본 과정에서는 scikit-learn 을 사용하여 데이터로부터 예측 모델을 구축하는 방법을 배우게 됩니다. 머신 러닝의 기본 개념을 탐구하고, scikit-learn 을 활용하여 지도 학습 및 비지도 학습 문제를 해결하는 방법을 살펴봅니다. 또한 모델 평가, 매개변수 조정, 일반적인 함정 회피 방법도 익힙니다. 실제 데이터셋을 사용하여 머신 러닝 문제의 예시를 실습합니다.
🎯 과제
본 과정에서 다음 내용을 배우게 됩니다:
- 머신 러닝 문제를 해결하기 위해 선형 모델, 선형 및 이차 판별 분석, 통계적 학습 기법을 사용하는 방법
- 지도 학습 작업에 커널 릿지 회귀 (kernel ridge regression), 서포트 벡터 머신 (support vector machines), 확률적 경사 하강법 (stochastic gradient descent) 을 적용하는 방법
- 데이터 표현을 찾는 것을 포함한 비지도 학습 수행 방법
- 텍스트 데이터를 처리하고 가우시안 프로세스 (Gaussian processes) 및 교차 분해 (cross decomposition) 기법을 사용하는 방법
- 분류 작업에 나이브 베이즈 (naive Bayes) 및 의사 결정 트리 (decision trees) 를 사용하는 방법
🏆 성과
본 과정을 완료하면 다음을 수행할 수 있습니다:
- scikit-learn 을 사용하여 다양한 머신 러닝 알고리즘을 구현할 수 있습니다.
- 모델의 성능을 평가하고 조정할 수 있습니다.
- 실제 문제를 해결하기 위해 적절한 머신 러닝 기법을 적용할 수 있습니다.
- 다양한 머신 러닝 접근 방식의 강점과 한계를 이해할 수 있습니다.
