머신러닝 무료 실습

지도 학습. 이 용어를 처음 듣거나 읽는다면, 그 의미가 완전히 이해되지 않을 수 있습니다. 걱정하지 마세요. 이 랩에서는 지도 학습에 대한 포괄적인 이해를 얻게 될 것입니다. 그리고 다음 실험 챕터에서는 지도 학습을 사용하여 데이터 예측을 완료하는 방법을 배우게 됩니다.

선형 회귀는 비교적 간단하지만 중요한 머신 러닝 방법입니다. 선형성의 원리와 해결 방법을 숙달하는 것은 선형 회귀를 다루는 기본적인 요구 사항 중 하나입니다. 또한, 선형 회귀는 지도 학습 회귀의 초석이기도 합니다. 이 실험을 통해 머신 러닝의 몇 가지 중요한 아이디어를 이해할 수 있기를 바랍니다.

선형 회귀 챕터에서 보스턴 주택 가격의 예시를 통해 코드 구현을 자세히 논의했습니다. 이 챌린지에서는 선형 회귀에서 배운 관련 지식을 사용하여 베이징의 주택 가격을 예측해야 합니다.

로지스틱 회귀는 머신 러닝에서 매우 기본적인 분류 방법입니다. 단순성과 효율성 덕분에 이 알고리즘은 실제 시나리오에서 널리 사용되고 있습니다. 본 과정에서는 로지스틱 회귀의 원리와 알고리즘 구현을 살펴보고, scikit-learn 을 사용하여 로지스틱 회귀 분류 예측 모델을 구축합니다.

분류 예측 중에는 확률 이론에 기반한 알고리즘이 몇 가지 있습니다. 나이브 베이즈 (Naive Bayes) 는 그 중 하나입니다. 나이브 베이즈 알고리즘은 구현이 간단하고 예측 분류의 효율성이 매우 높습니다. 일반적으로 나이브 베이즈는 매우 흔하게 사용되는 알고리즘입니다. 이 챕터에서는 베이즈 정리와 파라미터 추정으로부터 나이브 베이즈 알고리즘의 원리를 설명하고, 데이터를 결합하여 구현하는 방법을 다룹니다. 마지막으로 실제 적용 사례를 제시합니다.

세 가지 방법으로 선형 회귀를 구현했습니다. 이 챌린지에서는 TensorFlow 를 사용하여 다항 회귀 피팅을 완료하고 피팅 곡선을 그려야 합니다.

선형 회귀는 머신 러닝에서 가장 간단한 문제입니다. 동시에 선형 회귀는 인공 신경망과 밀접한 관련이 있습니다. 이 랩 과정에서는 TensorFlow 2 에서 제공하는 API 를 사용하여 선형 회귀를 구현합니다.

선형 회귀를 예시로 TensorFlow 2 의 새로운 변경 사항과 기능을 살펴보았습니다. 사실 TensorFlow 와 같은 딥러닝 프레임워크의 더 중요한 역할은 인공 신경망을 구축하는 것입니다. 따라서 이 실습에서는 TensorFlow 2 를 사용하여 간단한 순방향 신경망 (feedforward neural network) 을 구축해 보겠습니다.

딥러닝의 전체 프로세스는 모델 훈련, 모델 평가, 모델 저장 및 모델 배포의 네 단계로 구성됩니다. 사실, 이전에 언급된 모든 내용은 처음 두 단계에 중점을 두었습니다. 이 실습 과정에서는 TensorFlow 2 에서 모델을 저장하고 복원하는 방법을 배웁니다.

지난 2 주 동안의 과정에서 우리는 지도 학습이 무엇이며 다양한 지도 학습 방법이 어떻게 구성되어 있는지 배웠습니다. 다음 주에는 비지도 학습을 완전히 이해하고 비지도 학습을 사용하여 데이터 클러스터링을 수행하는 방법을 배우게 될 것입니다.

TensorFlow 사용법을 소개합니다. 텐서, 세션, 계산 그래프의 개념에 익숙해야 합니다. 이 챌린지에서는 TensorFlow 를 사용하여 다층 신경망 구조를 구축해 보겠습니다. 걱정하지 마세요. 여기에는 딥 뉴럴 네트워크는 포함되지 않으며, TensorFlow 사용에 익숙해지는 데 중점을 둡니다.

지도 학습에서 회귀 및 분류에 일반적으로 사용되는 알고리즘을 익혔습니다. 다음으로 비지도 학습: 클러스터링을 배우도록 안내합니다. 이 실험에서는 가장 일반적으로 사용되는 중심 기반 클러스터링 방법을 먼저 설명하고, 가장 대표적인 K-Means 알고리즘과 그 외 관련 알고리즘들을 자세히 소개합니다.

TensorFlow 를 사용하여 신경망을 구축하는 방법을 배우고, 저수준 API 와 TensorFlow 의 Keras 를 사용하는 방법을 시연했습니다. 이 챌린지 코스에서는 얕은 신경망의 구성을 독립적으로 완료해야 합니다.

선형 회귀와 얕은 신경망을 구현하기 위해 TensorFlow 를 사용하는 방법을 이미 배웠습니다. 이 랩 과정에서는 더 깊은 신경망 구축에 초점을 맞추고, Fashion-MNIST 분류 작업을 달성하기 위해 고전적인 컨볼루션 신경망 구조인 VGG 를 예시로 사용합니다. 또한, 사전 훈련된 모델을 전이 학습에 사용하는 방법도 배웁니다.

이 챕터부터 딥 러닝 여정을 시작합니다. 딥 러닝의 핵심은 딥 뉴럴 네트워크 구축에 있습니다. 딥 뉴럴 네트워크를 처음부터 직접 구축하려면 과정이 매우 복잡합니다. 따라서 딥 러닝 모델을 보다 편리하게 구현하기 위해 몇 가지 일반적인 프레임워크의 사용법을 연구해야 합니다. 현재 딥 러닝 커뮤니티에서 더 인기 있는 프레임워크는 TensorFlow, Keras, PyTorch 등이며, 각각 고유한 특징을 가지고 있습니다. Google 의 지원과 대규모 개발자 커뮤니티의 활발한 활동 덕분에 TensorFlow 는 신뢰할 수 있는 플랫폼이며 업데이트가 자주 이루어집니다. TensorFlow 사용법을 배우면 딥 러닝 모델을 편리하게 구축하는 데 도움이 됩니다.