Machine Learning
1.[ML] 머신러닝 프로젝트 워크플로우 정리: 데이터 수집부터 모델 평가까지
ML 프로젝트 워크 플로우 문제 정의 → 데이터 수집 → 데이터 전처리 → 데이터 분할 → 모델 선택 → 학습 → 평가 → 개선 1. Problem Definition 해결하려는 문제 명확히 정의 머신러닝/딥러닝 구분 목표 변수(타깃, Lable)와 특징(Feat
2.[ML] AI, ML, DL 완벽 비교: 인공지능 개념의 큰 그림 잡기
AI / ML / DL 개념 정리 > 📓 written using Jupyter Notebook & Google Colab > 🔗 Clustering 실습 링크 1. 인공지능 (AI; Artificial Intelligence) 인간이 가진 지능적인 능력(사고
3.[ML] 머신러닝·딥러닝 프레임워크 총정리: TensorFlow부터 PyTorch까지
머신러닝 프레임워크는 개발자가 AI 모델을 쉽게 구축, 학습, 배포할 수 있도록 도와주는 소프트웨어 도구이다. 이러한 프레임워크는 복잡한 알고리즘과 데이터 처리 작업을 간소화하고, 다양한 기능과 라이브러리를 제공한다. 이를 통해 개발 시간과 노력을 절감할 수 있으며,
4.[ML] 인공 신경망
인공 신경(Artificial Neuron) 우리가 흔히 인공 신경망이라고 부르는 모델의 가장 작은 단위는 인공 신경이다. 이는 뇌 속의 뉴런(Neuron)을 모방한 구조로, 노드(Node)와 엣지(Edge, connection)로 이루어진다. 입력 값 -> 웨이트(가
5.[ML] 선형 회귀와 로지스틱 회귀
회귀란? 입력과 출력 간의 관계(=함수)를 알아내는 것이다. 즉, 처음 보는 입력에 대해서도 적절한 출력을 예측할 수 있도록 하는 것이다.예를 들어, 유튜브 영상의 조회수와 수익의 관계를 함수 y = ax+b 형태로 두고, a와 b를 학습한다면, 다른 영상의 조회수만
6.[ML] 최적화 알고리즘
최적화 알고리즘 (Optimization Algorithm) 모델의 손실 함수(Loss Function) 값을 최소화(또는 최대화)하기 위해, 모델 파라미터(가중치, 편향 등)를 반복적으로 조정하는 절차 또는 방법. 👉 목표 함수가 가장 좋은 값을 갖도록 변수 값을
7.[ML] Training, Validation, Test data
딥러닝 모델을 학습시킬 때는 데이터를 어떻게 나눠 쓰느냐가 성능에 큰 영향을 준다.처음부터 끝까지 똑같은 데이터로만 학습과 평가를 하면 모델이 “암기”만 하게 되고, 실제 새로운 데이터를 만나면 제대로 동작하지 않을 수 있다. 그래서 데이터셋은 보통 Training
8.[ML] 퍼셉트론의 개념(단층 퍼셉트론 / 다층 퍼셉트론)
퍼셉트론(Perceptron) 퍼셉트론은 다수의 입력 신호를 받아 하나의 출력 신호를 내는 구조다. 즉, 입력 → 연산(가중치, 편향, 활성화 함수) → 출력 시스템이라고 할 수 있다. 가중치와 편향 퍼셉트론의 수식은 다음과 같다. $$ y = f\left(\s
9.[ML] 역전파 (Backpropagation)
딥러닝이나 인공신경망을 공부하다 보면 반드시 만나게 되는 개념이 역전파(Backpropagation) 이다.이 알고리즘은 신경망이 스스로 학습할 수 있게 해주는 핵심 원리다. 신경망은 기본적으로 입력 → 여러 개의 은닉층 → 출력 구조를 가지고 있다.여기서 중요한 건
10.[ML] 활성화 함수 (Activation Function)
신경망에서 활성화 함수(activation function)는 매우 중요한 역할을 한다.신경망은 기본적으로 입력 $$x$$ 에 가중치 $$W$$ 와 편향 $$b$$ 를 곱해 선형 변환을 수행한다. $$z = W x + b$$만약 이 값 그대로를 다음 층으로 넘긴다면,