1. |
|
강의자료 |
강의자료 |
|
1. |
|
인공지능, 머신러닝의 개념 |
인공지능, 머신러닝 프로그래밍에 필요한 Python library에 대해 알아본다. / 인공지능과 머신러닝의 개념을 이해한다. |
|
|
|
분류의 개념 |
분류의 개념과 프로세스를 이해한다. |
|
|
|
pandas 라이브러리의 활용 |
머신러닝 프로그래밍에서 활용하는 pandas library에 대해 알아본다. |
|
2. |
|
NumPy 라이브러리 활용하기 |
머신러닝 프로그래밍에서 활용하는 NumPy library에 대해 알아본다. |
|
3. |
|
scikit-learn 라이브러리 활용하기 |
머신러닝 프로그래밍에서 활용하는 scikit-learn library에 대해 알아본다. |
|
|
|
matplotlib 라이브러리 활용하기 |
머신러닝 프로그래밍에서 활용하는 matplotlib library에 대해 알아본다. |
|
4. |
|
KNN의 개념과 over/underfitting |
K-nearest neighbors를 통해 데이터를 분리하는 과정을 이해한다. |
|
|
|
KNN 구현하기 |
K-nearest neighbors를 통해 데이터를 분리하는 과정을 이해하고 구현해본다. |
|
5. |
|
logistic regression의 개념, 원리 |
Logistic regression의 개념과 logistic regression을 이용한 binary classification model 설계의 원리를 학습한다. |
|
|
|
logistic regression 구현하기 |
sklearn을 이용하여, 2개의 class를 분류하는 logistic regression model을 생성할 수 있다. / 생성된 logistic regression model에 새로운 데이터 X를 적용하여 해당 데이터가 속하는 class를 예측할 수 있다. |
|
6. |
|
confusion matrix와 ROC curve(1) |
분류 모델의 성능을 평가하는 confusion matrix, precision, recall의 개념을 이해한다. / Confusion matrix를 통해 분류 모델의 성능을 평가할 수 있다. |
|
|
|
confusion matrix와 ROC curve(2) |
False positive rate과 True positive rate의 의미를 이해하고 ROC curve를 그릴 수 있다. / ROC curve를 비교하여 분류 모델의 성능을 비교 및 평가할 수 있다. |
|
|
|
confusion matrix와 ROC curve를 이용하여 성능평가 구현하기 |
sklearn을 이용하여, classification 결과에 대한 confusion matrix를 찾고 ROC curve를 그릴 수 있다. |
|
7. |
|
SVM개념과 라그랑주 승수법 |
Support vector machine의 특성과 원리, objective function(목적함수)와 constraints(제약)을 이해할 수 있다. |
|
|
|
SVM의 lagrange multiplier method |
제약식이 포함된 최적화 문제를 해결하는 lagrange multiplier method에 대해 이해한다. |
|
|
|
SVM의 optimal solution |
Lagrange multiplier method를 이용하여 Support vector machine의 optimal solution을 찾을 수 있다. |
|
8. |
|
kernel trick의 개념 |
Kernel trick의 원리와 효과를 이해하고, support vector machine에 적용할 수 있다. |
|
|
|
분류 결과 시각화하기 |
meshgrid와 contourf를 이용하여 분류 결과를 시각화할 수 있다. |
|
9. |
|
linear SVM, kernel SVM 구현, 시각화, 성능 비교하기(1) |
sklearn을 이용하여, 다양한 kernel trick을 적용한 support vector machine을 생성하고, 분류 성능을 비교할 수 있다. |
|
|
|
linear SVM, kernel SVM 구현, 시각화, 성능 비교하기(2) |
Support vector machine에 의한 분류 결과를 시각화할 수 있다. / SVM model의 attribute를 확인한다. |
|
10. |
|
decision tree 개념과 학습 프로세스 |
Decision tree를 통해 classification model을 생성하는 원리와 구조, 학습 프로세스에 대해 이해한다. |
|
|
|
decision tree 구현하기 |
sklearn을 이용하여, decision tree classification model을 생성하고, 파라미터 변경의 영향을 파악한다. |
|
11. |
|
random forest 개념과 학습 프로세스 |
Random forest classification model의 원리와 구조, 학습 프로세스를 이해한다. / Decision tree와 차별화된 Random forest의 특성을 이해한다. |
|
|
|
random forest 구현하기 |
sklearn을 이용하여 random forest classification model을 구현하고, 성능을 평가할 수 있다. / 구현한 random forest를 구성하고 있는 decision tree를 확인할 수 있다. |
|
12. |
|
AdaBoost 개념과 학습 프로세스 |
AdaBoost classification model의 원리와 구조, 학습 프로세스를 이해한다. / Random forest와 차별화된 AdaBoost의 특성을 이해한다. |
|
|
|
AdaBoost 구현하기 |
sklearn을 이용하여, AdaBoost classifier를 생성하고, 생성된 모델을 검토한다. |
|
13. |
|
gradient boosting 개념과 학습 프로세스(1) |
Gradient boosting의 원리 및 특성, AdaBoost와의 차이점을 이해한다. / Gradient boosting에서 이용하는 log(odds), loss function, loss function의 미분에 대해 학습한다. |
|
|
|
gradient boosting 개념과 학습 프로세스(2) |
Gradient boosting classifier의 학습 과정을 이해한다. |
|
|
|
gradient boosting 구현하기 |
sklearn을 이용하여, gradient boosting model을 생성하고, 생성된 모델을 검토한다. |
|