인공지능(AI) 및 기계 학습의 기초 교육 과정

응용 기계 학습 입문

• 통계 학습 vs 기계 학습
• 반복 및 평가
• 편향-분산 트레이드오프
• 지도 학습 vs 비지도 학습
• 기계 학습으로 해결되는 문제
• 학습-검증-테스트 – 과대적합을 피하기 위한 ML 워크플로우
• 기계 학습 워크플로우
• 기계 학습 알고리즘
• 문제에 적합한 알고리즘 선택

알고리즘 평가

• 수치적 예측 평가
  • 정확도 측정: ME, MSE, RMSE, MAPE
  • 매개변수 및 예측 안정성
• 분류 알고리즘 평가
  • 정확도 및 그 문제점
  • 혼동 행렬
  • 불균형 클래스 문제
• 모델 성능 시각화
  • 이익 곡선
  • ROC 곡선
  • 리프트 곡선
• 모델 선택
• 모델 튜닝 – 그리드 서치 전략

모델링을 위한 데이터 준비

• 데이터 가져오기 및 저장
• 데이터 이해 – 기본 탐색
• pandas 라이브러리를 사용한 데이터 조작
• 데이터 변환 – 데이터 정리 (wrangling)
• 탐색적 분석
• 결측값 – 탐지 및 해결책
• 이상치 – 탐지 및 전략
• 표준화, 정규화, 이분화

이상치 탐지를 위한 기계 학습 알고리즘

• 지도 알고리즘
  • KNN
  • 앙상블 그라디언트 부스팅
  • SVM
• 비지도 알고리즘
  • 거리 기반
  • 밀도 기반 방법
  • 확률론적 방법
  • 모델 기반 방법

딥러닝 이해하기

• 딥러닝 기본 개념 개요
• 기계 학습과 딥러닝의 차이점
• 딥러닝 응용 분야 개요

신경망 개요

• 신경망이란 무엇인가
• 신경망 vs 회귀 모델
• 수학적 기초와 학습 메커니즘 이해하기
• 인공 신경망 구축
• 신경 노드와 연결 이해하기
• 뉴런, 레이어, 입력 및 출력 데이터 다루기
• 단일 레이어 퍼셉트론 이해하기
• 지도 학습과 비지도 학습의 차이점
• 피드포워드 및 피드백 신경망 학습하기
• 포워드 프러파게이션과 백프로파게이션 이해하기

Keras로 간단한 딥러닝 모델 구축하기

• Keras 모델 생성
• 데이터 이해하기
• 딥러닝 모델 지정하기
• 모델 컴파일하기
• 모델 피팅하기
• 분류 데이터 다루기
• 분류 모델 다루기
• 모델 사용하기

딥러닝을 위한 TensorFlow 사용

• 데이터 준비
  • 데이터 다운로드
  • 학습 데이터 준비
  • 테스트 데이터 준비
  • 입력 스케일링
  • 플레이스홀더 및 변수 사용
• 네트워크 아키텍처 지정
• 손실 함수 사용
• 옵티마이저 사용
• 초기화 사용
• 신경망 피팅
• 그래프 구축
  • 추론
  • 손실
  • 훈련
• 모델 훈련
  • 그래프
  • 세션
  • 훈련 루프
• 모델 평가
  • 평가 그래프 구축
  • 평가 출력을 통한 평가
• 대규모 모델 훈련
• TensorBoard로 모델 시각화 및 평가

이상 탐지에 딥러닝 적용

• 오토인코더
  • 인코더 - 디코더 아키텍처
  • 재구성 손실
• 변분 오토인코더
  • 변분 추론
• 생성 적대 신경망 (GAN)
  • 생성기 – 판별기 아키텍처
  • GAN을 이용한 이상 탐지 접근법

앙상블 프레임워크

• 서로 다른 방법들의 결과 결합
• 부트스트랩 어그리게이팅
• 이상치 점수 평균화