머신러닝을 위한 알고리즘(with 파이썬)

02

1-2차시 머신러닝 소개

03

1-3차시 머신러닝 용어

04

1-4차시 머신러닝의 역사

05

1-5차시 머신러닝 활용 사례 및 유형

06

1-6차시 머신러닝에서 데이터의 역할

07

1-7차시 머신러닝의 도전 과제

08

1-8차시 머신러닝 생애 주기 및 파이프라인

09

1-9차시 회귀 문제

10

1-10차시 회귀 모델 및 성능 지표

11

1-11차시 분류 문제 및 성능 지표

12

1-12차시 분류 지표 최적화

13

1-13차시 편향과 분산

14

2-1차시 통계 및 실험

15

2-2차시 데이터 유형 및 기술 통계

16

2-3차시 확률 변수와 정규 분포

17

2-4차시 히스토그램과 정규 근사

18

2-5차시 중심극한정리

19

2-6차시 확률 이론

20

2-7차시 이항 이론 - 기대값과 표준 오차

21

2-8차시 가설 검정

22

3-1차시 파이썬 소개

23

3-2차시 주피터 노트북으로 파이썬 시작하기

24

3-3차시 파이썬 변수와 조건

25

3-4차시 파이썬 반복문 1

26

3-5차시 파이썬 반복문 2

27

3-6차시 파이썬 리스트

28

3-7차시 파이썬 튜플

29

3-8차시 파이썬 딕셔너리 1

30

3-9차시 파이썬 딕셔너리 2

31

3-10차시 파이썬 집합 1

32

3-11차시 파이썬 집합 2

33

3-12차시 넘파이 배열 1

34

3-13차시 넘파이 배열 2

35

3-14차시 넘파이 배열 3

36

3-15차시 판다스 시리즈 1

37

3-16차시 판다스 시리즈 2

38

3-17차시 판다스 시리즈 3

39

3-18차시 판다스 시리즈 4

40

3-19차시 판다스 데이터프레임 1

41

3-20차시 판다스 데이터프레임 2

42

3-21차시 판다스 데이터프레임 3

43

3-22차시 판다스 데이터프레임 4

44

3-23차시 판다스 데이터프레임 5

45

3-24차시 판다스 데이터프레임 6

46

3-25차시 파이썬 사용자 정의 함수

47

3-26차시 파이썬 람다 함수

48

3-27차시 파이썬 람다 함수 및 날짜-시간 연산

49

3-28차시 파이썬 문자열 연산

50

4-1차시 탐색적 데이터 분석

51

4-2차시 EDA의 도구 및 프로세스

52

4-3차시 EDA 프로젝트 1

53

4-4차시 EDA 프로젝트 2

54

4-5차시 EDA 프로젝트 3

55

4-6차시 EDA 프로젝트 4

56

4-7차시 EDA 프로젝트 5

57

4-8차시 EDA 프로젝트 6

58

4-9차시 EDA 프로젝트 7

59

5-1차시 선형 회귀 소개

60

5-2차시 훈련 및 비용 함수

61

5-3차시 비용 함수 및 경사 하강법

62

5-4차시 선형 회귀 - 실용적 접근

63

5-5차시 특성 스케일링 및 비용 함수

64

5-6차시 OLS 가정 및 검정

65

5-7차시 자동차 가격 예측

66

5-8차시 데이터 준비 및 분석 1

67

5-9차시 데이터 준비 및 분석 2

68

5-10차시 데이터 준비 및 분석 3

69

5-11차시 모델 구축

70

5-12차시 모델 평가 및 최적화

71

5-13차시 모델 최적화

72

6-1차시 로지스틱 회귀 소개

73

6-2차시 로짓 모델

74

6-3차시 통신 이탈 사례 연구

75

6-4차시 데이터 분석 및 특성 공학

76

6-5차시 로지스틱 모델 구축

77

6-6차시 모델 평가 - AUC-ROC

78

6-7차시 모델 최적화 1

79

6-8차시 모델 최적화 2

80

7-1차시 나이브 베이즈 확률 모델

81

7-2차시 나이브 베이즈 확률 계산

82

7-3차시 직원 이탈 사례 연구

83

7-4차시 모델 구축 및 최적화

84

8-1차시 결정 트리 - 모델 개념

85

8-2차시 결정 트리 - 학습 단계

86

8-3차시 지니 지수 및 엔트로피 측정

87

8-4차시 가지치기 및 하이퍼파라미터 조정

88

8-5차시 아이리스 데이터셋 사례 연구

89

8-6차시 그리드 서치 교차 검증을 통한 모델 최적화

90

9-1차시 앙상블 기법 - 배깅 및 랜덤 포레스트

91

9-2차시 랜덤 포레스트 단계 - 가지치기 및 최적화

92

9-3차시 그리드 서치 CV를 이용한 모델 구축 및 하이퍼파라미터 조정

93

9-4차시 최적화 계속

94

10-1차시 서포트 벡터 머신 개념

95

10-2차시 서포트 벡터 머신 지표 및 다항 SVM

96

10-3차시 서포트 벡터 머신 프로젝트 1

97

10-4차시 서포트 벡터 머신 예측

98

10-5차시 서포트 벡터 머신 - 다항 데이터 분류

99

11-1차시 주성분 분석 - 개념

100

11-2차시 주성분 분석 - 계산 1

101

11-3차시 주성분 분석 - 계산 2

102

11-4차시 주성분 분석 - 실습

103

12-1차시 비지도 학습 - K-평균 군집화

104

12-2차시 K-평균 군집화 계산

105

12-3차시 K-평균 군집화 최적화

106

12-4차시 K-평균 - 데이터 준비 및 모델링

107

12-5차시 K-평균 - 모델 최적화

108

13-1차시 딥러닝 소개