0. 추천 학습 가이드 > 0-1. 추천 학습 가이드
추천 학습 가이드
코사다마의 머신러닝 입문 스터디에 참여하신 모든 분들을 환영합니다🙌
코사다마의 머신러닝 입문 스터디는 다소 어렵게 설명되어 있는 기존의 머신러닝을 보다 쉬운 언어로 누구나 이해할 수 있도록 만들어졌습니다. 구체적으로 Scikit-Learn 라이브러리를 활용해 머신러닝의 분류, 회귀, 군집화 메커니즘을 학습하고, 실습을 통해 익힐 예정입니다.
이 커리큘럼은 Python 문법에 익숙하고, Pandas 기반 데이터 사이언스에 입문하신 분들을 대상으로 만들어졌습니다. 혹시 익숙하지 않으신 분들은 파이썬 기초 문법, 데이터 사이언스 입문 커리큘럼을 학습 후에 이 커리큘럼을 접하시길 추천드립니다.
이 커리큘럼을 학습했다고 머신러닝 마스터가 되는 것은 아닙니다. 오히려 더 막막하실 수도 있습니다.하지만 AI의 세계는 하루가 다르게 발전하고, 모든 분야를 공부하기도 어렵습니다. 이번 스터디가 앞으로의 AI, Data Science 학습에 감을 잡는데 도움이 되길 바랍니다.
순서로 진행됩니다.
본 커리큘럼은 최대한 복잡한 수식은 줄이고, 그래프와 그림 중심으로 설명했습니다.
커리큘럼 세부 사항에 너무 매몰되지 않으시길 당부드립니다. 모든 내용을 아실 필요는 없습니다. 이해하시고, 프로젝트에 활용하세요. 기억나지 않으면 다시 검색해서 찾아보시면 됩니다.
본 커리큘럼은 Scikit-Learn의 모든 라이브러리를 다루지 않습니다. 부족한 내용은 Scikit-Learn 공식 API나 다른 라이브러리를 통해 보완, 수정하셔서 자신만의 머신러닝 모델을 구축해 보시길 바랍니다.
최대한 쉽게 설명하려고 노력한 만큼 할 수 있다!는 생각을 가지고 끝까지 임해주시면 좋겠습니다. 질문 있으시거나 오류를 발견한 멤버분들은 Slack 질문게시판 통해서, 멤버가 아니신 분들은 채널톡 통해서 전달해 주시면 답변해 드리겠습니다:)
| 주차 | 대주제 | 소주제 |
|---|---|---|
| 1주차 | 1. 머신러닝Machine Learning이란 | 1-1. 머신러닝이란? 1-2. 머신러닝 준비 |
| 2. 분류Classification | 2-1. 분류Classification란 2-2. 좋은 분류Classification란: 성능 평가 2-3. 내장 데이터 세트: sklearn.datasets 2-4. 전처리: sklearn.preprocessing 2-5. 모델 선택: sklearn.model_selection 2-6. 평가: sklearn.metrics 2-7-1. 분류 알고리즘들: 선형회귀 기반 2-7-2. 분류 알고리즘들: 의사결정 트리 |
|
| 2주차 | 2. 분류Classification | 2-7-3. 분류 알고리즘들: SVM서포트 벡터 머신 2-7-4. 분류 알고리즘들: 최근접 알고리즘 2-7-5. 분류 알고리즘들: 나이브 베이즈 2-7-6. 분류 알고리즘들: 앙상블 2-8. 실습: Scikit-Learn Classification 톺아 보기 |
| 3주차 | 3. 회귀Regression | 3-1. 회귀Regression란 3-2. 좋은 회귀Regression란: 성능 평가 3-3. 회귀 알고리즘들 3-4. 실습 |
| 4주차 | 4. 군집화Clustering | 4-1. 군집화Clustering란 4-2. 좋은 군집화Clustering란: 성능 평가 4-1. 실습 |
파이썬을 다운로드 받을 필요가 없습니다. 다운로드를 받는다면 이래저래 복잡해지는 부분이 많으니, 구글 콜랩을 사용하시고 본격적으로 다음 스터디에 아나콘다를 다운로드를 적극 권장해 드립니다.
머신러닝 입문 커리큘럼을 제작하면서 참고한 자료와 병행하면 좋은 자료들입니다.