Welcome to the YEE-104 repository! We aim to study Stanford's EE104 course and make machine learning accessible to everyone.
🚀 YEE-104 초딩도 할 수 있는 머신러닝 — 가짜연구소 11기 스터디 프로젝트
“함께 만드는 우연한 혁명(Serendipity Revolution)”
진실함과 신뢰를 바탕으로 AI/DS 혁신 커뮤니티와 기술 실험을 진행합니다.
"이론에서 실전까지, 함께 성장하는 머신러닝 실험실"
YEE-104는 스탠포드 대학교의 EE104(Introduction to Machine Learning) 강의를 'YEE'하게 스터디하는 모임입니다. 데이터 과학과 머신러닝의 이론적 기초를 다루며, 회귀, 분류, 확률적 지도학습, 비지도 학습, 최적화 등 핵심 주제들의 수학적 원리와 이론적 틀을 이해하는 데 중점을 둡니다.
저희는 다음 목표를 가지고 활동합니다.
- 지식 아카이빙: EE104 강의 내용을 블로그 포스트로 정리하고, 누구나 재현 가능한 오픈 실습 노트북을 제공합니다.
- 역량 전환: 이론(수학)–코드(구현)–리포트(설명)의 과정을 통해 ‘아는 것’을 ‘할 수 있는 것’으로 전환합니다.
- 지식 선순환 구축: 스터디–실험–공유의 사이클을 통해 지식의 선순환 구조를 만듭니다.
"16주간 주 1회 발표와 주 1편 글을 작성하면, ML 핵심 개념(일반화, 규제, 최적화)에 대한 설명 및 구현 능력이 상승할 것이다."
| 역할 | 이름 | GitHub / Blog | 주요 관심 분야 |
|---|---|---|---|
| Builder | 임진우 | GitHub / Blog | 항공우주제어시스템, 머신러닝 |
| Runner(s) | 권보원 | GitHub/Linkedin | |
| Runner(s) | 변정우 | ||
| Runner(s) | 윤혁진 | Github /Linkedin | |
| Runner(s) | 채서연 | Github /Linkedin |
💡 수학으로 머신러닝을 '진짜' 이해하고 싶다면 함께해요!
- 머신러닝, 선형대수, 확률과 랜덤 변수 분야에 대한 기본 이해가 필요합니다 (선형대수는 필수, 나머지는 선택).
- 16주간 꾸준히 참여하며, 피드백과 토의에 열린 태도를 가지신 분을 환영합니다.
- 머신러닝을 처음 시작하거나, 기초부터 다시 배우고 싶은 분 모두 환영합니다.
gantt
title YEE-104 스터디 로드맵 (19주)
dateFormat x
axisFormat %s주차
section Part 0: 오리엔테이션 (1주)
Course overview : 1, 1
section Part 1: 예측 모델 기초 (6주)
Predictors : 2, 1
Validation : 3, 1
Features : 4, 1
Empirical risk minimization : 5, 1
Constant predictors : 6, 1
section Part 2: 손실·정칙화·신경망 (3주)
Non-quadratic losses : 7, 1
Non-quadratic regularizers : 8, 1
Neural networks : 9, 1
section Part 3: 분류 (6주)
Classifiers : 10, 1
ERM for classifiers : 11, 1
Boolean classification : 12, 1
Multi-class classification : 13, 1
Probabilistic classification : 14, 1
ERM for probabilistic classification : 15, 1
section Part 4: 비지도·최적화 (3주)
Unsupervised learning : 16, 1
Principal components analysis : 17, 1
Optimization : 18, 1
Prox-gradient method : 19, 1
💡 오픈 아카데미 원칙: 모든 발표자료, 기록, 코드는 GitHub에 공개하며, 누구나 청강, 질문, 피드백에 참여할 수 있습니다.
-
진행 및 발표
- 실명으로 출석하며, 온라인 참여 시 웹캠 사용을 권장합니다.
- 발표 순서는 OT에서 결정하며, 인당 최소 2~3회 발표를 목표로 합니다.
- 모든 슬라이드 및 정리본은 Notion 페이지에 공유합니다.
-
필수 학습 및 실험 활동
- 주차별 발표자는 학습 내용을 블로그에 요약하여 공유합니다.
- 모든 멤버는 스터디 기간 중 최소 1회 이상 Colab/Notebook 숙제를 제작합니다.
- 숙제 예시: 링크 (각자의 도메인 지식과 결합한 재미있는 문제)
- 질문 및 어려운 점은 디스코드에 수시로 공유하며 함께 해결합니다.
| 지표 | 목표치 |
|---|---|
| EE104 전 범위 완독률 | 100% |
| 주차별 요약 블로그 포스트 발행 | 16편 이상 |
| 개인별 오픈 실습 노트북(숙제) 제작 | 멤버당 1회 이상 |
| ML 핵심 개념 설명/구현 능력 향상 (자가 평가) | 참여자 전원 '상승' |
| 주차 | 주제/분량 | 발표/실험/리뷰 내용 | 담당자 | 결과물 |
|---|---|---|---|---|
| 1주 | OT | 스터디 계획 공유, 선형대수 복습 | 빌더 | Notion 페이지 |
| 2주 | Predictors | 개념 설명 | 빌더 | Colab |
| 3주 | Validation | 개념 설명 | 채서연님 | Colab |
| 4주 | Features | 개념 설명 | 윤혁진님 | Colab |
| 5주 | Empharical Risk | 개념 설명 | 변정우님 | Colab |
| 6주 | Constant Predictors | 개념 설명 | 권보원님 | Colab |
| ... | ... | ... | ... | ... |
| 16주 | 최종 회고 및 프로젝트 정리 | 프로젝트 성과 공유 및 회고 | 전원 | 최종 결과물 |
- 공식 커리큘럼: Stanford EE104 (Introduction to ML) - (세부 링크는 OT에서 공유)
- 주요 참고서: Introduction to Applied Linear Algebra: Vectors, Matrices, and Least Squares (Boyd & Vandenberghe)
- 우리가 만들 지식 허브 (Our Outputs):
- 스터디 블로그 아카이브: 매주 학습 내용을 정리한 블로그 포스트 모음
- 오픈 실습 노트북: 각자의 도메인 지식을 활용해 제작한 Colab/Jupyter Notebook 문제
- 첫 모임: 9월 10일 (수) / 오후 10시 ~ 11시
- 정기 모임: 매주 수요일 오후 10시, 디스코드 #Room-미정
- 커뮤니케이션 채널: 디스코드 #yee-104 (채널명 확정 후 수정)
❗️참여 링크: 가짜연구소 디스코드
누구나 청강을 통해 모임에 참여하실 수 있습니다.
- 특별한 신청 없이 정기 모임 시간에 맞추어 디스코드 채널로 입장
- Magical Week 등 가짜연구소 행사에 참가
- Pseudo Lab 오프라인 행사에서 만나기
이 프로젝트는 가짜연구소 Open Academy로 진행됩니다. 여러분의 참여와 기여가 ‘우연한 혁명(Serendipity Revolution)’을 가능하게 합니다. 모두에게 깊은 감사를 전합니다.
YEE-104 is developed as part of Pseudo-Lab's Open Research Initiative. Special thanks to our contributors and the open source community for their valuable insights and contributions.
Pseudo-Lab is a non-profit organization focused on advancing machine learning and AI technologies. Our core values of Sharing, Motivation, and Collaborative Joy drive us to create impactful open-source projects. With over 5k+ researchers, we are committed to advancing machine learning and AI technologies.
This project is licensed under the MIT License.