머신러닝 배경지식: 인식과 머신러닝 | 잔재미코딩스쿨

Autoplay
Autocomplete

Previous Lesson Complete and Continue

처음하는 파이썬 머신러닝 부트캠프

강의와 수업 진행 과정 소개

처음하는 파이썬 머신러닝 강의 소개 (5:25)
강의 범위와 수업 진행 과정 소개 (10:00)
수업 진행 방법과 수업 준비 (10:09)
데이터 강의 로드맵 소개 (10:15)

수업준비

수업 자료 다운 및 신청 방법 (꼭 들어주세요~, 코드자료는 바로 본 챕터에서 다운받으세요!) (6:38)
주피터 노트북 설치 (맥) (7:11)
주피터 노트북 설치 (윈도우) (4:55)
주피터 노트북 사용법 (12:39)
머신러닝 강의 학습 팁 (꼭 들어주세요~) (12:23)

배경지식으로 데이터 사이언스 시작하기

머신러닝 배경지식: 인식과 머신러닝 (13:35)
Hello 머신러닝: 코드 실행해보며, 머신러닝 프로세스 이해해보기 (20:54)
머신러닝 배경지식: 머신러닝 모델과 성능평가의 이해 (18:31)
머신러닝 모델 이해 전략 (8:27)
머신러닝 배경지식: 조건부, 결합, 주변 확률 이해 (14:06)
머신러닝 배경지식: 사전, 사후 확률과 우도(가능도) 이해하기 (11:33)
머신러닝 배경지식: 베이즈 정리 이해하기 (11:47)
베이즈 정리 활용과 머신러닝 프로세스 (14:43)
가우시안 나이브 분류로 이해하는 머신러닝 원리 (16:44)

실제 문제 풀어보며, 머신러닝 기본 시작하기 (EDA)

머신러닝 시작하기 (6:19)
캐글(Kaggle) 사이트와 Kaggle API 사용법 익히기 (15:57)
타이타닉 문제로 시작하는 EDA1 (17:44)
타이타닉 문제로 시작하는 EDA: 범주형 데이터 분석 패턴1 (18:01)
타이타닉 문제로 시작하는 EDA: 범주형 데이터 분석 패턴2 (18:42)
타이타닉 문제로 시작하는 EDA: 수치형 데이터 분석 패턴1 (19:58)
타이타닉 문제로 시작하는 EDA: 수치형 데이터 분석 패턴2 (18:51)

실제 문제 풀어보며, 머신러닝 기본 시작하기 (Feature Engineering)

머신러닝 적용을 위한 Feature Engineering 작업1 (13:42)
머신러닝 적용을 위한 Feature Engineering 작업2 (16:18)
머신러닝 적용을 위한 Feature Engineering 작업3 (14:53)
머신러닝 적용을 위한 Feature Engineering 작업4 (23:43)
머신러닝 적용을 위한 Feature Engineering 작업5 (12:30)
인코딩 이해하고 적용하기 (원핫, 레이블 인코딩) (16:47)

분류 머신러닝 기법 이해하기

머신러닝 분류 모델 이해하기1 (KNN, Logistic Regression, SVM) (11:40)
머신러닝 분류 모델 이해하기2 (bias 와 variance) (15:24)
머신러닝 분류 모델 이해하기3 (Bagging 과 Random Forest) (13:57)
머신러닝 분류 모델 이해하기4 (Boosting 과 AdaBoost) (13:02)
머신러닝 분류 모델 이해하기5 (GBM1) (15:46)
머신러닝 분류 모델 이해하기6 (GBM2) (12:30)
머신러닝 분류 모델 이해하기7 (XGBoost, LightGBM, 나이브 베이지안) (12:10)

머신러닝 성능 평가와 튜닝하기

교차 검증(Cross Validation) 이해하기 (18:42)
교차 검증(Cross Validation) 이해하기 (실습) (20:21)
중요도 이해하고 적용하기 (21:52)
하이퍼 파라미터 튜닝 기법 이해하기 (10:54)
하이퍼 파라미터 튜닝 기법 적용하기 (SVC 실습) (15:27)
하이퍼 파라미터 튜닝 기법 적용하기 (GBM 실습) (12:37)
하이퍼 파라미터 튜닝 기법 적용하기1 (XGBoost 실습) (17:19)
하이퍼 파라미터 튜닝 기법 적용하기2 (XGBoost + GridSearch 실습) (11:30)
Voting 이해하고, 최종 예측해서, Kaggle 에 제출해보기 (20:39)

다른 방식으로 분류 정확도 높여보며 익히는 머신러닝

다르게 적용해보는 Feature Engineering1 (15:05)
다르게 적용해보는 Feature Engineering2 (22:47)
또다른 성능 평가: OOB 와 ROC Curve 이해하기 (16:38)
스케일링 이해와 kaggle 제출하기 (23:20)

머신러닝 회귀 모델 적용하며 익히기

주요 회귀 머신러닝 모델과 Regularization(정규화) 이해하기 (23:43)
자전거 공유 문제 이해와 EDA1 (14:44)
회귀 모델 성능 평가: MAE, MSE, RMSE, RMSLE (16:14)
자전거 공유 문제 이해와 EDA2 (14:32)
자전거 공유 문제 이해와 EDA3 (15:39)
자전거 공유 문제 이해와 EDA4 (5:42)
머신러닝 적용을 위한 Feature Engineering (17:36)
머신러닝 회귀 모델 사용법 익히기1 (Linear, Lasso, Ridge 모델) (14:27)
머신러닝 회귀 모델 사용법 익히기2 (Random Forest, XGBoost, Gradient Boosting 모델) (8:42)
모델 블렌딩 전략으로 kaggle 제출하기 (12:45)

머신러닝 클러스터링 모델 적용하며 익히기

주요 클러스터링 머신러닝 모델 이해하기1 (KMeans 모델 이해와 테스트) (14:57)
주요 클러스터링 머신러닝 모델 이해하기2 (KMeans++, Hierarchical Clustering, DBSCAN, Spectral Clustering) (16:16)
고객 분류 문제 이해와 EDA (15:13)
군집화 머신러닝 모델들로 고객 분류하기 (7:22)

Outro 및 향후 학습 진행 가이드

강의 정리 및 향후 학습 진행 가이드 (6:14)

머신러닝 배경지식: 인식과 머신러닝

Complete and Continue

토의

0 댓글