[텐서플로2] 파이썬 머신러닝 완전정복 - 마라톤 기록예측 프로젝트

파이썬과 텐서플로2(Tensorflow2)를 이용하여 머신러닝의 개념과 실전기술을 모두 배우세요.
핵심 주제 별 다섯 가지 다양한 프로젝트를 같이하면서 여러 분의 실력을 키워드립니다.

프로젝트 1. 선형회귀(Linear Regression)의 기본
: 마라톤 남은 구간 기록 예측 

머신러닝의 기본인 선형회귀의 개념을 배웁니다.

선형회귀의 기본개념을 배우고, 파이썬 텐서플로를 사용하여 보스톤 마라톤 데이터를 머신러닝으로 분석하고 예측해 보세요.

약 8만 건의 보스톤 마라톤 빅데이터를 이용하여 원하는 주자를 선택하면 30km까지의 기록을 머신러닝이 학습합니다. 그리고 잔여 구간인 35, 40, 42.195km의 기록을 선형회귀를 이용하여 예측하고 실제 데이터와 비교합니다. 우리는 텐서플로를 이용하여 선형회귀 문제를 해결하는 개념과 기법을 배웁니다. 

프로젝트 2. Multi Variable 회귀(Regression)
: 마라톤 완주 기록 예측

Multi Variable 회귀(Regression)문제를 이해하고 해결방법을 익힙니다.

Multi Variable 회귀(Regression) 문제의 기본과 해결방법을 배워서 성별, 나이, Pace자료를 입력하여 여러 분과 친구들의 보스톤 마라톤 대회 완주기록을 예측하세요.

Multi Variable 회귀(Regression)기법을 이용하여 성별, 나이, Pace 값을 입력받고 약 8만 건의 보스턴 마라톤 빅데이터를 학습한 머신러닝의 완주기록 예측 결과를 확인해 보세요. 마라톤을 뛰지않고도 머신러닝을 학습하고 분석한 데이터를 기반으로 기록을 예측합니다.

프로젝트 3. Multi Variable, Output 회귀(Regression)
: 마라톤 구간 기록 예측

Multi Variable, Output 회귀(Regression)문제를 이해하고 해결방법을 익힙니다.

이번에는 Multi Variable을 입력받아 Multi Output을 출력하는 회귀(Regression) 문제의 기본과 해결방법을 배웁니다. 성별, 나이, Pace자료를 입력하면 보스톤 마라톤 대회 완주기록 뿐 아니라 10, 20, 30Km 구간 별 예상 기록도 함께 예측하세요.

Multi Variable입력과 Multi Output 출력 회귀(Regression)기법을 이용하여 성별, 나이, Pace 값을 입력받고 약 8만 건의 보스턴 마라톤 빅데이터를 학습한 머신러닝이 완주기록 뿐 아니라 10, 20, 30km 구간 별 기록을 예측합니다.

프로젝트 4. Binary Logistic 분류(Classification)
: 마라톤 Qualifying 여부 확인

Logistic Regression/Classification의 기본인 Binary Classification의 개념을 이해하고 해결방법을 익힙니다.

마라톤에 참여여하기 전에 성별, 나이, Pace자료를 입력하여 Qualifying 여부를 확인해 보세요. 지난 보스톤 마라톤 대회 기록을 바탕으로 여러 분의 Qualifying여부를 예측합니다. 

Logistic Regression의 기본인 Binary Classification 기법을 이용하여 마라톤의 Qualifying 여부를 예측합니다. 파이썬 판다스(pandas) 고급기술을 활용하여 약 8만 건의 기존 보스턴 마라톤 데이터에 Qualifying여부를 추가하는 기술도 함께 배웁니다. 

프로젝트 5. Multinomial Logistic 분류(Classification)
: 마라톤 기록등급 예측

Logistic Regression/Classification의 Multinomial Classification의 개념을 이해하고 해결방법을 익힙니다.

마라톤에 참여여하기 전에 성별, 나이, Pace자료를 입력하여 예상되는 기록등급을 확인해 보세요. 지난 보스톤 마라톤 대회 기록을 바탕으로 여러 분의 기록등급을 예측합니다. 

Logistic Regression의 Multinomial Classification 기법을 이용하여 마라톤의 완주 기록을 'Outstanding(>25%)', 'Average(25~75%)'와 'Below(<75%)' 세 가지 등급으로 나누어 여러 분의 예상등급을 예측합니다.  

특별강의

'Model 정확도 99%이상 높이기'라는 특별강의를 추가했습니다. 이 강의는 '[라즈베리파이] IoT 딥러닝 Computer Vision 실전 프로젝트'과정 수강생 분들이 MNIST 손글씨 모델이 아래 사진처럼 '7을 왜 7이라 하지 못하나요?'라는 질문에서 시작되었습니다. 물론 모델의 정확도 뿐 아니라 프로그램 예외처리, MNIST원시데이터 등 다양한 요인이 있지만 기존 Nueral Network 모델이 학습용으로 단순해서 이걸 99.38%까지 정확도를 높이기 위해  Nueral Network 모델을 다시 구성하는 내용을 만들어 봤어요.

앞으로 머신러닝을 활용한 딥러닝, IoT 등 다양한 강의를 기대해 주세요.
강의에 사용한 자료와 프로그램 소스는 제가 운영하는 지식 배움의 터인 크리애플(www.creapple.com) 사이트에서 받으실 수 있습니다.

파이썬의 기본과 데이터시각화, 분석을 위한 과정을 들으시면 프로젝트 수행에 큰 도움이 됩니다.

파이썬 100분 핵심강의
파이썬의 핵심적이고 기본적인
기술을 익히시면 다른 과정에서 큰 힘이 됩니다.

파이썬 데이터시각화 분석 실전 프로젝트

파이썬의 Pandas, Matplotlib, Seaborn 을 이용하여 머신러닝,
딥러닝 등 다양한 프로젝트에서 활용할 수 있는
데이터 시각화와 분석 기술을 한번에 배워 보세요.