Section2 Machine Learning

어느덧 섹션2의 프로젝트도 끝났다. 시간이 정말 빠르게 흘러가고 있음을 새삼 깨닫게 된다.

섹션1에선 통계학과 선형대수학을 복습하는 느낌이라 그나마 수월했지만, 이번 섹션2에선 그렇게 만만한 내용들은 아니었다는 생각이 들었다.

다른 과정을 통해 머신러닝을 배우긴했어도 막상 과제가 주어지고 챌린지를 진행하면서 여러 장벽들을 마주했던 것 같다. 그래도 2주차에 접어들면서 어느정도 익숙해지고 나서부턴 수월하게 풀린 느낌이었다.

배운내용들

이번 섹션에서 배운 내용들을 간략히 돌이켜보면,
1주차엔 지도학습의 개요를 살펴보고, 회귀모델의 평가지표를 배웠고, 회귀모델로 단순선형회귀, 다중선형회귀, 다항선형회귀, 라쏘회귀, 릿지회귀, 엘라스틱넷회귀 등을 배웠었다. 그리고 홀드아웃검증과 교차검증을 배웠고, 지도학습의 분산과 편향, 과소적합과 과적합 등에 대해서도 배웠고, 분류모델의 평가지표 및 로지스틱회귀모델에 대해서도 배웠었다.
2주차엔 의사결정나무, 랜덤포레스트, 부스팅모델 등과 같은 트리기반모델들을 배웠고, 모델의 파이프라인을 짜는 방법도 배웠었다. 그리고 데이터 결측치 처리방법, 분포 및 스케일 변환방법, 변수의 인코딩기법 등 전처리과정들을 배웠으며, 모델의 최적 하이퍼파라미터를 찾는 튜닝기법들도 배웠다.
3주차엔 모델의 해석방법을 배웠는데, 특히 앙상블모델들의 블랙박스문제를 해결하기위한 해석기법들을 중점적으로 배웠고, 머신러닝프로젝트의 문제해결 과정과 데이터누수 방지, 타겟 불균형 문제 해소 방법들에 대해 배웠으며, 짧은 프로젝트 기간에 대비해 미리 기획을 해보는 시간들을 가지게 되었다.

소감

이번 섹션 코치진이 밝히기론 교육내용 구성을 이번에 개편한 것이라 이전 기수와는 구성이 많이 바뀌어서 그런지 특히나 공부해야할 양이 저번 섹션에비해 확 늘어난 느낌이었고, 교육진행 중에 느꼈던 것은 짧은 시간안에 너무 많은 내용을 담으려했던 느낌이 강하게 들었었다. 섹션이 끝나고 나서 돌이켜보면 코치진들이 어떠한 이유로 이렇게 구성했는지는 알 것 같긴하지만, 분량 면에서 개선이 좀 필요해보였다.

이전 섹션에서는 모든 과제와 챌린지에서 만점을 목표로 달려와서 그런지 이번 섹션 초반에 번아웃이 크게 오기도 했었다. 코치와의 1:1면담 등을 통해 많은 걸 느낄 수 있었고, 완벽하게 이해하고 넘어가려했던게 오히려 독이었다는 생각이 들었고, 선택과 집중의 필요성을 느끼게 되었다. 그래서 이번 섹션에서는 프로젝트 기획에 모든 초점을 맞추고서 학습을 진행했고, 내 프로젝트에 쓰일만한 것들을 집중적으로 공부했었다.
그 결과 프로젝트는 수월했었지만, 너무 많은 시간을 할애한 나머지 너무 많은 것들을 준비했고 그 것들을 짧은 발표시간 안에 우겨 넣으려고 하여 어려움을 겪게 되었다. 그래서 다음엔 좀 더 힘을 빼고 간단한 주제로 프로젝트를 진행하거나, 발표에 있어서 자료를 선택하는 전략으로 진행해봐야겠다 느끼게 되었다.

다음 섹션3는 데이터 엔지니어링을 다루게 된다. 백엔드 쪽과 어느정도 겹치는 영역이다보니 컴퓨터 공학을 거의 배우지 못한 나로썬 두려움이 더 크지만, 건너건너 들려오는 역대 수료기수의 얘기들을 들어보면 섹션3부터 날개를 달았다는 케이스가 많은 것으로보아 여태까지의 난이도보단 좀 더 수월하지 않을까 예상해보고 있지만.. 과연 그럴지?
그래도 무사히 다음 섹션도 넘길 수 있기를 바래본다!

앞으로도 화이팅!