홈 > 강의소개
머신러닝
조선화 교수
강원대학교 컴퓨터 과학 석사 과정
강원대학교 컴퓨터 과학 박사 졸업
강원대학교 컴퓨터 과학 석사 과정
강원대학교 컴퓨터 과학 박사 졸업
강원대학교
한국공학대학교
현) 유니와이즈 전임교수
AI가 이끄는 스마트한 학습 경험, AI 튜터와 함께 더 빠르고, 더 깊게 학습하세요.
긴 강의 내용을 AI가 핵심만 요약하여 복습 시간을 단축시킵니다.
강의에서 가장 중요한 키워드와 개념을 자동으로 추출해 제공합니다.
학습한 내용을 바탕으로 AI가 생성한 퀴즈를 풀며 이해도를 점검합니다.
모르는 부분을 24시간 언제든 AI 튜터에게 질문하고 답변을 받습니다.
총 14개 챕터, 23강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 오리엔테이션 | ||
|
[0강] OT
|
0:
05:
04
|
|
|
머신러닝의 정의와 학습 목표 및 커리큘럼 개요
• 머신러닝의 학술적 정의: 경험(E)과 성능 척도(P)를 통한 과제(T) 수행 능력의 자율적 개선 및 미래 결과 예측 모델링 • 데이터 마이닝과의 차별성: 매개 변수(Parameter)의 자동 학습 여부 및 단순 정보 발견을 넘어선 자동화된 예측 시스템 구축 • 지도학습 기반 커리큘럼: 파이썬 전처리 패키지(NumPy·Pandas) 활용과 분류·회귀 알고리즘의 단계별 구현 및 실습 전략 |
||
| 1장. 머신러닝의 기초 | ||
|
[1강] 머신러닝의 개요, 연대기
|
0:
39:
35
|
|
|
머신러닝 기초 인공지능 발전 단계 및 학습 프로세스
• 인공지능·머신러닝·딥러닝 계층 구조: 데이터 패턴 인식과 신경망 기반 특징 자동 추출을 통한 지식 노동 자동화 체계 정의 • 학습 유형 및 핵심 알고리즘: 지도(회귀·분류)·비지도(군집)·강화학습별 데이터 정답(Ground Truth) 유무에 따른 최적 함수($f(x)$) 도출 및 예측 원리 • 빅데이터 인프라 및 기술 연대기: GFS·하둡 기반 분산 처리 시스템과 암호 해독에서 모바일 시대 이후 폭발적 데이터 증가로 이어지는 AI 발전 흐름 요약 |
||
|
[2강] 머신러닝 환경 구축하기
|
0:
28:
32
|
|
|
머신러닝 기초 파이썬 환경 구축 및 주요 라이브러리 활용
• 파이썬 머신러닝 생태계: 인터프리터 방식 기반 아나콘다 가상환경 구성 및 주피터 노트북의 인터랙티브 분석 환경 구축 • 머신러닝 프레임워크 및 라이브러리: NumPy(수치 연산), Pandas(데이터 전처리), Scikit-learn(통계 알고리즘) 등 표준 도구의 기능적 연계 • 데이터 학습 모델 및 처리 구조: 지도·비지도 학습 알고리즘 분류, 딥러닝의 인공신경망 기반 패턴 학습 및 하둡 병렬 처리 아키텍처 |
||
| 2장. 데이터의 이해 | ||
|
[3강] 피쳐의 개념 및 종류, 데이터 다루기
|
0:
42:
05
|
|
|
머신러닝 데이터의 이해 피쳐의 정의와 종류 및 모델 적용
• 피쳐(Feature): 독립변수·속성·차원을 의미하며 데이터 테이블의 열(Column)로서 머신러닝 모델 예측의 핵심 입력값임 • 차원의 저주: 피쳐 수 급증에 따른 데이터 희소성(Sparse) 발생으로 인해 모델의 정확도와 연산 효율이 저하되는 현상임 • 데이터 분류 및 라이브러리 활용: 연속형·이산형 데이터 성질에 따른 스케일링과 판다스·넘파이를 통한 전처리 및 내적 연산 수행임 |
||
| 3장. 넘파이 | ||
|
[4강] 넘파이란? , 넘파이 배열 객체 다루기
|
0:
51:
20
|
|
|
머신러닝 기초 NumPy 라이브러리 활용 및 배열 객체 다루기
• 넘파이(NumPy) 라이브러리: 고성능 과학 계산 및 선형대수 처리를 위한 표준 라이브러리의 병렬 연산 및 메모리 효율성 원리 • ndarray와 텐서 구조: 랭크(Rank) 기반 다차원 배열의 계층적 정의와 연속적 메모리 할당을 통한 데이터 최적화 관리 • 배열 조작 및 생성 기술: reshape·슬라이싱 기반의 구조 변경 기법과 수열·단위 행렬·난수 분포를 활용한 배열 생성 절차 |
||
|
[5강] 넘파이 배열 연산, 비교 연산과 데이터 추출
|
0:
52:
56
|
|
|
머신러닝 넘파이 배열 연산 및 데이터 추출
• 넘파이 축(Axis) 및 배열 연산: 차원별 연산 방향 설정과 통계 함수를 통한 다차원 텐서 구조 분석 및 수치 계산 원리 • 브로드캐스팅 및 행렬 연산: 상이한 배열 구조 간 자동 형태 일치 메커니즘과 요소별 사칙연산 및 벡터 내적 처리 방식 • 데이터 추출 및 인덱싱 기법: 불린·팬시 인덱싱 기반 조건부 데이터 필터링과 비교 연산을 활용한 특정 인덱스 반환 및 관리 최적화 |
||
| 4장 판다스 | ||
|
[6강] 판다스란?, 데이터 추출
|
0:
33:
49
|
|
|
머신러닝 판다스 라이브러리 기초 및 데이터 추출
• 판다스 핵심 자료구조: 넘파이 기반 1차원 시리즈와 2차원 데이터프레임의 데이터·인덱스·타입 구성 및 생성 체계 • 데이터 로딩 및 추출 기술: 외부 파일 연동과 loc(명칭) 및 iloc(위치) 기반의 정밀한 데이터 슬라이싱 및 조회 기법 • 데이터 전처리 및 핸들링: 인덱스 재설정과 drop 함수의 axis·inplace 옵션을 활용한 행·열 삭제 및 데이터 정제 절차 |
||
|
[7강] 그룹별 집계, 병합과 연결
|
0:
48:
28
|
|
|
판다스 데이터 그룹화 및 병합 연결 활용법
• 판다스 그룹화(groupby): 분할·적용·결합 단계별 통계 집계 및 agg·transform·filter를 활용한 그룹별 데이터 변환·필터링 • 데이터 병합(merge): SQL 방식의 Join 원리 기반 공통 키·인덱스 결합 및 다차원 데이터프레임 통합 관리 • 데이터 연결(concat/append): 동일 스키마 데이터의 세로·가로 방향 산술적 결합 및 인덱스 초기화 기반 데이터 구조 정비 |
||
| 5장. 데이터 시각화 | ||
|
[8강] 맷플롯립(Matplotlib)
|
0:
49:
57
|
|
|
데이터 시각화 라이브러리 Matplotlib 구조 및 그래프 활용
• Matplotlib 객체 모델: Figure(도화지), Axes(축 공간), Pyplot(기본 API) 중심의 계층적 시각화 구조 및 저수준 API 제어 원리 • 서브플롯 및 속성 제어: 다중 그래프 배치를 위한 Subplot 생성 관리와 색상·스타일·범례·레이블 등 시각적 요소 설정 기법 • 데이터 분석용 그래프: 산점도·막대·히스토그램의 용도별 구현 및 Boxplot의 IQR 수치를 활용한 데이터 분포와 이상치(Outlier) 분석 기초 |
||
|
[9강] 시본(Seaborn), 플롯리(Plotly)
|
0:
41:
07
|
|
|
데이터 시각화 라이브러리 Seaborn 및 Plotly 활용
• 시본(Seaborn) 통계 시각화: Matplotlib 기반 고수준 래퍼로서 통계 분포·회귀 분석 및 범주형 변수 분할 기능을 제공하는 정적 그래프 생성 도구 • 플롯리(Plotly) 인터랙션 시각화: 웹 기반 대시보드 구축을 위한 확대·마우스 오버 등 동적 상호작용 기능과 간결한 인터랙티브 그래프 구현 기술 • 다차원 데이터 분석 구조: 바이올린 플롯·패싯그리드·좌표 그래프를 활용한 복합 변수 관계 파악 및 데이터 특징량 기반의 패턴 분석 기법 |
||
| 6장. 데이터 전처리 | ||
|
[10강] 데이터 전처리의 기초, 전략
|
0:
45:
49
|
|
|
머신러닝 데이터 전처리 기초 및 품질 문제 해결 전략
• 데이터 품질 및 결측치 전략: dropna()와 fillna()를 활용한 결측치 제어 및 이상치 정제 프로세스 수립 • 범주형 데이터 인코딩: 원핫인코딩(One-Hot Encoding)과 바인딩(Binding)을 통한 데이터 수치화 및 구간화 • 피쳐 스케일링 및 정규화: 최소-최대 정규화와 Z-스코어 표준화를 적용한 변수 간 데이터 범위 통일 및 최적화 |
||
|
[11강] 데이터 전처리의 실습
|
0:
49:
21
|
|
|
머신러닝 프로세스 및 타이타닉 데이터 전처리 실습
• 머신러닝 워크플로우: 데이터 확보, 정제, EDA, 피처 엔지니어링을 포함한 모델 성능 최적화 단계별 프로세스 구축 • 데이터 정제 및 인코딩: 결측치 보정(평균·최빈값) 및 get_dummies를 활용한 범주형 변수의 원핫 인코딩 수치화 기법 • 상관계수 분석 및 시각화: corr() 함수와 히트맵을 활용한 변수 간 선형 관계 도출 및 데이터 스케일링 전략 수립 |
||
| 7장. 선형회귀의 기초 | ||
|
[12강] 선형회귀의 이해, 선형회귀의 기초 수식, 최소자승법으로 선형회귀 풀기
|
0:
43:
06
|
|
|
선형회귀 모델 정의와 최소자승법 수식 유도 분석
• 선형회귀 모델: 독립변수와 종속변수 간 선형 상관관계 모델링 및 오차 최소화 기반의 최적 가중치 산출 원리 • 비용함수와 MSE: 평균 제곱 오차 정의와 편미분 및 연쇄 법칙을 활용한 가중치별 기울기 도출 및 최적화 절차 • 최소자승법: 행렬 연산과 정규 방정식을 통한 하이퍼파라미터 없는 수학적 최적해 직접 산출 기법 및 수식 구조 분석 |
||
|
[13강] 경사하강법으로 선형회귀 풀기, 선형회귀 성능 측정하기, 코드로 선형회귀 구현하기
|
0:
46:
43
|
|
|
선형회귀 기초 경사하강법 원리와 성능 측정 지표 요약
• 경사하강법 및 하이퍼 매개변수: 비용함수 최소화를 위한 가중치 업데이트 알고리즘과 학습률·반복 횟수의 최적화 원리 • 데이터 분할 및 일반화 성능: 홀드아웃 메서드를 활용한 훈련·테스트 데이터 분리 및 과대적합·과소적합 방지 기법 • 회귀 성능 평가 지표: MAE, RMSE, 결정계수($R^2$)를 활용한 오차 분석 및 모델의 데이터 설명력 정량화 평가 |
||
| 8장. 선형회귀의 심화 | ||
|
[14강] 경사하강법의 종류, 과대적합과 정규화
|
0:
52:
13
|
|
|
선형회귀 심화 경사하강법 종류 및 정규화
• 경사하강법 유형: 데이터 처리 단위(배치·확률적·미니배치)별 가중치 업데이트 방식 및 수렴 효율성 비교 분석 • 편향-분산 트레이드오프: 모델 복잡도에 따른 과대적합과 과소적합 상태 정의 및 일반화 성능 최적화 원리 정리 • L1·L2 정규화: 페널티 항(Lasso·Ridge)을 통한 가중치 규제 및 변수 선택 중심의 선형회귀 모델 심화 개선 기법 요약 |
||
|
[15강] 사이킷런을 이용한 선형회귀
|
0:
35:
37
|
|
|
선형회귀 심화 및 사이킷런 활용 실습
• 사이킷런 선형회귀 알고리즘: LinearRegression, Lasso(L1), Ridge(L2), SGDRegressor 등 모델별 수식 체계와 최적화 방식 정의 • 머신러닝 파이프라인 및 성능 평가: 데이터 전처리(Scaling)·학습(Fit)·예측(Predict) 절차 및 R2·MAE·MSE 기반의 모델 신뢰도 분석 • 정규화 및 하이퍼파라미터 제어: L1·L2 페널티 적용 원리와 Alpha(λ) 변수에 따른 가중치 규제 및 과적합 방지 메커니즘 최적화 |
||
| 9장. 로지스틱 회귀의 기초 | ||
|
[16강] 로지스틱 회귀란?, 분류 문제의 성능지표, 로지스틱 회귀 구현하기
|
0:
41:
44
|
|
|
로지스틱 회귀의 기초 및 분류 모델 성능지표 분석
• 로지스틱 회귀 및 시그모이드 함수: 이진 분류 확률 예측을 위한 로짓 변환 및 0과 1 사이의 출력을 보장하는 비선형 가설 함수 정의 • 비용함수와 크로스 엔트로피: 경사하강법을 통한 최적 가중치 도출을 위해 로그 손실(Log Loss)을 기반으로 오차를 최소화하는 최적화 구조 구축 • 성능 평가 지표 및 혼동행렬: 정확도·정밀도·민감도·F1 스코어 등 오차 행렬 기반의 지표 산출을 통한 모델의 분류 예측력 다각도 검증 및 분석 방법론 유립 |
||
| 10장. 로지스틱 회귀의 심화 | ||
|
[17강] 다중클래스 분류와 소프트 맥스 분류, ROC 커브와 AUC 코드구현
|
0:
45:
09
|
|
|
로지스틱 회귀 심화: 다중클래스 분류와 ROC 커브 분석
• 다중클래스 분류 및 소프트맥스 회귀: OvA·OvO 기반 다중 분류 체계와 소프트맥스 함수를 이용한 확률 정규화 및 MLE 가중치 학습 원리 • 사이킷런 분류 모델 구현 및 평가지표: MNIST 데이터셋 기반 다중클래스 모델 구축과 마이크로·매크로 평균을 활용한 다중 라벨 성능 분석 기법 • ROC 커브와 AUC 성능 평가: 임계값 변화에 따른 FPR·TPR 상관관계 도식화 및 데이터 불균형 해소를 위한 모델 신뢰도 측정 지표 정의 |
||
| 11장. 나이브 베이지안 분류기 | ||
|
[18강] 베이즈 정리의 이해, 분류기 구현
|
0:
34:
01
|
|
|
나이브 베이지안 분류기의 원리 및 확률 모델 구현
• 베이지 정리: 사전 확률과 가능도를 결합하여 사후 확률을 도출하고 데이터를 기반으로 지식을 지속적으로 업데이트하는 확률론적 추론 체계 • 베이지 분류기: 특정 피처의 출현 빈도에 따른 사후 확률을 산출하고 클래스 간 확률 비교를 통해 레이블을 판정하는 구현 절차 • 나이브 베이지안 분류: 변수 간 독립성 가정과 원핫 인코딩 및 로그 변환을 활용한 다중 변수 데이터의 분류 연산 최적화 구조 |
||
|
[19강] 나이브 베이지안 분류기 구현, 분류 연습
|
0:
51:
58
|
|
|
나이브 베이지안 분류기 유형 및 사이킷런 활용 실습
• 나이브 베이지안 모델 유형: 데이터 분포 특성(이진·빈도·연속)에 따른 베르누이, 다항, 가우시안 분류기의 원리 및 사이킷런 구현 방법 정의 • 텍스트 데이터 벡터화 및 전처리: BoW·TF-IDF 기반 단어 가중치 평가 및 어간 추출(Stemming)을 통한 텍스트 피처 최적화 구조 분석 • 머신러닝 파이프라인 및 최적화: 데이터 전처리부터 모델 학습까지의 공정 자동화와 GridSearchCV 기반 하이퍼파라미터 튜닝 및 교차 검증 절차 정리 |
||
| 12장. 의사결정 트리 | ||
|
[20강] 의사결정트리의 개념과 알고리즘(ID3, C4.5)
|
0:
46:
25
|
|
|
머신러닝 의사결정트리 알고리즘 및 지표 이해
• 의사결정트리 모델: 트리 구조의 규칙 도식화를 통한 데이터 분류·회귀 수행 및 재귀적 최적 분할 속성 결정 원리 • 정보 지표 및 ID3 알고리즘: 엔트로피 기반의 정보 이득 산출을 통해 데이터 불확실성을 최소화하는 탐욕적 속성 선택 체계 • 알고리즘 확장(C4.5·CART): 정보 이득률 정규화와 지니 지수 기반 이진 분할을 통한 속성 편향 해결 및 연산 효율 최적화 기술 |
||
|
[21강] 의사결정트리 알고리즘의 다양한 변형과 구현
|
0:
48:
00
|
|
|
머신러닝 의사결정 트리 알고리즘 변형 및 구현
• 트리 가지치기(Pruning): 과대적합 방지를 위한 사전·사후 제한 및 오류율 변곡점 기반 일반화 성능 최적화 • 변수 처리 및 회귀 트리: 연속형 속성의 이산화 분할 및 분산 감소 지표를 활용한 연속형 종속 변수 예측 구조 • 알고리즘 구현 및 실무 적용: 엔트로피 기반 정보 이득 산출 로직과 사이킷런 하이퍼 매개변수 튜닝 및 시각화 프로세스 |
||
| 13장. 앙상블 | ||
|
[22강] 앙상블의 개념, 방법
|
0:
44:
44
|
|
|
머신러닝 앙상블 기법 배깅 부스팅 투표 분류기
• 앙상블 학습 및 투표 분류기: 다수 모델 결합을 통한 예측 성능 최적화와 다수결(Hard)·확률 평균(Soft) 방식의 결과 산출 원리 • 배깅 및 랜덤 포레스트: 부트스트래핑 복원 추출 기반 데이터 서브셋 생성과 OOB 스코어 활용 검증 및 병렬 학습 구조 • 부스팅 및 에이다부스트: 오분류 데이터 가중치 부여 중심의 순차적 학습 체계와 약한 학습자 결합을 통한 예측 정교화 알고리즘 |
||
조선화 교수님
머신러닝
