[codestates] AI Bootcamp

https://bubbly-lilac-f1c.notion.site/210708_n111_EDA-a9752abd29254a239be3f73d23c8f661

https://bubbly-lilac-f1c.notion.site/210709_n112_Feature-Engineering-f7fe0a50803b41e688cf2684edf2810e

https://bubbly-lilac-f1c.notion.site/210712_n113_Data-Manipulation-94d1bf3c6b044482a7b8743233970af4

https://bubbly-lilac-f1c.notion.site/210713_n114_Basic-Derivatives-5ed61302758c44b7a5b4e59e5eeef0b1

https://bubbly-lilac-f1c.notion.site/210715_n121_Hypothesis-Test-d408f18f71e5465d975fe5ecae40eada

https://bubbly-lilac-f1c.notion.site/210716_n122_Hypothesis-Test-2-51475d35b8544d54843dabd87cfe078d

https://bubbly-lilac-f1c.notion.site/210719_n123_Confidence-Interval-5324f379c29a4670a4b245a0743b11fa

https://bubbly-lilac-f1c.notion.site/210720_n124_Bayesian-cd9dafb27d7b4975b4780101112e1268

https://bubbly-lilac-f1c.notion.site/210722_n131_Vector-Matrix-665480066fdc45e6a1e29a5f6492171e

https://bubbly-lilac-f1c.notion.site/210723_n132_Linear-Algebra-ae62b2007fde4843bff730c5f517deb2

https://bubbly-lilac-f1c.notion.site/210726_n133_Dimension-Reduction-37219bda0f72436eb4817df2df94ceae

https://bubbly-lilac-f1c.notion.site/210727_n134_Clustering-6c28ece90341411e8bd0ca01f1ea981a

학습 목표선형회귀모델을 이해합니다.지도학습(Supervised Learning)을 이해합니다.회귀모델에 기준모델을 설정할 수 있습니다.Scikit-learn을 이용해 선형 회귀 모델을 만들어 사용하고 해석할 수 있습니다.입력과 출력 샘플 데이터가 있고, 주어진 입력으로

학습 목표머신러닝모델을 만들 때 학습과 테스트 데이터를 분리 해야 하는 이유를 설명할 수 있습니다.다중선형회귀를 이해하고 사용할 수 있습니다.과적합/과소적합을 일반화 관점에서 설명할 수 있습니다.편향/분산의 트레이드오프 개념을 이해하고 일반화 관점에서 설명할 수 있습니

학습 목표범주형(Cagegorical) 자료를 다루기 위한 원핫인코딩(One-hot encoding) 기법을 이해합니다.Ridge 회귀를 통한 특성선택(Feature selection) 과정을 이해합니다.정규화(regularization)을 위한 Ridge 회귀모델을

학습 목표훈련/검증/테스트(train/validate/test) 데이터를 분리하는 이유를 명확히 이해하고 사용합니다.분류(classification) 문제와 회귀문제의 차이점을 파악하고 문제에 맞는 모델을 사용 할 수 있습니다.로지스틱회귀(Logistic regress

모델을 만들때 진행했던 결측치 처리, 스케일링, 모델학습 등의 코드를 최소화하여 여러 ML 모델을 같은 전처리 프로세스에 연결시킬 뿐만 아니라 그리드서치(grid search)를 통해 여러 하이퍼파라미터를 쉽게 연결할 수 있다.파이프라인(Pipelines)https&#

학습 목표랜덤포레스트 모델을 이해하고 문제에 적용할 수 있습니다.순서형인코딩(Ordinal encoding) 과 원핫인코딩을 구분하여 사용할 수 있습니다.범주형 변수의 인코딩 방법이 트리모델과 선형회귀 모델에 주는 영향을 이해합니다.한 종류의 데이터로 여러 머신러닝 학

학습목표Confusion matrix 를 만들고 해석할 수 있습니다.정밀도, 재현율 을 이해하고 사용할 수 있습니다.ROC curve, AUC 점수 를 이해하고 사용할 수 있습니다.머신러닝 모델의 성능을 평가할 때 사용되는 지표$$\\frac{TP+TN}{Total}$

학습목표모델선택을 위한 교차검증 방법을 이해하고 활용할 수 있다.하이퍼파라미터를 최적화하여 모델의 성능을 향상시킬 수 있다.데이터가 충분하지 않을 경우의 문제를 극복하고자 고안된 검증 방법으로 훈련 세트에서 검증 세트를 떼어 내어 평가하는 과정을 여러번 반복하고 이 점

학습목표예측모델을 위한 타겟을 올바르게 선택하고 그 분포를 확인할 수 있다.테스트/학습 데이터 사이 or 타겟과 특성들간 일어나는정보의 누출(leakage)을 피할 수 있다.상황에 맞는 검증 지표(metrics)를 사용할 수 있다.비즈니스 문제실무자들과 대화를 통해 문

학습목표지도학습(supervised machine learning)모델을 학습하기 위한 훈련 데이터 생성 합니다.지도학습을 위한 데이터 엔지니어링 방법을 이해하고 올바른 특성을 만들어 낼 수 있습니다.분석을 하거나 모델을 만들기 전에 데이터를 사용하기 쉽게 변형하거나

랜덤 포레스트가 많은 강점이 있음에도 불구하고, 블랙박스모형이기 때문에 설명변수와 반응변수의 설명력을 확보하기 어렵다는 단점도 있다. 이를 어느 정도 해결하기 위해, 변수 중요도(Variable Importance)라는 척도를 통해 어느 변수가 예측 성능에 중요한 역할

학습목표부분의존도그림(Partial dependence plot, PDP)을 시각화하고 해석할 수 있습니다.개별 예측 사례를 Shap value plots을 사용해 설명할 수 있습니다.머신러닝 예측 모델을 만든 후 분석가는 "예측모델의 결과가 의미하는 바가 무엇인지"

#터미널 #CLI #깃(Git) #깃헙(Github) #파이썬 가상환경 학습 목표 터미널 등 CLI 를 접근하고 사용할 수 있다. 파이썬 가상환경을 만들고 사용할 수 있다. 파이썬 가상환경이 왜 필요한지 설명할 수 있다. 깃에 대한 설명을 할 수 있다. 깃을 사용해 프로젝트 관리를 할 수 있다. 깃헙과 같은 사이트를 통해 깃 레포 관리를 할 수 있다. ...

🏆 학습 목표트랜잭션에 대해서 설명할 수 있어야 합니다.ACID에 대해서 설명할 수 있어야 합니다.SQL 다중 테이블 쿼리를 날릴 수 있어야 합니다.GROUP BY를 사용할 수 있어야 합니다.데이터 조회(SELECT)는 데이터 조작어(DML)이며, 데이터 분석에서 가

학습 목표트랜잭션에 대해서 설명할 수 있어야 합니다.ACID에 대해서 설명할 수 있어야 합니다.SQL 다중 테이블 쿼리를 날릴 수 있어야 합니다.GROUP BY를 사용할 수 있어야 합니다.SQL에서 자체적으로 사용할 수 있는 함수로 레코드들을 조회하고 분류한 뒤에 특정

학습 목표 파이썬을 활용해 데이터베이스와 연결할 수 있다. : sqlite 데이터베이스(파일형 데이터베이스) 활용 및 연결로 데이터베이스와 상호작용하는 방법을 알아보고 데이터베이스 서버와 연결하는 방법(PostgreSQL)에 대해서 알아보겠습니다. python db

\_학습 목표파이썬의 기본 문법을 활용할 수 있어야 합니다.소스코드를 통해 파이썬에서 사용되는 데이터 타입을 활용할 수 있어야 합니다.컬렉션 자료형(리스트, 딕셔너리) 활용할 수 있어야 합니다.간단한 파이썬 코드를 작성할 수 있어야 합니다.(+) 덧셈(-) 뺄셈(\*)

\_학습 목표크롤링을 이해하고 설명할 수 있다.파이썬을 통해서 크롤링을 할 수 있다.HTML 혹은 CSS 를 읽을 수 있다.DOM 에 대해서 설명할 수 있다.requests 라이브러리를 사용할 수 있다.beautifulsoup 라이브러리를 사용할 수 있다.HyperTe

#API #RESTful API #API토큰 #개발자 계정 학습 목표 API를 이해하고 사용할 수 있어야 합니다. RESTful API에 대해서 설명할 수 있어야 합니다. API 의 데이터를 받아와 데이터베이스에 저장할 수 있어야 합니다. HTTP Hypertex

#NoSQL #JSON #MongoDB #Pymongo 🏆 학습 목표 NoSQL이 관계형 데이터베이스처럼 하나로 정의된 용어가 아니라는 것을 알아야합니다. NoSQL이 여러 종류의 데이터베이스로 구성된다는 것을 알아야합니다. NoSQL에 데이터를 입력할 줄 알아야합

**#PEP 249 #DBAPI #함수 #클래스 #인스턴스 ** 🏆 학습 목표 파이썬 함수를 활용할 수 있어야 합니다. 파이썬 클래스를 활용할 수 있어야 합니다. Pythonic에 대해서 생각할 수 있어야 합니다. [reference] self 이해하기

#Flask #Jinja #Template Engine #Bootstrap #웹 어플리케이션 🏆 학습 목표 Flask에 대해서 설명할 수 있어야 합니다. Flask 서버를 띄울 수 있어야 합니다. Jinja 템플렛을 사용할 수 있어야 합니다. Bootstrap 을

#Docker #Docker Hub #Docker Image #Docker Container #Docker Compose 🏆 학습 목표 CLI가 무엇인지 말할 수 있다 Docker Hub에서 Docker Image를 검색한 뒤 사용할 수 있다. 한 개의 Docker

#Heroku #배포 #WSGI #환경변수 #Metabase 🏆 학습 목표 개발 환경과 배포 환경에 대한 관리를 할 수 있어야 합니다. Heroku 를 활용해 배포할 수 있어야 합니다. 클라우드 데이터베이스에 연결할 수 있어야 합니다. Metabase 사용방법에 대

🏆 학습 목표퍼셉트론(Perceptron)을 이해하고 python으로 구현할 수 있다.신경망(Neural Network)의 원리를 이해하고 기본적인 구조 그림을 바탕으로 신경망을 설명할 수 있다.신경망이 학습된다는 개념을 이해하고 프레임워크(keras)를 활용하여 아

🏆 학습목표 경사 하강법(Gradient descent)과 역전파(Backpropagation)에 대해 이해하고 설명할 수 있다. 경사하강법과 역전파 알고리즘을 사용하여 신경망을 구현할 수 있다. 케라스(Keras) 프레임워크를 이용하여 모델을 구축할 수 있다. c

🏆 학습목표 케라스를 이용하여 모델 구조를 구축해보고 각 함수(메서드)의 의미를 이해한다. 과적합(Overfitting) 방지를 위한 가중치 Regularization의 방법을 알아보고 각 방법의 정의와 특징을 설명할 수 있습니다. 다양한 활성화 함수(Activati

🏆 학습 목표 하이퍼파라미터 탐색 방법에 어떤 것이 있으며 신경망에서 조정할 수 있는 주요 하이퍼파라미터에는 어떤 것이 있는지 설명할 수 있습니다 Scikit-learn, Keras Tuner등을 사용하여 구축한 신경망에 하이퍼파라미터 탐색 방법을 적용할 수 있습니다

🏆 학습 목표자연어처리자연어처리를 통해 어떤 일을 할 수 있는지 알 수 있습니다.전처리(Preprocessing)토큰화(Tokenization)에 대해 설명할 수 있으며 SpaCy 라이브러리를 활용하여 토큰화를 진행할 수 있습니다.불용어(Stop words)를 제거하

🏆 학습 목표단어의 분산 표현(Distributed Representation)원-핫 인코딩의 개념과 단점에 대해서 이해할 수 있습니다.분포 기반의 표현, 임베딩이 무엇인지 설명할 수 있습니다. Word2VecCBoW와 Skip-gram의 차이에 대해서 설명할 수 있

https://warm-uk.tistory.com/54

🏆 학습 목표 Part 1: Convolution & pooling 개념을 설명할 수 있다. Part 2: CNN을 이용하여 분류(Classification)문제에 적용할 수 있다. Part 3: 전이학습(transfer learning)을 이용하여 image cla

🏆 학습목표Image Segmentation 개념을 이해하고 대표 모델을 활용할 수 있다.Image Augmentation의 개념을 이해하고, 기본적인 증강방식을 활용할 수 있다.Object Recognition 개념을 이해하고, 활용할 수 있다.분할(segmenta

🏆 학습목표AutoEncoder (AE)의 구성에 대해서 설명할 수 있어야 합니다.AE의 학습과정을 이해할 수 있다.Latent variable의 추상적 개념을 정의할 수 있고,이를 활용하여 기본적인 information retrieval problem를 해결해본다.

🏆 학습목표GAN의 대립적인 의미를 이해한다.DCGAN의 Latent 개념과 그 연산에 대해서 이해한다.CycleGAN의 개념을 이해한다.생성자(generator)와 식별자(discriminator)가 서로 경쟁(Adversarial)하며 데이터를 생성(Generat

https://mm.tt/2077248157?t=N3Rd42jl5A

[ INDEX ] Preview 프로그래밍과 문제해결 프로그래밍과 기반기술 파이썬 (Python) 정규 표현식 (Regular Expressions) 다양한 메소드 반복문, 조건문 에러상황 컬렉션 자료형 (Collection) 내장메소드 람다 (lam

[ INDEX ] OOP(Object Oriented Programming) OOP의 구성 캡슐화 상속과 포함 추상화 다형성 클래스(Class) 코드 블록 구성 클래스의 인스턴스화 데이터 캡슐화와 접근제어 private(\\) 접근 dir(

[INDEX] 자료 구조의 배경 자료 구조 파이썬의 리스트와 자료구조의 리스트 자료구조와 효율성 Big O 표기법 Big O run times 파이썬 내장함수 시간복잡도 소스코드로 살펴보는 Big O run times [COLAB] n514

Python Mindmap

https://colab.research.google.com/drive/11C5QXCog2CL5Ym1StC9Lr_qAil_fL5FW?usp=sharing

[ INDEX ] 자료 구조의 활용 검색(Searching) 재귀(Recursion) 트리 용어정리 이진 트리(바이너리 트리) [ COLAB ] n522. Data Structure Intermediate

알고리즘과 자동화정렬SWAP(교환)Search Algorithm Basic(탐색 알고리즘 기본)linear search(선형 검색)Binary search(이진 검색)Iterative Sorting(반복 정렬)Selection Sort(선택정렬)Insertion Sor

분할 정복 (Divide and Conquer)퀵정렬과 병합정렬(Quick Sort and Merge Sort)퀵 정렬(Quick sort)병합 정렬(Merge sort)n524. Algorithm_Intermediate : divide and conquer

해시 테이블해시 테이블이란?해시 테이블 용어해시 테이블 구현해시 함수해시 함수란?기본 해시함수해시 충돌충돌 방지 방법 - Chaining(체이닝)충돌 방지 방법 - open addressing(오픈어드레싱)로드 팩터n531. Hash_table

그래프그래프 관련 용어그래프 유형방향성순환성가중치 여부방향성 비순환 그래프그래프 vs 트리그래프 활용인접리스트인접행렬순회트리 순회 구현n532.Graph

[ INDEX ] BFS(breadth-first search) - 너비우선탐색 DFS(depth-first search) - 깊이우선탐색 BFS vs. DFS [ COLAB ] n533. DFS,BFS

DP(Dynamic Programming, 동적 계획법)DP vs 분할정복DP 소스코드Greedy(탐욕 알고리즘)DP와 Greedyn534. Algorithm Advanced