해당 게시글은 패스트캠퍼스에서 진행하는 AI 부트캠프에서 학습한내용과 교육과정을 토대로 작성했습니다.

---

AI 부트캠프 10주차 학습일지

---

온라인강의 정리

---

1.1 회귀문제(Regression Problem)

---

1.1 Loss Functiom

---

1.2 β (계수) 추정 법

---

1.3 Model 평가 및 지표 해석

---

1.4 Feature Selection 기법

---

1.5 Penalty Term

---

1.6 Ridge 모델

---

1.7 실습

---

1.8 LASSO 모델

---

1.9 ElasticNet 모델

---

2. 분류문제(Classification Problem)

---

2.1 Loss Functiom

---

2.2 의사결정나무(Decision Tree)

---

2.3 Model 평가 및 지표 해석

---

2.4 앙상블 학습

---

2.5 앙상블 종류

---

2.6 랜덤 포레스트

---

2.7 AdaBoost

---

2.8 Gradient Boosting Machine

---

2.9 XGBoost

---

2.10 LightGBM

---

3. eXplainable Method

---

3.1 Black Box

---

3.2 Interpretable Machine Learning

---

3.3 Global vs Local Feature Importance Score

---

3.4 LIME

---

3.5 SHAP

4. Clustering

---

4.1 Distance

---

4.2 K-means

---

4.3 Hierarchical Clustering

---

4.4 Spectral Clustering

---

4.5 DBSCAN

---

4.6 HDBSCAN

---

4.7 Clustering 평가 지표

---

5. Dimensionality Reduction

---

5.1 차원의 저주

---

5.2 PCA

---

5.3 T-SNE

---

5.4 Autoencoder

---

6. Anomaly Detection

---

6.1 Sigma Rule & Box Plot

---

6.2 LOF

---

6.3 Robust Random Cut Forest

---

6.4 One-class SVM

---

6.5 Dimensionality Reduction 기법 활용한 이상치 탐지

---

머신러닝 스터디 실습/개념정리

---

링크 :https://github.com/ardor924/musthave_mldl_problem_solving_strategy_for_study/blob/master/base/Part2_MachineLearning/Chapter6.md

소감

---

이번주차에 드디어 머신러닝 학습에 들어왔다.
월~금 까지 온라인 강의를 수강하면서 공부를 진행했다.
일단 강의를 모두 듣기는 했는데 한번에 들어오는 인풋량이 어마어마하다...언제 다 정리해..
일주일 안에 다 정리할 분량이 아닌데..!?
수식들이나 이론적인건 아직 확실하게 머리속에서 정립되지 않는다.
실습으로 코드를 돌려보고 개념을 정리면서 어렴풋이 머신러닝의 주요 기능들을 알것같기는 하다.
대략 문제마다 어떤방식으로 해결해야하고, 모델의 성능을 향상하기위해 사용하는 기법들이 무엇이며, 최적화는 어떻게 진행할것인가 등등.... 일단 대략적으로나마 이해해 보려는 시도를 하는 중이다.

원래 인강내용을 다 정리해서 올리고 싶었는데, 너무 양이 방대하기도 하고 지금의 얕은 이해도로 저 모든 분량을 실습/정리 하는것은 시간대비 크게 도움이 될것 같지 않아서 현재는 작성을 멈춘상태이다. 현재로써는 그것보다도 한번 더 코드실습을 쭉 진행해보고 각각 회귀 , 분류, 등 상황에 맞게 처음부터 머신러닝 모델링을 빠르게 만들어보고 가는게 더 나은 방법 아닐까 싶다.

이 많은양을 한번에 모두 이해하리라는것은 일단 현재로써는 힘들것 같다.
당분간은 계속 실습하고 개념을 리마인드 하는 방향으로 꾸준히 진행해야겠다.