패턴분류프로그래밍

경기과학기술대학교
천민규

페이스북 트위터 카카오톡 네이버밴드 링크복사

주제분류

공학 >컴퓨터ㆍ통신 >소프트웨어공학
강의학기

2022년 2학기

조회수

1,571

강의계획서

패턴분류의 기본 개념을 학습하고, 파이썬 scikit-learn 라이브러리를 사용하여 K-Nearest Neighbor, Support VectMachine, Random Forest등 다양한 패턴 분류를 실습한다.

수강안내 및 수강신청
※ 수강확인증 발급을 위해서는 수강신청이 필요합니다

인공지능, 머신러닝의 개념

차시별 강의

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.