머신러닝

회귀 모델은 연속형 결과 변수를 예측하는 데 사용한다.선형 회귀는 가장 기본적인 형태지만, 데이터의 패턴이 비선형일 경우 다항 회귀 등을 고려해야 한다.규제(Regularization) 기법을 활용한 모델(Lasso, Ridge)은 가중치를 규제하여 과적합을 방지한다.

데이터 전처리의 필요성과 핵심방법 불균형 데이터 문제 해결 능력 범주형 데이터 인코딩 기법 피처 엔지니어링 기법 결측치, 이상치, 불균형 데이터를 제대로 처리하고, 의미 있는 파생 변수를 생성하여 모델의 성능을 높일 수 있다 데이터 전처리 개요 원시(raw) 데이터

머신러닝의 개념과 데이터 분석에서의 역할머신러닝 모델링 프로세스의 각 단계머신러닝, 딥러닝, AI 관계 및 차이머신러닝 개념: 데이터에서 패턴 학습 → 예측/분류 수행머신러닝, 딥러닝, AI: AI라는 큰 개념 안에 머신러닝, 그 안에 딥러닝머신러닝 vs 통계: 예측

분류 모델의 개념과 활용 분야를 살펴보았다.로지스틱 회귀, 랜덤 포레스트, SVM 등 대표적 분류 모델의 원리와 장단점을 이해.모델 평가 지표(Precision, Recall, F1-score, ROC-AUC)를 적절히 활용해야 실무에 적용할 때 올바른 판단을 내릴 수

1️⃣ 앙상블 기법: 배깅과 부스팅을 통해 모델 조합으로 성능 향상2️⃣ 과적합 vs 과소적합과적합 : 복잡도 높음 → 정규화, 드롭아웃, 조기 종료, 데이터 증강 등으로 대응과소적합 : 복잡도 낮음 → 모델 파라미터 수 늘리기, 학습 기간(에폭) 늘리기3️⃣ 하이퍼파

비지도 학습은 레이블 없이 데이터 구조를 파악하는 데 사용군집 분석은 유사한 데이터끼리 묶어 세분화하고, 다양한 분야에서 활용K-Means, DBSCAN, 계층적 군집 알고리즘별 특성을 파악해 상황에 맞춰 선택군집화 결과는 실루엣 계수, Davies-Bouldin In

차원 축소의 필요성 이해PCA 개념과 절차 습득비선형 차원 축소(t-SNE, UMAP) 활용법 학습차원 축소(PCA, t-SNE, UMAP)를 통해 고차원 데이터를 효율적으로 시각화·분석하고, 노이즈를 제거함으로써 핵심 패턴을 발견할 수 있습니다!고차원 데이터란?

1️⃣ 이상 탐지(Anomaly Detection)는 정상 패턴과 다른 데이터를 찾아내는 기법이다.2️⃣ 이상치 탐지(Outlier Detection)와 유사하지만, 맥락과 패턴 학습 측면에서 조금 더 넓은 범위를 다룬다.3️⃣ 대표 알고리즘One-Class SVM: