파이썬으로 시작하는 머신러닝+딥러닝(sklearn을 이용한 머신러닝부터 TensorFlow, Keras를 이용한 딥러닝 개발까지)

나에게 필요한 인공지능을 제대로 활용하자

판다스를 이용한 데이터 탐색 과정에서도 충분히 데이터를 이해하고 분석할 수 있지만, 데이터 분석 모델을 사용한다면 좀 더 고도화된 수학, 통계 알고리즘을 적용해 데이터 분석을 진행할 수 있으며 이를 통해 사람의 경험이나 직관으로 발견하지 못했던 새로운 분석 결과를 얻을 수 있습니다. 우리가 흔히 머신러닝, 딥러닝이라고 부르는 것이 데이터 분석 모델이며, 사이킷런(sklearn), 텐서플로우(TensorFlow), 케라스(Keras)가 데이터 분석 모델을 만드는데 사용하는 대표적인 파이썬 프레임워크입니다.

데이터 모델은 단순히 패키지 사용법만 알아서는 제대로 활용하기 어렵습니다. 데이터 분석 모델 생성 절차와 알고리즘의 주요 특징을 이해하고 모델을 설계하는 과정이 필요합니다. 즉, 다양한 데이터 타입(수치형, 범주형, 이미지, 텍스트 등)을 사용하여 분석 모델을 만드는 과정에 대한 전반적인 이해가 선행된 상태에서 특정 목적을 수행하는 알고리즘을 깊이 있게 이해해야 하는 것이죠.

이 강의에서는 다음의 머신러닝, 딥러닝 알고리즘을 다루고 있습니다.

머신러닝

• 의사결정나무(Decision Tree),

• KNN(K Nearest Neighbor)

• SVM(Support Vector Machine)

• 로지스틱회귀(Logistic Regressor)

• 랜덤포레스트(Random Forest)

• LightBGM

• 선형회귀(Linear Regressor)

• K-Means

  
  

딥러닝

• 기본 신경망(Dense)

• 컨볼루션 신경망(CNN, Convolution Neural Network)

• 순환 신경망(RNN, Recurrent Neural Network)

그리고, 잘 굴러가는 알고리즘을 위한 다음의 요소들도 함께 다루고 있습니다.

모델 평가 방법

• 분류(정확도, 특이도, 민감도, 정밀도, ...)

• 회귀(MSE, RMSE, MAPE, 결정계수, ...)

• 군집(실루엣 점수)

데이터 기반의 성능 개선 방법

• 교차검증

• 스케일링

• 차원축소

  
  

모델 기반의 성능 개선 방법

• 앙상블 모델

• 하이퍼 파라미터 튜닝

• 이른 학습 종료

  
  

이 강의의 특징

📌 머신러닝, 딥러닝을 처음 접하는 분을 위한 입문 강의입니다.

📌 머신러닝 프로세스에 기반한 설명으로 모델링의 전반적인 과정을 빠르게 파악할 수 있습니다.

📌 다양한 실습 예제를 통해 데이터 모델링의 기본기를 다질 수 있는 실용 중심의 파이썬 강의입니다.

사이킷런(sklearn), 텐서플로우(TensorFlow), 케라스(Keras)를 이용한 머신러닝&딥러닝

이 강의에서는 머신러닝, 딥러닝을 설명하기에 앞서, 각 모델의 알고리즘이 어떻게 흘러가는지 프로세스를 바탕으로 설명합니다. 그래서 지금 배우는 내용이 전체 프로세스 중 어느 부분에 해당하고, 왜 필요한지를 파악할 수 있어 머신러닝, 딥러닝 모델을 명확하게 이해하고, 큰 흐름을 잡기까지의 시간 투자를 크게 줄일 수 있습니다. 예측 알고리즘이나 분류 알고리즘 학습을 통해 보편적으로 사용할 수 있는 학습 모델을 시작으로 CNN, RNN 등 여러 머신러닝, 딥러닝 모델에 대해 알아보고, 인공지능 활용에 대한 자신감을 얻으시길 바랍니다.

이런 분들께 추천해요

이런 내용을 배워요.

수강 전 참고 사항