이 프로젝트는 정규분포, 확률 계산, 몬테카를로 시뮬레이션, 다변량 정규분포를 다루는 과제입니다. Week_2_Machine_learning_2025.ipynb 노트북을 기반으로 하며, 각 Assignment는 통계적 개념을 코드로 실습하도록 구성되어 있습니다.
과제 수행에 필요한 개발 환경을 설정합니다. conda를 사용하여 프로젝트별 가상 환경을 구성하는 것을 권장합니다.
아래 환경으로 실습을 진행하면서 에러가 발생하면 조교에게 문의하세요.
아래 환경을 따르지 않아 발생한 문제는 답변하지 않습니다.
-
Conda 가상 환경 생성
conda create --name ml_2025 python=3.10 -y
-
가상 환경 활성화
conda activate ml_2025
-
필요한 라이브러리 설치
pip install ipykernel python -m ipykernel install --user --name=ml_2025 --display-name "Python (ml_2025)"
Week_2_Machine_learning_2025.ipynb 노트북 안에 포함된 4개의 Assignment를 완성하세요.
AI 도구를 이용하기보다는 직접 코드를 작성하며 통계적 개념을 체득하는 것을 추천합니다.
- Assignment 1: 정규분포 비교
- Assignment 2: 표준 정규분포 확률 계산
- Assignment 3: Monte Carlo로 π 근사
- Assignment 4: 다변량 정규분포 시각화
- Assignment 5: 정규화 계수가 모델의 복잡도와 일반화 성능에 미치는 영향을 분석하고 설명하기
-
Jupyter Notebook 실행
jupyter notebook Week_2_Machine_learning_2025.ipynb
-
각 Assignment 문제 풀이
- 지정된 셀 안의 코드를 완성합니다.
- 그래프나 수식 결과를 확인하세요.
-
출력 확인
- Assignment 1: 여러 정규분포 곡선이 한 그래프에 표시되는지 확인합니다.
- Assignment 2: (P(-2<Z<2)) 값이 올바르게 계산되는지 확인합니다.
- Assignment 3: Monte Carlo로 추정한 π 값이 3.14 근처에 수렴하는지 기록합니다.
- Assignment 4: 분산 구조가 반영된 다변량 정규분포 시각화가 출력되는지 확인합니다.
- Assignment 5: 분산 구조가 반영된 다변량 정규분포 시각화가 출력되는지 확인합니다.
여러 개의 정규분포를 생성하여 그래프로 비교합니다.
- 평균과 표준편차를 바꿔가며 곡선의 이동과 형태 변화를 관찰하세요.
- 각 곡선은 다른 색상과 범례(legend)로 구분하세요.
표준 정규분포 (Z \sim N(0,1))에서
확률 (P(-2 < Z < 2)) 를 계산합니다.
Normal().cdf함수만 사용 가능합니다.- 다른 함수 사용 시 0점 처리됩니다.
몬테카를로 시뮬레이션으로 원주율 (\pi) 를 근사합니다.
- 점의 개수(
number_of_drops)를 점차 늘려가며 수렴 과정을 확인합니다. - π 값이 3.14 근처에 수렴하기 시작하는 지점을 기록하세요.
2차원 다변량 정규분포를 생성하고 시각화합니다.
- (X)의 분산 = 2
- (Y)의 분산 = 4
- 결과는 제시된 예시 이미지와 유사해야 합니다.
모델 학습 과정에서 정규화 계수의 역할과 최적 선택 방법을 탐구하세요.
-
정규화 계수 선택
- 모델 학습에서 정규화 계수(regularizer strength)를 어떻게 선택하는 것이 최적일까요?
-
계수 크기에 따른 영향
- 정규화 계수가 너무 작은 경우 모델에 어떤 영향을 줄까요?
- 정규화 계수가 너무 큰 경우 모델에 어떤 영향을 줄까요?
- 레포를 로컬에 pull 받은 후, 노트북의 각 Assignment 셀을 완성하세요.
- 그래프와 계산 결과가 포함된 상태로 저장합니다.
- push를 하면 자동으로 과제가 제출됩니다.
과제의 목표는 직접 코드 구현을 통해 개념을 이해하는 것입니다.
따라서 다음과 같은 경우 0점 처리될 수 있습니다.
- 고수준 라이브러리 함수를 사용하여 문제를 한 줄로 해결한 경우
- 노트북에 코드 실행 결과나 그래프가 포함되지 않은 경우