학습 내용 안내

우리가 이 강좌를 통해서 어떤 내용들을 학습하게 될지 간단히 함께 살펴보도록 하겠습니다 이번 강의에서 우리는 수치적인 예측과 어떤 클래스에 속하게 될 것인가라고 하는 것을 분류해내기 위한 정답이 존재하는 머신러닝 지도학습의 다양한 모델에 대해서 배울 예정입니다 모델의 종류도 배우겠지만 다양한 모델이 존재하는 만큼 그러한 모델 중에서 내가 원하는 목적을 달성할 수 있는 모델이 무엇인가 라고 하는 것을 평가하는 명확한 기준이 필요한데요 수치적인 예측을 해내는 걸 목적으로 하는 수치적 예측 모델을 평가하기 위한 다양한 지표들 예를 들어서 결정계수 R²라던가 MSE, MAE, RMSE, MAPE와 이들에 대해서 무시할 수 있는 차이라고 하는 게 어떤 것인가 모델을 비교하는 무시할 수 있는 차이라고 하는 것까지도 함께 포괄적으로 살펴보도록 하겠습니다 이렇게 모델의 성능을 평가하는 것도 있겠으나 한번 얻게 된 결과가 특정한 데이터에게 딱 맞아서 오히려 일반적으로는 사용할 수 없다면 굉장한 문제가 되겠죠 그래서 우리가 우리가 학습시킨 분석 모델이 일반적인 상황에서 일반적으로 사용될 수 있는 충분히 보편 타당한 모델이다 내가 원하는 문제를 잘 해결해 줄 수 있는 그러한 모델이다 라고 하는 것을 확인하기 위해서 과적합의 문제를 해결하고 데이터를 분할하는 문제에 대해서도 다룰 예정입니다 여기에 관련돼서 홀드아웃이라던가 LOOCV, K-폴드 교차 검증, 부트스트랩, 보정 학습 같은 이런 다양한 내용들을 같이 살펴보도록 하겠습니다. 수치적인 예측 분석 모델에서 가장 대표가 되는 것은 회귀 분석이고요. 이러한 회귀 분석에서도 가장 기본이 되는 것은 역시 선형 회귀 분석입니다. 그런데 회귀는 선형 회귀만 있는 것은 아니기 때문에 선형 회귀를 비롯해서 또한 이진분류의 대표주자라고 할 수 있는 로지스틱 회귀 분석에 대해서도 다룰 예정이고요. 회귀에 정칙화 규제를 주는 다양한 상황, 라쏘라던가 릿지라던가 엘라스틱 넷 같은 것들도 이것이 어떤 것인지 또 내가 이것을 실행한다면 어떤 식으로 사용할 수 있는지 라고 하는 것들을 살펴보도록 하겠습니다 이 외에도 우리는 최적화 문제를 해결하기 위해서 손실 함수의 개념에 대해서 배울 예정이고요. 그리고 가중치를 최적화하는 것은 어떻게 학습이 이루어질 수 있는가에 대해서 미니 배치 학습이라던가 확률적 경사하강법을 살펴보도록 하겠습니다. 인공신경망의 퍼셉트론과 활성화 함수가 어떤 건지 살펴보고 사용자인 우리가 조정할 수 있는 부분 즉 하이퍼 파라미터라는 게 어떤 것이고 이런 하이퍼 파라미터의 조정이 분석의 결과에 어떤 영향을 미치는가 라고 하는 것도 함께 실습을 해보겠습니다 이 수업은 전체적으로 앞부분에서 모든 이 주제에 대해서 앞부분에서는 개념적인 설명을 하고 이러한 개념적인 설명을 바탕으로 해서 실제 엑셀이라던가 오렌지 같은 이러한 노코드 분석 도구를 이용해서 실제 실행하는 것 그리고 그러한 결과를 어떻게 해결해야 되고 여기서 조정해야 되는 것들이 어떤 것이며 어떤 상황에서 어떻게 판단하는 것이 좋은가 라고 하는 여러분께서 응용하셔야 되는 팁 또 염두에 두셔야 되는 주의사항이라던가 이런 부분들까지도 순서대로 실습 위주로 설명을 드리도록 하겠습니다