Codeit 머신 러닝

- 코드잇 강의 바로 가기 1. 머신 러닝이란? +) numpy를 사용한 행렬 연산 실습 01. 머신 러닝(Machine Learning) 머신 러닝이란 한국말로 하면 '기계학습'으로, 기계가 데이터를 통한 학습으로 스스로 발전하는 것을 뜻한다. > 기계가 학습한다는

- 코드잇 강의 바로 가기 선형 회귀 +) sklearn을 사용한 선형 회귀 실습 01. 선형 회귀 (Linear Regression) 선형 회귀 : 데이터들을 놓고 그것을 가장 잘 설명할 수 있는 선을 찾는 분석 방법 이 때 이 선을 최적선(line of best

- 코드잇 강의 바로 가기 다중 선형 회귀 +) sklearn을 사용한 다중 선형 회귀 실습 01. 다중 선형 회귀(Multiple Linear Regression) * 다중 선형 회귀 * : 여러 개의 입력 변수를 사용해서 목표 변수를 예측하는 선형 회귀 알고리즘

- 코드잇 강의 바로 가기 다항 회귀 +) sklearn을 사용한 다항 회귀 실습 01. 다항 회귀 (Polynomial Regression) * 다항 회귀(polynomial regression) * : 데이터에 잘 맞는 다항식이나 곡선을 구해서 학습하는 알고리즘

- 코드잇 강의 바로 가기 로지스틱 회귀 +) sklearn을 사용한 로지스틱 회귀 실습 01. 분류 문제 그동안은 머신 러닝 > 지도 학습 > 회귀(연속적인 값을 예측)에 대한 내용이었다면, 로지스틱 회귀는 분류(정해진 몇 개의 값 중 예측) 문제를 해결한다. e

- 코드잇 강의 바로 가기 데이터 전처리 +) sklearn을 사용한 데이터 전처리 실습 01. 머신 러닝 더 빠르고 정확하게 scikit-learnn과 같은 머신러닝 라이브러리에는 복잡한 알고리즘이 이미 구현되어 있어 이론적인 걸 잘 몰라도 매우 편리하게 사용할 수

- 코드잇 강의 바로 가기 정규화 +) sklearn을 사용한 정규화 실습 01. 편향과 분산 편향(Bias) 왼쪽과 같이 선형 회귀로 직선 모델을 나타냈을 때, 아무리 학습해도 곡선 관계를 나타내지 못하는 한계가 있다. 반면 오른쪽처럼 높은 차항의 회귀를 사용해서

- 코드잇 강의 바로 가기 +) sklearn을 사용한 k겹 교차 검증과 grid search 실습 모델 평가 01. k겹 교차 검증 k-겹 교차 검증(k-fold cross validation) 지금까지 머신 러닝 모델을 만들 때, 주어진 데이터를 training

- 코드잇 강의 바로 가기 결정 트리 +) sklearn을 사용한 결정 트리 실습 01. 결정 트리란? 결정 트리(Decision Tree) 예 / 아니오로 답할 수 있는 어떤 질문들이 있고, 그 질문들의 답을 따라가면서 데이터를 분류하는 알고리즘위의 예시처럼

- 코드잇 강의 바로 가기 랜덤 포레스트 +) sklearn을 사용한 랜덤 포레스트 실습 01. 결정 트리와 앙상블 결정 트리는 개념 자체가 비교적 직관적이고 해석하기도 굉장히 쉽지만, 이상적인 머신 러닝 모델이 되기 힘든 한 가지 특징을 갖는다. 바로 "부정확성"인

- 코드잇 강의 바로 가기 에다 부스트 +) sklearn을 사용한 에다부스트 실습 01. Boosting > Review) Bagging : Bootstrap aggregating의 줄임말로, 임의로 bootstrap 데이터 셋을 만들고 이를 통해 만든 수많은 모델