회차

강의주제

수업내용

1

머신러닝(ML) 개요와 머신러닝 원리 이해를 위한 기초 수학

- 최소제곱법, 경사하강법

- 통계, 수식 설명

- 머신러닝의 동작 원리 이해

- 실습을 위한 환경 설명

- 데이터 전처리 (Encoding, Scaling 등)

- [실습] Numpy 를 활용한 머신러닝 알고리즘 구현 및 시각화

2

분류 알고리즘 이해와 적용

- 최근접 이웃 분류 알고리즘(KNN)

- 의사결정나무(Decision Tree)

- 로지스틱회귀(Logistic Regression)

- 분류모델 평가지표(Accuracy, F1-Score, precision, recall)

- [실습] 암 환자 데이터셋을 활용한 암 환자 예측기 학습

3

회귀 알고리즘 이해와 적용

- 선형회귀 알고리즘

- 규제(L1, L2), 알파 계수

- Lasso, Ridge, ElasticNet

- [실습] 회귀 알고리즘을 활요한 부동산 가격 예측

4

모델 앙상블 기법

- 앙상블 기법을 활용한 예측 성능 개선

- Voting, Bagging, Boosting 앙상블 기법

- LightGBM, XGBoost 알고리즘

- [실습] 앙상블 알고리즘을 활용하여 기존 머신러닝 모델 성능 개선

5

고급 전처리, 특성 공학, 하이퍼파라미터 튜닝

'- PolynomialFeatures, 파이프라인 생성

- Log Transformation

- 하이퍼파라미터 튜닝(GridSearch, RandomizedSearch)

- 베이시안 방식의 튜닝(optuna)

- [실습] 하이퍼파라미터 최적화

6

군집화, 차원축소, AutoML

- 비지도 학습

- Kmeans Clustering, DBSCAN

- 실루엣계수

- 자동화된 머신러닝 도구(pycaret)

- 머신러닝 솔루션 배포를 위한 웹앱(streamlit)

- [실습] 머신러닝 웹앱 제작

7

실전 머신러닝 프로젝트 실습

- 실전 머신러닝 프로젝트 수행

- 모델의 학습 및 예측 결과 시각화를 위한 대시보드 생성

- 결과 공유 및 마무리