수학 주제 → 머신러닝 알고리즘 연결 맵
어디까지 알아야 하나요?
| 학습자 유형 | 필수 | 권장 | 선택 |
|---|---|---|---|
| 머신러닝 입문자 | - | 선형대수(벡터/행렬), 확률(기초) | 최적화, 정보 이론 |
| 데이터 분석가 | 확률과 통계 | 선형대수, 최적화 | 정보 이론, 미적분 |
| 머신러닝 엔지니어 | 선형대수, 최적화, 미적분 | 확률과 통계, 정보 이론 | - |
| 연구자/대학원생 | 전체 | - | - |
선형대수 핵심
벡터, 행렬, 고유값 — PCA와 SVM의 수학적 기반
확률과 통계
확률 분포, 베이즈 정리 — Naive Bayes와 통계 모델의 기반
최적화 기초
경사하강법, 손실함수 — 모든 학습 알고리즘의 핵심 엔진
정보 이론 기초
엔트로피, 정보 이득 — 결정 트리와 특성 선택의 기반
미적분 핵심
편미분, 체인 룰 — 경사하강법과 역전파의 수학적 기반
언제 쓰나
현재 문제의 목표 지표와 데이터 특성을 먼저 확인한 뒤 적용합니다. 작은 실험셋으로 빠르게 기준 성능을 확인한 뒤, 필요하면 더 복잡한 모델로 확장합니다.실무 적용 체크리스트
- 데이터 누수 가능성을 먼저 점검했습니다.
- 학습/검증/테스트 분할 기준을 고정했습니다.
- 핵심 지표(예: F1, RMSE, AUC)를 명시했습니다.
- 베이스라인 대비 개선폭과 비용 변화를 함께 기록했습니다.
자주 나는 실수
- 데이터 분할 전에 전처리를 수행해 데이터 누수가 발생합니다.
- 단일 지표만 보고 모델을 선택해 운영 성능이 불안정해집니다.
- 하이퍼파라미터를 과도하게 조정해 검증셋 과적합이 생깁니다.
다음 문서
다음: 선형대수 핵심
학습 흐름을 이어서 진행합니다.