회귀분석프로그래밍

경기과학기술대학교
천민규

페이스북 트위터 카카오톡 네이버밴드 링크복사

주제분류

공학 >컴퓨터ㆍ통신 >소프트웨어공학
강의학기

2022년 2학기

조회수

1,895

강의계획서

회귀분석의 기본 개념을 학습하고, 파이썬 scikit-learn 라이브러리를 사용하여 linear regression, support vectregression 등 다양한 회귀분석을 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.
	회귀분석의 개념	회귀분석의 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.	선형회귀모델의 개념과 cost function(1)	Linear regression의 특성 및 원리를 이해한다.
	선형회귀모델의 개념과 cost function(2)	Linear regression의 cost function과 cost function을 최소화할 수 있는 최적의 가중치 및 편향을 찾는 학습 (learning) 프로세스를 이해한다.
	gradient descent	최적의 머신러닝 모델을 찾을 수 있는 경사하강법 (Gradient descent)의 개념과 원리, 프로세스를 이해한다.
	simple linear regression 구현	sklearn을 이용하여, 주어진 1차원 특징 X와 타겟 y의 linear regression model을 생성할 수 있다. / 생성된 linear regression model에 새로운 데이터 X를 적용하여 예측값을 확인할 수 있다.
5.	multiple linear regression 구현하기	sklearn을 이용하여, 주어진 다차원 특징 데이터와 타겟 값에 대한 linear regression model을 생성할 수 있다.
6.	overfitting과 underfitting, polynomial regression	underfitting과 overfitting의 개념을 이해한다. / Polynomial regression의 개념을 이해한다. / Polynomial regression을 통해 model을 생성할 때, degree의 영향을 이해한다.
	polynomial regression 구현하기	sklearn을 이용하여, polynomial regression을 구현할 수 있다. / Polynomial regression의 degree가 regression model에 미치는 영향을 이해할 수 있다.
7.	회귀 모델의 평가	Regression model 성능을 평가할 수 있는 척도 mean absolute error, mean squared error, root mean squared error, R2의 개념과 특성을 이해한다.
	regrularization 개념, ridge regression, lasso regression	Bias와 variance의 개념을 파악하고, underfitting과 overfitting과의 관계를 이해한다. /Overfitting을 개선할 수 있는 regularization의 개념과 원리를 이해한다.
	ridge regression, lasso regression 구현	sklearn을 이용하여, ridge regression과 lasso regression을 구현할 수 있다. / ridge regression과 lasso regression의 α 파라미터가 regression model 성능에 미치는 영향을 파악할 수 있다.
8.	SVR개념과 라그랑주 승수법(1)	Support vector regression의 특성과 원리, objective function(목적함수)와 constraints(제약)을 이해할 수 있다.
	SVR개념과 라그랑주 승수법(2)	제약식이 포함된 최적화 문제를 해결하는 lagrange multiplier method에 대해 이해한다.
	SVR의 optimal solution	Lagrange multiplier method를 이용하여 Support vector regression의 primal problem에 대한 dual problem을 찾을 수 있다.
9.	support vector의 특성	Support vector regression에 의해 생성된 model을 구성하는 데이터의 기하학적 의미를 파악한다.
	kernel trick의 개념	Kernel trick의 원리와 효과를 이해하고, support vector regression에 적용할 수 있다.
10.	linear SVR, kernel SVR 구현, 시각화, 성능 비교하기(1)	sklearn을 이용하여, support vector regression model을 생성할 수 있다.
	linear SVR, kernel SVR 구현, 시각화, 성능 비교하기(2)	sklearn을 이용하여, 생성된 support vector regression model을 평가한다.
	linear SVR, kernel SVR 구현, 시각화, 성능 비교하기(3)	support vector regression의 attribute를 알아본다.
11.	decision tree 개념과 학습 프로세스	Decision tree를 통해 regression model을 생성하는 원리와 구조, 학습 프로세스에 대해 이해한다.
	decision tree 구현하기(1)	sklearn을 이용하여, decision tree regression model을 생성한다.
	decision tree 구현하기(2)	decision tree regression model 파라미터 변경의 영향을 파악한다.
12.	random forest 개념과 학습 프로세스	Random forest regression model의 원리와 구조, 학습 프로세스를 이해한다. / Decision tree와 차별화된 Random forest의 특성을 이해한다.
	random forest 구현하기	sklearn을 이용하여 random forest regression model을 구현하고, 성능을 평가할 수 있다. / 구현한 random forest를 구성하고 있는 decision tree를 확인할 수 있다.
13.	gradient boosting 개념과 학습 프로세스	Gradient boosting의 원리와 특성을 이해한다. / Gradient boosting의 학습 프로세스를 이해한다.
	gradient boosting 구현하기	sklearn을 이용하여, gradient boosting regression model을 설계할 수 있다. / 설계한 gradient boosting regressor의 성능을 평가하고, regression model을 구성하는 decision tree를 확인할 수 있다.