[DS⑩중급]머신러닝의 원리

코스소개

<학습 팁>
해당 강좌는 머신러닝 모델을 작성, 검증 및 배포 및 애저 머신러닝을 사용하여 만들어진 모델을 통해 인사이트를 구축하고 도출하는 방법에 대해서 설명합니다.
강좌를 수강 완료 시 머신러닝, 기계학습, 데이터 과학을 위한 프로그래밍, 기계학습 응용 및 설계 과목에 도움이 됩니다.

머신러닝은 컴퓨터를 사용하여 미래의 행동, 결과 및 추세를 예측하기 위해 기존 데이터로부터 학습하는 예측 모델을 실행합니다.

본 데이터 사이언스 과정에서는 머신러닝 모델을 실제 시나리오 및 실습 경험과 함께 머신러닝 모델을 작성, 검증 및 배포하는 방법을 명확하게 설명합니다. 파이썬 및 애저 머신러닝을 사용하여 만들어진 모델을 통해 인사이트를 구축하고 도출하는 방법에 대해서 배웁니다.

코스소개

분류탐색

분류자(classifiers)의 작동 이해

분류자를 통한 로지스틱 회기분석

분류자를 평가하는데 사용되는 측정항목 이해

Lab: 애저 머신러닝을 활용한 로지스틱 회기분석

머신러닝의 회기

회기 모델의 이해

예측을 위한 선형 회기 분석

회기 모델을 평가하는데 사용되는 메트릭 이해

Lab: 애저 머신러닝의 선형 회기분석을 활용한 자전거 수요 예측

지도학습 모델을 향상시키는 방법

기능 선택 프로세스

과도한 매개 변수의 문제점과 차원의 저주(curse of dimensionality)

과도한 매개 변수 모델에 정규화 사용

차원 감소 방법 모델 성능 추정에 교차 검증 적용

Lab: 애저 머신러닝을 활용하여 당뇨병 환자 분류 개선

Lab: 애저 머신러닝을 활요하여 자전거 수요 예측 개선

비선형 모델링에 대한 세부정보

당뇨병 환자 분류에 적용된 비지도 학습 머신러닝 모델을 언제 어떻게 사용하는가에 대한 이해

자전거 수요 예측에 ML 모델 적용

클러스터링

비지도 학습 모델의 원리 이해

k-means 클러스터링 모델의 올바른 적용과 평가

hieratical 클러스터링 모델의 올바른 적용과 평가

Lab: AML, R 및 파이썬을 활용한 클러스터 모델

추천 시스템

추천 시스템의 동작 원리 이해

추천 시스템을 평가하는 방법 이해

권장 사항을 위한 공동 작업 필터링 대안 사용 방법

Lab: 추천 작업 및 평가

강사소개

Dr. Steve Elston

Steve는 예측 분석 및 머신러닝을 위해 R과 S/SPLUS를 사용한 경험이 20년 이상의 빅 데이터 전문가이자 데이터 사이언티스트입니다. 프린스턴 대학교 (Princeton University)에서 지구 물리학(Geophysics) 박사 학위를 받았으며 다양한 회사에서 다국적 데이터 사이언스 팀을 이끌었습니다.

Cynthia Rudin

Cynthia는 MIT의 예측 분석 랩을 이끌고 있으며, 컴퓨터 사이언스 및 인공 지능 연구소 Sloan School of Management와 관련이 있습니다. Princeton University에서 응용 수학 전공 박사 학위를 받았으며, 이전에는 Columbia University의 Computational Learning Systems 센터의 부연구 사이언티스트였습니다.

Graeme Malcolm

Graeme는 SQL Server 및 마이크로소프트 데이터 플랫폼 전문가로서 오랫동안 트레이너, 컨설턴트 및 저자로 활동 해 왔습니다. 그는 SQL Server 데이터 플랫폼 및 비즈니스 인텔리전스를 위한 마이크로소프트 공인 솔루션 전문가입니다. 마이크로소프트와 파트너 및 공급업체로 수년간 협력 한 후 그는 Senior Learning Developer로 마이크로소프트 Learning Experiences 팀에서 마이크로소프트 기술을 최대한 활용하고자하는 개발자 및 데이터 전문가를 위한 컨텐츠를 계획 및 개발하고 있습니다.

키워드 : 데이터사이언스, 데이터 사이언스

[DS⑩중급]머신러닝의 원리

코스소개

학습내용

코스소개

강사소개

Dr. Steve Elston

Cynthia Rudin

Graeme Malcolm

교육 과정 문의