CNN (Convolutional Neural Network) 이미지 처리 231017 학습한 내용 정리 CNN 개요 정의 Convolutional Neural Network (합성곱 신경망) 이미지 처리에 특화된 딥러닝 모델 합성곱 연산을 통해 이미지의 지역적 특징을 추출 특징 지역적 특징: 이미지의 지역적 패턴을 ...

LDA (Linear Discriminant Analysis) 231004 학습한 내용 정리 LDA 개요 정의 Linear Discriminant Analysis (선형 판별 분석) 지도 학습 기반 차원 축소 기법 클래스 간 분리는 최대화하고 클래스 내 분산은 최소화 특징 지도 학습: 레이블 정보를 활용한 차원 축소 ...

PCA (Principal Component Analysis) 231004 학습한 내용 정리 PCA 개요 정의 Principal Component Analysis (주성분 분석) 고차원 데이터를 저차원으로 변환하는 차원 축소 기법 데이터의 분산을 최대한 보존하면서 차원을 줄임 특징 분산 보존: 데이터의 분산을 최대한 ...

LightGBM (Light Gradient Boosting Machine) 230926 학습한 내용 정리 LightGBM 개요 정의 Light Gradient Boosting Machine의 줄임말 Microsoft에서 개발한 그래디언트 부스팅 프레임워크 빠른 속도와 낮은 메모리 사용량이 특징 특징 빠른 속도: XG...

XGBoost (eXtreme Gradient Boosting) 230926 학습한 내용 정리 XGBoost 개요 정의 eXtreme Gradient Boosting의 줄임말 그래디언트 부스팅 알고리즘의 최적화된 구현 높은 성능과 빠른 속도로 유명한 머신러닝 라이브러리 특징 높은 성능: 많은 머신러닝 대회에서 우승 ...

앙상블 분류 모델 230926 학습한 내용 정리 앙상블 학습 (Ensemble Learning) 개념 여러 개의 모델을 조합하여 더 나은 예측 성능을 달성하는 기법 단일 모델보다 일반적으로 더 높은 정확도와 안정성을 제공 장점 정확도 향상: 여러 모델의 예측을 결합하여 오류 감소 과적합 방지: 다양한 모델의 조합으로 ...

고급 머신러닝: 모델 선택과 평가 최적의 모델을 선택하고 성능을 평가하는 고급 기법 모델 선택의 중요성 모델 선택이란? 여러 알고리즘 중 최적의 모델을 선택하는 과정 데이터와 문제에 가장 적합한 모델 찾기 성능, 복잡성, 해석가능성의 균형 고려 모델 선택의 도전과제 과적합: 훈련 데이터에만 잘 맞는 모델 과소적합: ...

머신러닝 데이터분리, 평가척도, 알고리즘 - 실전 머신러닝의 핵심 개요 실전 머신러닝의 핵심 요소들을 학습합니다: 데이터 분리: 훈련/테스트 데이터 분할과 계층적 샘플링 평가 척도: 회귀와 분류 문제의 성능 평가 지표 핵심 알고리즘: 선형회귀, 결정트리, KNN, 로지스틱회귀 실무 적용: 각 알고리즘의 특성과 활용 시나리오 1...

머신러닝 전처리 - 데이터 품질 향상을 위한 핵심 기법 개요 머신러닝 모델의 성능을 높이기 위한 데이터 전처리 기법을 학습합니다: 결측치 처리: 다양한 결측치 처리 방법과 시각화 이상치 처리: IQR 방법을 통한 이상치 탐지와 제거 인코딩: 레이블 인코딩과 원-핫 인코딩 실무 활용: 실제 데이터에 적용하는 전처리 파이프라인 1...

머신러닝 이론과 기본 - AI의 핵심 개념 이해 개요 머신러닝의 기본 이론과 핵심 개념을 학습합니다: AI 용어: 인공지능, 머신러닝, 딥러닝의 차이점 학습 방법: 지도학습, 비지도학습, 강화학습 데이터 속성: 피처, 레이블, 데이터셋 분할 핵심 문제: 과적합과 과소적합 1. 머신러닝 이론 1-1. AI 용어 및 종류 ...