key
[SQL First Step] 26. Table Create, Delete, and Change
Table Creating, Deleting and Changing Columns
[SQL First Step] 25. Database Object
Database object, Schema
[SQL First Step] 24. Correlated Subquery
EXISTS, Correlated Subquery, IN
[Research Paper] Titans: Learning to Memorize at Test Time
Long-term memory module and Titans Architecture
[SQL First Step] 23. Subquery
Subquery
[SQL First Step] 21. Aggregate Function Other than COUNT
SUM, AVG, MIN, MAX
[SQL First Step] 20. Getting the Number of Rows - COUNT
Aggregate function and COUNT
[SQL First Step] 19. Hard Delete and Soft Delete
Hard delete and Soft delete
[SQL First Step] 17. Deleting - DELETE
Delete rows with DELETE
[Hands-On ML] 19. Training and Deploying TensorFlow Models at Scale - 6
Large Scale Training and Hyperparameter Tuning in Vertex AI
[SQL First Step] 15. Date Transformation with CASE
CASE to transform data
[SQL First Step] 14. Date Operations
Datetime Operations
[SQL First Step] 13. Character Operations
Character Operations, CONCAT, SUBSTRING, TRIM, CHARACTER_LENGTH and OCTET_LENGTH
[SQL First Step] 12. Numerical Operations
Numerical Operations, Functions
[SQL First Step] 11. Limit the Returning Rows - LIMIT
LIMIT and OFFSET
[SQL First Step] 10. Sorting by Specifying Multiple Columns
Sorting by Specifying Multiple Columns
[Research Paper] DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
DeepSeek-R1
[Hands-On ML] 19. Training and Deploying TensorFlow Models at Scale - 5
Bandwidth Saturation, TensorFlow Cluster
[SQL First Step] 9. Sorting - ORDER BY
Sorting using ORDER BY
[SQL First Step] 8. Search by Pattern Matching
Pattern matching
[Hands-On ML] 19. Training and Deploying TensorFlow Models at Scale - 4
Parallel Execution on Multiple Devices, Training Model on Multiple Devices
[SQL First Step] 7. Combining Conditions
AND, OR, NOT
[SQL First Step] 6. Specifying Conditions
SELECT and WHERE for specifying conditions
[Hands-On ML] 19. Training and Deploying TensorFlow Models at Scale - 3
Model on mobile, embedded and webpage. Using GPU to speed up.
[SQL First Step] 5. Refer to Table Structure
DESC and datatype
[SQL First Step] 4. Hello World
Basic form of SQL command
[Hands-On ML] 19. Training and Deploying TensorFlow Models at Scale - 2
Distribute model and make a prediction with Vertex AI
[SQL First Step] 3. Database Server
Client/Server Model, CGI
[SQL First Step] 2. Various Database
Types of DB, Dialect SQL
[SQL First Step] 1. Database
Database, DBMS, SQL
[Research Paper] Human-level concept learning through probabilistic program induction
BPL model, whose performance is better than human.
[Hands-On ML] 18. Reinforcement Learning - 4
Variation of Q-Learning, Other RL Algorithms
[Hands-On ML] 18. Reinforcement Learning - 3
Temporal Difference Learning, Q-Learning, Deep Q-Network
[Hands-On ML] 18. Reinforcement Learning - 2
Credit Assignment Problem, Policy Gradient, MDP
[Hands-On ML] 18. Reinforcement Learning - 1
Basic concept of RL, Policy, OpenAI Gym, NN policy
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 4
StyleGAN, Diffusion model
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 3
GAN, DCGAN, ProGAN
[Hands-On ML] 17. Autoencoders, GANs, and Diffusion Models - 2
Convolutional Autoencoder, Denoising Autoencoder, Sparsity Autoencoder, Variational Autoencoder
Predict WAR with Classic Stats
An innovative ensemble model that can predict baseball WAR
[Research Paper] Visualizing Data using t-SNE
Introduction of t-SNE
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 5
Vision Transformer, Hugging Face
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 4
Multi-head Attention of transformer, GPT, BERT, DistilBERT, and PaLM
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 3
Bidirectional RNN, Beam Search, Attention Mechanism, Transformer
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 2
Sentiment Analysis, Encoder-decoder translation
[Hands-On ML] 16. Natural Language Processing with RNNs and Attention - 1
Character(Char)-RNN
[Research Paper] ImageNet Classification with Deep Convolutional Neural Networks
Competition winnig model of ImageNet 2012
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 3
Long Sequence: Layer Normalization, LSTM, GRU, 1D Conv Layer, WaveNet
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 2
RNN Model Building (from data preparation)
[Hands-On ML] 15. Processing Sequences Using RNNs and CNNs - 1
Time series with RNN
[Research Paper] Deep Learning
Review paper of Deep Learning
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 4
Object Detection, YOLO, Tracking, Semantic Segmentation
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 3
Code for ResNet-34, Using Pre-trained Model(+ Transfer learning), and Location Prediction
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 2
Various Structures of CNN
[Hands-On ML] 14. Deep Computer Vision Using Convolutional Neural Networks - 1
Basic concept of CNN, Filter, Pooling
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 3
keras 전처리 층(StringLookup, Hashing, Embedding, TextVectorization, 사전 훈련된 요소 활용, 이미지 전처리), TFDS
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 2
TFRecord 포맷, 프로토콜 버퍼, keras 전처리 층(Normalization, Discretization, CategoryEncoding)
[Hands-On ML] 13장. 텐서플로를 사용한 데이터 적재와 전처리 - 1
Tensorflow를 사용하여 csv 파일 전처리하기
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 3
사용자 정의 훈련 반복, Tensorflow 함수
[Research Paper] A disciplined approach to neural network hyper-parameters: Part 1 – learning rate, batch size, momentum, and weight decay
Which value or method works well for NN hyperparameters?
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 2
사용자 정의 층과 모델, tf.GradientTape()를 이용한 후진 자동 미분
[Hands-On ML] 12장. 텐서플로를 사용한 사용자 정의 모델과 훈련 - 1
Tensorflow 기본 및 사용자 정의 손실 함수, 활성화 함수, 초기화, 규제, 제한, 지표
[Hands-On ML] 11장. 심층 신경망 훈련 - 4
l1, l2 규제, dropout, max-norm, 신경망 설계 가이드라인
[Hands-On ML] 11장. 심층 신경망 훈련 - 3
다양한 고속 Optimizer, 학습 스케줄링
[Hands-On ML] 11장. 심층 신경망 훈련 - 2
배치 정규화, 전이 학습
[Hands-On ML] 11장. 심층 신경망 훈련 - 1
Vanishing, Exploding Gradient, Glorot 초기화, ReLU의 변형
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 4
keras tuner, 하이퍼파라미터 튜닝 가이드라인
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 3
함수형 API, Subclassing API, 모델 저장과 복원, callback, tensorboard
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 2
keras Sequential API
[Hands-On ML] 10장. 케라스를 사용한 인공 신경망 소개 - 1
퍼셉트론과 역전파, 다층 퍼셉트론
[Hands-On ML] 9장. 비지도 학습 - 3
Gaussian Mixture Model
[Research Paper] TacticAI: an AI assistant for football tactics
AI in Football: Corner kick
[Hands-On ML] 9장. 비지도 학습 - 2
이미지 분할, 준지도 학습, DBSCAN
[Hands-On ML] 9장. 비지도 학습 - 1
군집화와 k-means
[Hands-On ML] 8장. 차원 축소 - 2
Random Projection, LLE, 다른 차원 축소 기법
[Hands-On ML] 8장. 차원 축소 - 1
주성분 분석 PCA
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 2
AdaBoost, Gradient Boosting, Histogram-based Gradient Boosting, Stacking
[Research Paper] A Statistical Approach to Language Translation
Outline of automatic translation utilizing statistical information extraction by using large data
[Hands-On ML] 7장. 앙상블 학습과 랜덤 포레스트 - 1
앙상블과 랜덤 포레스트
[Hands-On ML] 6장. 결정 트리
DecisionTree
[Deep Learning Basic Starting with TF] 실습 9. Neural Net for XOR
신경망을 이용한 XOR 문제 해결, 텐서보드
[Hands-On ML] 5장. 서포트 벡터 머신 - 2
SVM의 목적 함수와 커널 트릭의 원리
[Hands-On ML] 5장. 서포트 벡터 머신 - 1
SVM을 사용한 분류와 회귀
[Research Paper] The Unreasonable Effectiveness of Data
Importance of data itself
[Hands-On ML] 4장. 모델 훈련 - 3
로지스틱 회귀와 softmax
[Deep Learning Basic Starting with TF] 실습 7-3-2. Application & Tips: 다양한 Dataset으로 실습
keras로 신경망 구축하기
[Deep Learning Basic Starting with TF] 실습 7-3-1. Application & Tips: Data & Learning
이상치 탐지, fine tuning, feature extraction
[Deep Learning Basic Starting with TF] 실습 7-2-2. Application & Tips: 학습률, 전처리, 오버피팅을 TensorFlow로 실습
정규화, 학습률 감쇠
[Research Paper] Scaling to Very Very Large Corpora for Natural Language Disambiguation
Large Corpora can solve disambiguation of NLP.
[Hands-On ML] 4장. 모델 훈련 - 2
학습 곡선, Ridge, Lasso, Elasticnet, Early Stopping
[Deep Learning Basic Starting with TF] 실습 7-2-1. Application & Tips: 오버피팅(Overfitting) & Solutions
과대적합과 과소적합
[Deep Learning Basic Starting with TF] 실습 7-1. Application & Tips: 학습률(Learning Rate)과 데이터 전처리(Data Preprocessing)
학습 스케줄링과 특성 스케일링, 잡음 처리
[Hands-On ML] 4장. 모델 훈련 - 1
선형 회귀와 정규방정식, 경사 하강법, 다항 회귀
[Deep Learning Basic Starting with TF] 실습 6. Softmax classifier를 TensorFlow로 구현하기
Tensorflow로 softmax 구현하기
[Hands-On ML] 3장. 분류 - 2
다중 분류, 다중 레이블 분류, 다중 출력 분류
[Hands-On ML] 3장. 분류 - 1
이항 분류기, 정밀도, 재현율, ROC 곡선
[Deep Learning Basic Starting with TF] 실습 5. Logistic Regression/Classification를 TensorFlow로 구현하기
텐서플로를 이용한 로지스틱 회귀 구현
[Deep Learning Basic Starting with TF] 5-2. Logistic Regression/Classification의 cost 함수, 최소화
로지스틱 회귀의 비용함수
[Deep Learning Basic Starting with TF] 실습 4. Multi-variable Linear Regression를 TensorFlow로 구현하기
Matrix를 사용하여 선형 회귀 구현하기
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 3
모델 훈련, 평가하고 배포하기
[Deep Learning Basic Starting with TF] 실습 3. Linear Regression and How to minimize cost를 TensorFlow로 구현하기
numpy와 tensorlow를 이용한 경사 하강법 구현
[Hands-On ML] 2장. 머신러닝 프로젝트 처음부터 끝까지 - 1
데이터를 가져와서 시각화로 탐색하기까지
[Deep Learning Basic Starting with TF] 실습 2. Simple Linear Regression를 TensorFlow 로 구현하기
단순 선형 회귀 구현하기
[Deep Learning Basic Starting with TF] 1. 기본적인 Machine Learning 의 용어와 개념 설명
머신러닝의 개념 (다른 포스트로 대체)
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 2
머신러닝의 주요 도전 과제, 데이터셋의 구분, 데이터 불일치
[Hands-On ML] 1장. 한눈에 보는 머신러닝 - 1
머신러닝의 정의와 효용. 머신러닝 시스템의 다양한 분류
[머신러닝을 위한 파이썬] 코스 수료
‘머신러닝을 위한 파이썬’를 수료하며
[머신러닝을 위한 파이썬] 18. Linear Regression - 7
Dev set과 교차 검증의 다양한 방법들
[머신러닝을 위한 파이썬] 16. Linear Regression - 5
다양한 경사하강법 방식, 과대적합을 막기 위한 규제
[머신러닝을 위한 파이썬] 15. Linear Regression - 4
한 개 이상의 특성이 있을 때의 경사 하강법, 모델의 성능 평가하기
[머신러닝을 위한 파이썬] 14. Linear Regression - 3
경사하강법으로 선형 회귀 구현하기
[머신러닝을 위한 파이썬] 13. Linear Regression - 2
실습 - 정규방정식으로 선형 회귀 구현하기
[머신러닝을 위한 파이썬] 12. Linear Regression - 1
선형 회귀, 비용 함수, 정규 방정식
[머신러닝을 위한 파이썬] 11. Data handling - 6
실습 - 비행기 승객 데이터 다루기
[머신러닝을 위한 파이썬] 10. Data handling - 5
결측치 처리, 이산형 데이터 처리, 데이터 스케일링
[머신러닝을 위한 파이썬] 9. Data handling - 4
matplotlib을 통한 데이터 시각화
[머신러닝을 위한 파이썬] 8. Data handling - 3
Pandas의 Groupby, 피벗 테이블, 크로스탭, Merge, Persistence
[머신러닝을 위한 파이썬] 7. Data handling - 2
Pandas의 사용법
[머신러닝을 위한 파이썬] 6. Data handling - 1
NumPy의 사용법
[머신러닝을 위한 파이썬] 4. Linear Algebra (선형대수) - 2
실습 - 유사한 뉴스 선정하기
[머신러닝을 위한 파이썬] 3. Linear Algebra (선형대수) - 1
벡터와 행렬의 연산을 파이썬스럽게 구현하기
[머신러닝을 위한 파이썬] 2. Pythonic Code - 2
파이썬스럽게 코드 짜기 - Asterisk와 collection 모듈
[머신러닝을 위한 파이썬] 1. Pythonic Code - 1
파이썬스럽게 코드 짜기 - split, join, list comprehension, 람다 함수, map, reduce
[Deep Learning Specialization - 4단계] 코스 수료
‘Deep Learning Specialization 4단계’를 수료하며
[Deep Learning Specialization - 4단계] 6. 신경망 스타일 변형
신경망으로 그림의 스타일 바꾸기
[Deep Learning Specialization - 4단계] 5. 얼굴 인식
얼굴 인식을 위한 샴 네트워크, 삼중항 손실
[Deep Learning Specialization - 4단계] 4. 탐지 알고리즘 - 2
IOU, 비최대억제, 앵커 상자. 이를 합한 YOLO 알고리즘
[Deep Learning Specialization - 4단계] 4. 탐지 알고리즘 - 1
물체를 인식하여 경계 상자 그리기
[Deep Learning Specialization - 4단계] 3. convNets-실질적 조언들
컴퓨터 비전에서의 전이학습과 데이터 증가
[Deep Learning Specialization - 4단계] 2. 케이스 스터디 - 2
1 x 1 신경망과 인셉션 신경망
[Deep Learning Specialization - 4단계] 2. 케이스 스터디 - 1
합성곱 층을 사용하는 다양한 신경망
[Deep Learning Specialization - 4단계] 1. 합성곱 신경망 - 1
컴퓨터 비전을 위한 합성곱
[Deep Learning Specialization - 3단계] 코스 수료
‘Deep Learning Specialization 3단계’를 수료하며
[Deep Learning Specialization - 3단계] 7. End-to-End 딥러닝
End-to-end 딥러닝의 개요와 사용 요령
[Deep Learning Specialization - 3단계] 6. 다양한 문제로부터 학습시키기
전이학습과 다중 작업 학습
[Deep Learning Specialization - 3단계] 4. 오차 분석
오차 원인을 발견했을 때 어떻게 해야 하나
[Deep Learning Specialization - 3단계] 3. 사람 수준의 성능과 비교하기
인간의 성능과 AI 모델
[Deep Learning Specialization - 2단계] 코스 수료
‘Deep Learning Specialization 2단계’를 수료하며
[Deep Learning Specialization - 2단계] 8. 프로그래밍 프레임워크 소개
딥러닝 프레임워크와 Tensorflow 구현
[Deep Learning Specialization - 2단계] 5. 하이퍼파라미터 튜닝
초매개변수의 선택과 관련된 다양한 통찰
[Deep Learning Specialization - 2단계] 4. 최적화 알고리즘 - 2
모멘텀 최적화, RMS prop, Adam 최적화 알고리즘. 그리고 학습률 감쇠와 안장지대까지.
[Deep Learning Specialization - 2단계] 4. 최적화 알고리즘 - 1
미니 배치 경사하강법과 지수 가중 평균
[Deep Learning Specialization - 2단계] 3. 최적화 문제 설정
입력 정규화와 경사 검사
[Deep Learning Specialization - 2단계] 1. 머신러닝 어플리케이션 설정하기
모델 생성에 사용되는 여러 집합, 편향과 분산
[Deep Learning Specialization - 1단계] 코스 수료
‘Deep Learning Specialization 1단계’를 수료하며
[Deep Learning Specialization - 1단계] 5. 심층 신경망 네트워크
심층 신경망에서의 정방향 연산과 역방향 연산
[Deep Learning Specialization - 1단계] 4. 얕은 신경망 네트워크
얕은 신경망에 벡터화를 이용한 경사하강법 적용하기
[Deep Learning Specialization - 1단계] 3. 파이썬과 벡터화
벡터화를 통한 반복문 없애기
[Deep Learning Specialization - 1단계] 2. 신경망과 로지스틱회귀
로지스틱 회귀와 경사하강법
[Deep Learning Specialization - 1단계] 1. 딥러닝 소개
신경망이란 무엇인가, 신경망의 종류와 활용
[MIT 데이터 사이언스 기초] 코스 수료
‘MIT 데이터 사이언스 기초’를 수료하며
[MIT 데이터 사이언스 기초] Chapter 14. Classification and Statistical Sins
지도학습 마무리 & 통계의 함정
[MIT 데이터 사이언스 기초] Chapter 13. Classification
지도학습: k-최근접 분류와 로지스틱 회귀
[MIT 데이터 사이언스 기초] Chapter 12. Clustering
비지도학습: 위계적 군집화와 k-평균 알고리즘
[MIT 데이터 사이언스 기초] Chapter 10. Understanding Experimental Data
왜 결정계수가 가장 좋은 모델을 선택하면 안되는가
[파이썬으로 시작하는 데이터 사이언스] 코스 수료
‘파이썬으로 시작하는 데이터 사이언스’를 수료하며
[MIT 데이터 사이언스 기초] Chapter 8. Sampling and Standard Error
1개의 샘플로 할 수 있는 많은 것들
[파이썬으로 시작하는 데이터 사이언스] 5. K-beauty 온라인 판매분석 - 1
tidy 데이터 만들기. 전처리와 시각화의 몇 가지 유용한 팁
[MIT 데이터 사이언스 기초] Chapter 7. Confidence Intervals
중심극한정리를 사용하여 ‘경험적인 규칙’을 룰렛에 적용하기. 확률밀도함수의 원리를 적용한 시뮬레이션으로 원주율의 값 구하기.
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 2
seaborn을 사용한 다양한 시각화, 상관 계수 분석과 heatmap 그리기
[MIT 데이터 사이언스 기초] Chapter 6. Monte Carlo Simulation
몬테 카를로 시뮬레이션과 다양한 확률 법칙
[파이썬으로 시작하는 데이터 사이언스] 4. 건강검진 데이터로 가설검정하기 - 1
그룹화하기와 피벗테이블 만들기, 히스토그램과 막대그래프로 시각화하기
[MIT 데이터 사이언스 기초] Chapter 5. Random Walks
랜덤워크를 이용해서 시뮬레이션 모델 검증하고 변형하기
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 2
시각화의 다양한 방법, 데이터 색인하기, 지도 활용하기
[MIT 데이터 사이언스 기초] Chapter 4. Stochastic Thinking
확률과 이를 구하는 강력한 방법인 시뮬레이션 모델
[파이썬으로 시작하는 데이터 사이언스] 3. 서울 종합병원 분포 확인하기 - 1
결측치 다루기, 기초 통계량 파악하기, pandas만으로 시각화하기
[MIT 데이터 사이언스 기초] Chapter 3. Graph-theoretic Models
그래프와 최적화 문제. 이를 푸는 DFS와 BFS
[MIT 데이터 사이언스 기초] Chapter 2. Optimization Problems
탐색 트리의 개념과 동적 프로그래밍을 이용해 이를 효율적으로 계산하는 방법
[파이썬으로 시작하는 데이터 사이언스] 2. 데이터 분석 준비하기
Pandas로 csv파일 가져오기, 데이터셋 다루기
[MIT 데이터 사이언스 기초] Chapter 1. Introduction and Optimization Problems
간단한 OT, 계산모델, 최적화 모델, 무차별 대입 알고리즘과 탐욕 알고리즘에 대하여