【한글자막】 머신러닝의 모든 것 with AI, Python & R + ChatGPT Prize [2024]

좋은 성능의 머신러닝 모델을 만들기 위해 반드시 알아야 할 수학적 개념과 30여개 주요 모델 및 이론, 그리고 실습 예제들

Ratings: 4.61 / 5.00




Description

  • 30여개의 머신러닝 주요 모델 및 이론, 개념에 대한 깊이 있는 설명

  • 실제 데이터를 바탕으로 한 실습으로 머신러닝 모델 완벽 이해

  • Python, R 을 사용해 실제 머신러닝 프로젝트에 적용



[머신러닝에 입문하기 위한 가장 확실한 방법]

머신 러닝에 관심은 많지만 방대한 학습량과 높은 난이도로 첫 발을 떼기가 망설여지셨나요?


<머신러닝의 모든 것>은 머신러닝에 관심은 많고, 한 번쯤 배워보고 싶다는 생각은 가지고 있지만, 수학과 프로그래밍에 대해 깊이 있게 다뤄본 적이 없는 사람들을 위해 기획 되었습니다.


코딩 경험이 많지 않아도, 고등학교 이후로 수학을 해보지 않았어도, 누구라도 머신러닝에 쉽게 접근할 수 있도록 도와드립니다.



[머신러닝 입문을 위한 단계별 학습 커리큘럼]

설명은 쉽게, 그러나 코스에서 다루는 학문적 깊이는 절대 얕지 않습니다. 전문 데이터 사이언스 강사님이 각 머신러닝 모델에 대한 개념을 깊이 있게 파고듭니다. 가장 기본적인 머신 러닝 모델부터 심화된 방법론까지 체계적으로 학습하세요!


  1. 데이터 전처리 : 머신러닝에 적합한 데이터 전처리 방법론의 이해

  2. 회귀 : 회귀분석의 각종 모델에 대한 이론 및 데이터 실습 (단순선형회귀, 다중선형회귀, 다항회귀, SVM, 의사결정 트리, 랜덤 포레스트)

  3. 분류 : 분류 문제를 해결하기 위한 머신러닝의 각종 모델에 대한 이해 및 데이터 실습(로지스틱 회귀, K-NN, SVM, 커널 SVM, 나이브 베이즈, 의사결정 트리, 랜덤 포레스트)

  4. 클러스터링 : 군집화를 위한 각종 모델의 이해 및 데이터 실습(k-means 클러스터링, Hierarchical 클러스터링)

  5. 연관 규칙 학습 : 변수 간의 관계를 발견하기 위한 규칙 기반 기계 학습 방법론(Apriori, Eclat)

  6. 강화 학습 : 강화학습의 개념 및 주요 이론에 대한 이해 및 간단한 실습(UCB, 톰슨 샘플링)

  7. 자연어 처리: NLP 주요 개념 및 Bag-of-words 알고리즘

  8. 딥 러닝 : 인공 신경망 기초와 CNN 모델의 이해

  9. 차원 축소 : PCA, LDA, 커널 PCA의 주요 개념

  10. 모델 선택 및 부스팅 : 문제에 대한 적절한 모델 선정 및 성능 향상을 위한 방법론(k-fold 교차 검증, 매개변수 조정, 그리드 검색, XGBoost)


[200만 수강생들의 데이터사이언스 입문을 도운
Kirill Eremenko, Hadelin de Ponteves 강사의 한 마디]

한국 수강생 여러분 안녕하세요!

이 과정은 우리의 지식을 공유하고 복잡한 이론, 알고리즘 및 코딩 라이브러리를 쉽게 배울 수 있도록, 전문 데이터 사이언티스트인 저희가 초심자의 눈높이에 맞춰 직접 설계했습니다.

모든 튜토리얼을 통해 데이터 사이언스의 각 분야를 높은 수준으로 이해시켜 드리겠습니다.

더 나아가, 이 강의에는 실제 데이터를 기반으로 실용적인 실습 예제들이 가득합니다. 따라서 이론을 지식적으로만 배울 뿐 아니라, 직접 데이터셋을 가지고 모델을 구축하는 실습도 하게 됩니다.

그리고 보너스로, 이 강의에는 직접 자신의 프로젝트에서 사용할 수 있는 Python 및 R 코드 템플릿이 모두 포함되어 있습니다.

머신러닝과 데이터사이언스에 입문하고 싶은 분들에게 많은 도움이 되길 바랍니다.

강의에서 만나요!

- Kirill Eremenko, Hadelin de Ponteves   

What You Will Learn!

  • Python과 R로 Machine Learning 핵심 모델 완벽 마스터
  • 다양한 모델의 디테일한 동작 원리와 개념들(Regression, SVM, Random Forest, Logistic Regression, k-NN, Naive Bayes, Clustering, 인공신경망, CNN, PCA 등)
  • 차원 축소(PCA)의 핵심 개념
  • Machine Learning 모델의 성능 향상을 위한 과정(XGBoost, k-Fold Cross Validation, Grid Search)
  • 문제에 따라 적용할 적절한 Machine Learning 모델을 선택하는 방법
  • 강화학습과 Deep Learning의 핵심 모델 일부(UCB, 톰슨 샘플링, 인공신경망, CNN 등)
  • Machine Learning 모델을 통해 비즈니스를 성장시키는 법

Who Should Attend!

  • 머신러닝에 관심 있는 모든 사람
  • 머신러닝에 대해 더 깊이 있게 배우고, 머신러닝 각 모델의 동작 방식이나 배경 이론에 대해 탄탄한 기초를 다지고 싶은 사람
  • 데이터를 통해 더 좋은 인사이트를 만들어내고 싶은 사람
  • 데이터 사이언스 분야에서의 커리어를 꿈꾸는 모든 취업 준비생, 이직 준비생
  • 머신러닝을 통한 비즈니스 가치 창출을 꿈꾸는 스타트업 종사자