EunSeo's Dev Story

01 딥러닝 개론 인공지능, 머신러닝, 딥러닝의 관계 - 인공지능은 인공적으로 사람의 지능을 구현하는 것이고, 다양한 방법론 중 하나가 머신러닝이다. - 머신러닝의 다양한 방법론 중 하나가 딥러닝이다. 딥러닝이란? 인공신경망이란? 현대의 다양한 딥러닝 기술 적용 사례 02 퍼셉트론 ( Perceptron ) 1958년 초기 신경망 퍼셉트론의 등장 - 퍼셉트론 : 딥러닝의 가장 기본적인 단위 초기 형태의 신경망, 퍼셉트론 - 퍼셉트론은사람의 신경세포인 뉴런과 비슷한 구조로 만들어졌다. 퍼셉트론의 기본 구조 - 가중치 : 들어오는 신호에 대해 얼만큼 신호를 증폭해주는 정도를 의미한다. - bias : 들어오는 입력값에 상관없이 들어오는 값 활성화 함수 ( Activation Function ) - 활성화 함..

01 회귀 개념 알아보기 예시로 생각해보는 회귀 개념 - 평균 기온을 활용하여 미래 판매량을 예측한다면 실제 판매량만큼만 주문이 가능해 손실이 적어진다. 문제 정의와 해결 방안 회귀 분석이란? - 데이터를 가장 잘 설명하는 모델을 찾아 입력값에 따른 미래 결과값을 예측하는 알고리즘 - 완벽한 예측은 불가능하기에 각 데이터의 실제 값과 모델이 예측하는 값의 차이를 최소한으로 하는 선을 찾아야한다. 02 단순 선형 회귀 단순 선형 회귀란? 데이터를 설명하는 모델을 직선 형태로 가정한 것이다. - 단순 선형 회귀 목표는 데이터를 가장 잘 설명하는 β0와 β1을 찾는 것이다. - 실제 정답과 내가 예측한 값과의 차이가 작을수록 좋다. - 실제 값과 예측 값 차이의 제곱의 합을 Loss 함수로 정의한다. - Lo..

01 머신러닝을 위한 데이터 전처리 이해하기 머신러닝 과정 이해하기 데이터 전 처리의 역할 머신러닝의 입력 형태로 데이터 변환 ( 특성 엔지니어링 ) 결측값 및 이상치를 처리하여 데이터 정제 학습용 및 평가용 데이터 분리 데이터 전 처리가 왜 필요할까? - 데이터 변환 - 대부분의 머신러닝 모델은 숫자 데이터를 입력 받는다. - 실제 데이터는 머신러닝 모델이 이해할 수 없는 다양한 형태로 존재한다. - 전 처리를 통하여 머신러닝 모델이 이해할 수 있는 수치형 자료로 변환이 필요하다. 데이터 전 처리가 왜 필요할까? - 데이터 정제 - 전 처리를 통하여 데이터의 결측값 및 이상치를 처리한다. 데이터 전 처리가 왜 필요할까? - 데이터 분리 - 원본 데이터 전체를 학습용 데이터로 사용하게 되면 평가에서 학습..

01 자료의 형태 자료의 형태를 알아야 하는 이유? - 머신러닝은 데이터라는 디지털 자료를 바탕으로 수행하는 분석방식이다. - 자료의 형태를 파악함은 머신러닝을 사용하기 위한 필수 과정으로 아래 물음에 대한 답을 얻을 수 있다. 자료 형태 구분 수치형 자료와 범주형 자료 자료의 형태 구분 시 주의해야 할 점 - 범주형 자료와 수치 자료의 구분을 자료의 숫자 표현 가능 여부로 구분해서는 안된다. 02 범주형 자료의 요약 범주형 자료의 요약이 필요한 이유는 ? - 다수의 범주가 반복해서 관측될 경우나 관측값의 크기보다 포함되는 범주에 관심이 클 경우 요약이 필요하다. - 범주형 자료의 요약을 하는 방식 범주형 자료에 대표적으로 사용되는 도수분포표 도수분포표의 정의 03 수치형 자료의 요약 수치를 통한 자료 ..

01 인공지능 / 머신러닝 수업 개론 수강 목표 커리큘럼 02 머신러닝 정의 빅 데이터와 머신러닝 - 4차 산업 흐름에 따라 수 많은 정보가 디지털 데이터로 저장되고 있다. - 빅 데이터를 통해 IoT, 클라우드, 머신러닝 기술이 상호 협력하고 있다. - 머신러닝은 빅 데이터를 분석할 수 있는 강력한 툴이다. - 기존 통계학 및 시각화 방법의 한계를 해결할 수 있다. 머신러닝이란? 명시적으로 프로그래밍을 하지 않고도 컴퓨터가 학습할 수 있는 능력을 갖게 하는 것이다. - 머신러닝은 Train ( 학습 ) 과정을 거쳐 Predict ( 예측 )을 하고, 결과에 따라 Action ( 행동 )을 한다. 머신러닝의 기법 구분 03 지도학습과 비지도학습 지도학습 VS 비지도학습 - 지도학습과 비지도학습의 구분은 ..