AI Master
교육개요
데이터 분석과 예측 모델 구축을 통해 업무 효율을 극대화하세요. 이 과정은 회귀, 분류, 앙상블 학습 등 머신러닝의 핵심을 직장인에게 맞춰 깊이 있게 다룹니다. 모델링부터 평가, 성능 튜닝까지, 실무적 적용 능력을 키워드립니다.
교육목표
머신러닝을 통해 다양한 데이터에서 의미 있는 패턴을 찾아내고, 이를 기반으로 효과적인 예측 모델을 구성하는 기술을 습득합니다.
강의내용
[Chapter1. 머신러닝 이해]
· 학습 목표
머신러닝의 기본 개념 및 원리를 이해하고 다양한 알고리즘의 적용 분야를 파악한다.
· 주요 내용
1. 머신러닝 개념
2. 분류와 회귀
3. 미리 알아둘 용어
[Chapter2. 모델링 코드 구조]
· 학습 목표
머신러닝 모델을 구현하는데 필요한 코드의 기본 구조를 이해하고 작성할 수 있다.
· 주요 내용
1. 모델링 코드 구조
2. 모델링 코드 구조 익히기
[Chapter3. 회귀모델 평가지표]
· 학습 목표
회귀 모델의 성능을 평가하는 지표를 이해하고 모델의 예측력을 개선하는 방법을 학습한다.
· 주요 내용
1. 회귀모델 평가지표 이해
2. R2 Score
3. 회귀모델 평가하기
[Chapter4. 분류모델 평가지표]
· 학습 목표
분류 모델의 성능을 평가하는 다양한 지표를 이해하고 모델의 정확도를 향상시키는 방법을 학습한다.
· 주요 내용
1. 분류모델 평가지표 이해
2. 정확도, 정밀도, 재현율
3. 분류모델 평가하기
[Chapter5. 지도학습]
· 학습 목표
선형 회귀, KNN, Decision Tree, Logistic Regression의 특징, 기본 개념 이해 및 실제 데이터에 모델을 적용할 수 있다.
· 주요 내용
1. Linear Regression 회귀계수 확인
2. KNN 이해 및 스케일링 필요성
3. Decision Tree 이해 및 가지치기, 트리 시각화
4. Decision Tree 변수 중요도 확인
5. Logistic Regression알고리즘 이해
[Chapter6. K-분할 교차 검증]
· 학습 목표
K-분할 교차 검증을 통해 모델의 일반화 성능을 평가하고 향상시키는 방법을 이해한다.
· 주요 내용
1. K-분할 교차 검증이란?
2. K-분할 교차 검증 수행
[Chapter7. 하이퍼파라미터 튜닝]
· 학습 목표
모델의 성능을 높이기 위해 하이퍼파라미터를 조절하는 방법을 습득한다.
· 주요 내용
1. 하이퍼파라미터 이해
2. Random Search, Grid Search
3. Randon Search 수행
4. Grid Search 수행
[Chapter8. 앙상블 알고리즘]
· 학습 목표
다양한 앙상블 기법을 이해하고 여러 모델을 결합하여 성능을 향상시키는 능력을 갖춘다.
· 주요 내용
1. 앙상블 이해
2. Random Forest 알고리즘 이해
3. XGBoost 알고리즘 이해