C언어와 달리, 머신러닝은 한 두 개 코스나 몇 권의 책으로 끝낼 수는 없습니다. 적어도 2~3년은 올인해야 팀원의 한 사람 몫을 담당할 수 있습니다. 다행히 공개된 온라인 코스들이 많고, 그룹 스터디와 질의/답변 역시 활발하므로, 굳이 대학이나 학원에 소속되어 있지 않더라도 일정 수준까지 공부하는 것은 어렵지 않습니다.

영어, 수학, 통계, 물리, 컴퓨터 과학 및 데이터 과학으로 기초를 다진 뒤에 본격적으로 머신러닝을 시작하는 것이 바람직합니다. 아래 표에 나열된 순서대로 학습하십시오. 만약, 기초가 다소 부족할 경우, 아래 표의 PR 과목들을 속성으로 학습해도 됩니다.

영어, 수학, 파이썬 등의 기초를 다진 뒤에, 아래 순서대로 학습하면 대략 1년 정도에 위의 강좌 전체를 일괄할 수 있습니다. 4년 정도 투자할 생각이 아니라면, 직장을 다니면서 공부하기는 무리입니다.

편의상, 머신러닝 학습을 다섯 단계로 나눠 기술합니다.

다음은 제 1단계입니다. 일종의 스파링인 기초 단계인데, 대략 2개월 정도의 학습 분량입니다. 공부하다가 막히는 부분이 있으면, Stackoverflow에 질문하십시오. 늦어도 24시간 이내에 답변이 올라옵니다. 물론 질문은 영어로 해야 겠죠.

1. 제일 먼저 볼 강좌는 이 바닥에서 드물게 한국인인 Sung Kim 교수의 모두를 위한 딥러닝 강좌입니다. 특히, 머신러닝의 핵심 중 핵심 알고리즘인 Backpropagation(열쇠 깎는 방법?) 설명이 훌륭합니다. 머신러닝의 기본 개념을 잡는데는 충분한 강의이며, 하루 이틀이면 모두 시청할 수 있습니다.

2. 다음은 Machine learning in Python with scikit-learn입니다. 파이썬과 머신러닝 라이버러리의 개념을 잡을 수 있으며, 하루 이틀이면 충분합니다.

3. 이어서, Stanford 대학의 Andrew Ng 교수의 강의입니다. 이 분야의 고전이기도 하고, 누군가를 가르치는 재능이 타고난 분입니다. 상당히 쉽게 따라갈 수 있으며, 대략 1~2주면 다 볼 수 있습니다.

4. Stanford 대학의 Sebastian Thrun 교수 역시 Andrew Ng만큼이나 타고난 교직자입니다. 강의 내용이 비슷한 부분도 있고 다른 부분도 있으므로, 1~2주에 걸쳐 시청하십시오.

5. Sebastian Thrun 교수의 다른 강의인 Artificial Intelligence for Robotics는 자율주행 차량의 기본 메커니즘을 설명합니다. 쉽고 재밌습니다.

6. Intro to Computer Vision 강의는 컴퓨터가 사물을 어떻게 인식하는 지 설명합니다. 강의 분량이 상당하므로, 10일 정도 투자해야 합니다. 재밌는 부분만 골라서 봐도 무방합니다.

7. Machine Learning은 별로 알려져 있지 않지만 머신러닝 학습자의 필수 도구(Tool)인 Jupyter를 익히기에 매우 요긴한 강의입니다. 2~3일 정도면 무난합니다.

이어서 아래의 2단계 과정을 진행하십시오. 2단계는 머신러닝의 대표적 알고리즘들을 완전히 이해하는 데 초점을 두고, 약 2~3개월 간 진행하십시오.

8. 제목은 같지만 내용은 다른 Machine Learning은 머신러닝의 다양한 알고리즘들을 익히기에 좋은 강의입니다. 이런 알고리즘들에 대한 지식은 이어지는 여터 강의 시청을 위해 꼭 필요합니다. 7~10일 분량입니다.

9. Neural Networks for Machine Learning — Geoffrey Hinton 2016 강의는 AI의 전설인 Hinton 교수가 진행합니다. Andrew Ng 교수와 Sebastian Thrun 교수가 워낙 가르치는 기술이 탁월하다보니 그에 비교하면, Hinton 교수의 강의는 다소 재미없습니다. 그럼에도 Neural Network의 동작 원리를 이해하는데 빠뜨릴 수 없는 강좌입니다. 대략 1개월 분량입니다.

10. Machine Learning Tutorial 강의는 신세대인 Nando de Freitas 교수가 UBC에 재직 중에 녹화한 것입니다. 학부 수준의 강의로, 머신러닝의 다양한 측면들을 일람하기에 좋습니다. 이 수업은 찾아봐야 할 자료들이 워낙 많아서 학습 기간을 1 개월은 잡아야 합니다. 대신에 다른 강좌들을 쉽게 이어갈 수 있습니다.

11. 카네기멜론 대학이 제공하는 Graduate Artificial Intelligence 강의는 제목은 대학원 과정이지만, 내용 자체는 평이한 수준이며, 깊이있게 하나의 주제를 파는 것이 아니라, 여러 AI 분야들을 대략적으로 소개하는 강의입니다. Nando de Freitas 교수의 학부과정 머신 러닝 다음 강좌로 적합하며, 15일 정도면 무난합니다.

12. MIT 대학의 MIT 6.034 Artificial Intelligence 역시 중급 수준에 적합합니다. MIT의 수업 분위기도 즐길 수 있습니다. 학교마다 약간씩 수업 분위기가 다른 점도 재밌습니다.  

13. 마지막으로 캘리포니아 공대의 Machine Learning Course - CS 156 수업입니다. 제 2단계에서 배운 여러 알고리즘을 정리하기 좋은 강의입니다.  

2단계에서 다양한 알고리즘들을 충분히 숙지했다면, 3단계에서 실제 뉴럴 네트워크를 작성해 보십시오.

14. 버클리 대학의 CS 188은 고전이랄 수 있는데, 직접 AI Pacman이나 여타 게임을 작성해 볼 수 있습니다. 대략 3개월 정도 시간적 여유를 가지고 천천히 진행하십시오. 동료들과 그룹 스터디를 구성하면 더욱 효과적입니다.

15. 아마도 대중적으로 가장 널리 알려진 강의가 스탠포드 대학의 cs231n이지 싶습니다. 강의보다는 ImageNet이라는 콘테스트와 직접 연관되는 점이 그러한 인기의 원인입니다. 이미지 해석에 국한된 강의이므로, 강의 그 자체는 버클리의 CS188에 비해 재미나 범용성이 없습니다. 그럼에도 결코 빠뜨릴 수 없는 강의입니다.

3단계는 대학원 수준의 강의이며, 독학으로 진행하는 것이 무리입니다. 지도자가 필요한데, 구글 검색하면, 어렵지 않게 찾을 수 있을 것입니다.   

16. 옥스포드 대학의 Deep learning 강의는 수학 지식이 탄탄하지 않으면 따라갈 수 없습니다. ‘수학 공부 방법’의 표에 나열된 과목들 가운데 중등과정 마지막 강의까지 마친 뒤, 2~3개월 정도의 시간적 여유를 가지고, 관련 자료들을 찾아보면서 학습해 나가길 권합니다.   

17. DeepMind의 Reinforcement learning 강의는 알파고 개발팀 일원이 직접 강의합니다. 대단히 재밌지만, 앞 서 언급한 1~2단계를 깔끔하게 마무리짓지 못했으면 따라갈 수 없습니다. 대략 1개월 분량입니다.

4단계는 실전에 가까운 연습입니다.

18. MIT의 Deep Learning for Self-Driving Cars 강의를 잘 이해하면, 직접 자율주행 자동차를 제작할 수 있습니다.

19. MIT의 Deep Learning School 2016: Individual Talks은 입가심이랄 수 있습니다. 하루 분량입니다.

5단계는 실전입니다.  

20. https://gym.openai.com/ 에 있는 내용을 모두 이해하고, 응용할 수 있으면, 머신러닝 과정은 끝입니다.