머신러닝 기초부터 탄탄히 정복하기

이론과 실전은 다릅니다. 이론으로 배우는 내용이 실전에서는 먹히지 않는 경우가 많습니다. 

Q. 강의를 듣기 위해 수학적 지식이 많이 필요한가요?

학부 수준의 통계학을 필요로 하지만, 관련 지식이 없으셔도 무방합니다. 

Q. R을 다룰 줄 알아야 하나요?

네, R 또는 Python을 어느 정도 할 줄 안다는 전제하에 수업을 진행합니다. 아래 <R프로그래밍 기초 다지기> 수업을 들으시길 권장드립니다.

R프로그래밍 기초 다지기
데이터 분석, R프로그래밍이 처음이라면?무료 강의

🌈 머신러닝과 딥러닝의 기본 개념

머신러닝이란 무엇이고, 머신러닝으로 무엇을 할 수 있는지에 대해 다루어 봅니다. 또한, 머신러닝과 딥러닝의 차이점이 무엇이고, 다양한 머신러닝 모델들과 딥러닝 모델들에 대해 간략하게 소개합니다. 더불어 머신러닝과 딥러닝 분야에서 공통적으로 발생하는 과적합 현상에 대해 다루어봅니다. 

🌈 (통계학에서 바라보는) 선형 회귀 모델

머신러닝을 배울 때 항상 처음 배우는 모델이 선형 회귀 모델입니다. 그만큼 쉽고 간단한 모델이지만, 성능이 좋지 않다는 많이 쓰이지 않는 경향이 있습니다. 하지만 선형 회귀 모델은 현업에서 많이 사용되고, 선형 회귀 문제에서는 강력한 도구입니다. 가장 기본이되는 이론과 개념을 집중적으로 다루어 봅니다.

🌈 필수적으로 알아야 할 여러 머신러닝 모델들
(Decision Tree, kNN, Ensemble Learning, Clustering, Shap Value)

필수적으로 알아야 할 머신러닝 모델들에 대해 다루어봅니다. 수학적인 내용보다는 이해하기 쉽도록 개념 위주로 강의를 진행합니다. 많이 쓰이지는 않는 모델인 Decision Tree, kNN등과 같은 모델들은 단일 모델로서는 잘 쓰이지는 않지만 다른 분야 또는 모델에서 다양하게 활용됩니다. 그러므로 등한시 해서는 절대 안 됩니다. 다양한 모델들의 개념들과 활용법을 익히고, eXplainable AI로 각광받고 있는 ShapValue에 대해서도 소개합니다.

🌈 Class imbalanced problem과 해결 방법들

클래스 불균형 문제는 생각보다 다양한 분야에서 빈번하게 발생하고, 다양한 문제를 야기시킵니다. 대표적으로 다수의 클래스 편향적으로 모델이 학습하여 예측 성능이 저하된다는 점을 들 수 있습니다. 이러한 문제점을 해결하기 위한 다양한 기법(Resampling method)들에 대해 소개합니다.

🌈 데이터 사이언티스트로서 실험을 설계하는 방법

데이터를 분석하는 것은 단순히 데이터를 읽고 모델을 적합하는 과정으로 끝나지 않습니다. 기본적은 데이터 전처리를 거치고 Y값을 예측하기 위해 주요 파생 변수를 생성시키고, 적절한 실험 설계를 필수적으로 진행해야 합니다. 다양한 상황에 맞는 실험 설계와 데이터 사이언티스트로서 알아야 할 필수적인 지식을 전달해 드립니다.

코코님으로부터 온 편지 💌