파이썬 머신러닝 입문: 자연어 처리와 컴퓨터 비전까지

02

1-2차시 강의 개요

03

1-3차시 플랫폼에 대한 안내

04

2-1차시 학습에 필요한 소스 코드 안내

05

3-1차시 비지도 학습은 무엇에 활용되는가?

06

3-2차시 클러스터링을 사용하는 이유

07

4-1차시 K-평균 클러스터링 소개

08

4-2차시 K-평균: 연습 문제 1

09

4-3차시 K-평균: 연습 문제 1 해설

10

4-4차시 K-평균: 연습 문제 2

11

4-5차시 K-평균: 연습 문제 2 해설

12

4-6차시 K-평균: 연습 문제 3

13

4-7차시 K-평균: 연습 문제 3 해설

14

4-8차시 K-평균 목적함수: 이론

15

4-9차시 K-평균 목적함수: 코드 구현

16

4-10차시K-평균 클러스터링 알고리즘 시각적 단계별 설명 (구버전)

17

4-11차시 소프트 K-평균

18

4-12차시 K-평균 목적함수

19

4-13차시 파이썬으로 구현하는 소프트 K-평균

20

4-14차시 학습 진도 설정 안내

21

4-15차시 K-평균 단계별 시각화

22

4-16차시 K-평균이 실패하는 사례

23

4-17차시 K-평균 클러스터링의 단점

24

4-18차시 클러스터링 평가 방법 (Purity, Davies-Bouldin Index)

25

4-19차시 실제 데이터에 K-평균 적용하기: MNIST

26

4-20차시 K 값을 선택하는 한 가지 방법

27

4-21차시 K-평균 활용: 관련 단어 클러스터 탐색

28

4-22차시 NLP와 컴퓨터 비전을 위한 클러스터링 실제 적용 사례

29

4-23차시 건의 사항

30

5-1차시 응집적 계층적 클러스터링의 시각적 단계별 설명

31

5-2차시 응집형 클러스터링 옵션

32

5-3차시 파이썬에서 계층적 클러스터링 사용 및 덴드로그램 해석

33

5-4차시 적용 사례: 진화

34

5-5차시 적용 사례: 도널드 트럼프와 힐러리 클린턴 트윗 분석

35

6-1차시 가우시안 혼합 모델 (GMM) 알고리즘

36

6-2차시 파이썬 코드로 가우시안 혼합 모델 작성하기

37

6-3차시 GMM의 실무적 고려사항

38

6-4차시 GMM과 K-평균 비교

39

6-5차시 커널 밀도 추정

40

6-6차시 GMM vs 베이즈 분류기- 1

41

6-7차시 GMM vs 베이즈 분류기- 2

42

6-8차시 기대값-최대화(EM) 알고리즘- 1

43

6-9차시 기대값-최대화(EM) 알고리즘- 2

44

6-10차시 기대값-최대화(EM) 알고리즘- 3

45

7-1차시 개발 환경 설정 (부록): 설치 전 점검 사항

46

7-2차시 개발 환경 설정 (부록): 아나콘다 환경 설정

47

7-3차시 개발 환경 설정 (부록): NumPy, SciPy, Matplotlib, Pandas, TensorFlow 설치 방법

48

8-1차시 파이썬 초보자를 위한 추가 코딩 안내 (부록)- 1

49

8-2차시 파이썬 초보자를 위한 추가 코딩 안내 (부록)- 2

50

8-3차시 파이썬 초보자를 위한 추가 코딩 안내 (부록)- 3

51

8-4차시 파이썬 초보자를 위한 추가 코딩 안내 (부록)- 4

52

9-1차시 강의 수강을 위한 효과적인 학습 전략 (부록)

53

9-2차시 강의 수강을 위한 효과적인 학습 전략 (부록): 학습 레벨 안내

54

9-3차시 강의 수강을 위한 효과적인 학습 전략 (부록): 강의 수강 순서 안내 -1

55

9-4차시 강의 수강을 위한 효과적인 학습 전략 (부록): 강의 수강 순서 안내 -2