전체교육일정
교육개요
데이터 분석에서 실질적인 인사이트를 도출하는 데 머신러닝은 필수입니다. 이 과정은 재직자분들이 모델링, 평가, 앙상블 기법을 통해 복잡한 데이터 속 의미 있는 패턴을 발견하고 예측 모델을 구축하는 법을 익힙니다. 데이터로부터 현명한 의사결정을 내리는 능력을 키우세요.
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 파악합니다.
· 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 있습니다.
· 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 학습합니다.
· 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 학습합니다.
· 주요 내용
1. 분류모델 평가지표 이해
2. 정확도, 정밀도, 재현율
3. 분류모델 평가하기
[Chapter5. Linear Regression]
· 학습 목표
선형 회귀 모델의 기본 개념 및 구현 방법을 이해하고 실제 데이터에 모델을 적용할 수 있습니다.
· 주요 내용
1. 알고리즘 원리 이해
2. 모델 구현
3. 회귀계수 확인
[Chapter6. KNN]
· 학습 목표
KNN 알고리즘의 작동 원리를 이해하고 다양한 데이터셋에 대해 적용할 수 있습니다.
· 주요 내용
1. 알고리즘 이해
2. 모델 구현
3. 스케일링 필요성
[Chapter7. Decision Tree]
· 학습 목표
Decision Tree의 구성과 활용 방법을 이해하고 복잡한 의사결정을 모델링할 수 있습니다.
· 주요 내용
1. 알고리즘 이해
2. 모델 구현
3. 가지치기, 트리 시각화
4. 변수 중요도 확인
[Chapter8. Logistic Regression]
· 학습 목표
Logistic Regression의 특징과 사용법을 학습하고 이를 이용하여 이진 분류 문제를 해결할 수 있습니다.
· 주요 내용
1. 알고리즘 원리 이해
2. 모델 구현
[Chapter9. K-분할 교차 검증]
· 학습 목표
K-분할 교차 검증을 통해 모델의 일반화 성능을 평가하고 향상시키는 방법을 이해합니다.
· 주요 내용
1. K-분할 교차 검증이란?
2. K-분할 교차 검증 수행
[Chapter10. 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
[Chapter11. 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. Random Forest 모델 구현
4. XGBoost 알고리즘 이해
5. XGBoost 모델 구현