[간단한 제 소개]

- 수학과 졸업생입니다.

- 핵심 과목으로는 미적, 선대, 확률론, 수통, 수치해석, 해석, 실해석, 대학원 확률론 (실해석 기반), 고차원 통계학 수업들 들었습니다.

- MATLAB, R 기본 할 줄 압니다.

- 기초를 개단단하게 다지는, 미친 이론+implementation 기본기를 갖추는 게 학습 목표입니다.

- 학습 기간은 1년 꼬박, 일주일에 약 10-20시간 정도 투자하는 것으로 생각 중 입니다.

- 이번에 미국 탑스쿨에서 박사를 시작하는데 하는 거 봐서 master out 한 뒤 빅테크 MLE로 가거나 박사 졸업 후 빅테크 RS로 가는 게 목표입니다.


[지금 생각하고 있는 공부 내용–순서대로]

(1) MIT 6.0001 Introduction to Computer Science and Programming in Python 강의 들으면서 숙제, 프로젝트 해보기.

(2) Shalev-Shwartz and Ben-David의 Understanding Machine Learning 읽으면서 learning theory 기초 다지기.

(3) Elements of Statistical Learning 읽고 파이썬으로 library 없이 implement 해보고 (from scratch) scikit-learn의 implementation이랑 비교/분석하며 efficient implementation 공부.

(4) Murphy의 Probabilistic Machine Learning: Advanced Topics 관심 있는 부분만 발췌독.

(5) Goodfellow의 Deep Learning 읽으면서 PyTorch 연습.

(6) Sutskever reading list 읽으면서 implement 연습.

*** 1년 후 (1)–(6)이 끝나면 관심 분야 프로젝트 시작.


[하고 싶은 공부–상기된 학습 목표를 달성하고 시간적, 정신적 여유가 된다면]

(1) Algorithms and data structures - CLRS 읽고 Leetcode 해볼까 생각 중입니다.

(2) Computer architecture - C++/CUDA 배우면서 공부를 해보고 싶습니다.


[질문]

(1) 너무 비효율적인가요? '빼도 되는'이 아니라 '빼야 되는' 것 같은 내용이 있나요?

(2) Outdated 된 게 있나요? 예를 들면 X를 보지 말고 Y를 봐라 같은..

(3) 제가 꼭 봐야 되지만 놓친 내용이 있을까요?


감사합니다.