ONLINE CLASS

사이킷런 [머신러닝]

COURSE FOCUS

이 강의에서 배우는 핵심 실무

사이킷런 머신러닝 학습을 위해 데이터를 불러와 요약·시각화하고 학습에 사용할 자료를 분리합니다. 분류모델의 혼동행렬과 SVM 회귀를 살펴보고 Random Forest의 평가와 특성 중요도로 예측 결과를 확인합니다. Kernel PCA와 LLE 차원축소까지 실습하며 데이터 분포를 이해하는 준비 단계에서 모델 학습과 결과 해석으로 이어갑니다.

?

수강 전 꼭 확인하세요

수강 전 자주 묻는 내용을 간단히 안내드립니다.

Q초보자도 교재 없이 수강 가능한가요? 프로그램 정보는?

A

네, 영상과 실습자료로 쉽게 학습할 수 있습니다. 알지오는 원격평생교육원으로 프로그램 관련 정보는 제공하지 않습니다.

◆

기업이 선택한 신뢰 강의

검증된 커리큘럼과 전문 강사진으로 높은 만족도를 제공합니다.

자세히 보기 >

REAL REVIEW

수강생 리얼후기!

실제 수강생의 학습 경험을 확인해 보세요.

수강후기를 불러오는 중입니다.

RECENT Q&A

최근 수강질문

최근 등록된 수강질문을 작성순서대로 확인해 보세요.

전체 수강질문 보기

ALZIO DEEP GUIDE

scikit-learn을 더 깊게 이해하기

20강의 자료 준비·분할·전처리·Pipeline·end-to-end 모델·분류·회귀·SVM·트리·앙상블·차원축소를 연결합니다. 실제 지표와 알고리즘 회차를 근거로 안내하며 특정 업무에서의 정확도나 성능을 보장하지 않습니다.

공식 기술정보 확인20강 커리큘럼 연결2026 현재 기술정보

사이킷런 [머신러닝] · 20강 · 13시간 1분

01

scikit-learn은 무엇인가

scikit-learn은 Python의 머신러닝 라이브러리입니다. 자료 전처리와 모델 학습·예측·평가를 연결해 분류·회귀·차원축소 등의 문제를 다룹니다. 높은 학습 점수와 새로운 자료에서의 성능은 구분해야 합니다.

02

관련 플랫폼과 개발도구의 관계

NumPy·pandas 등은 수치와 표 자료를 다루고 시각화 도구는 분포와 결과를 보여 줍니다. scikit-learn의 estimator는 fit·predict 또는 transform 등의 처리 계약을 제공합니다. 자료 준비와 학습·평가를 파이프라인으로 연결하더라도 데이터 분할의 역할은 유지됩니다.

03

scikit-learn의 핵심 기능

기술 자체의 기능과 이 강좌의 직접 학습 범위는 다릅니다. 아래 연결 표시는 저장된 공개 커리큘럼에 근거합니다.

자료 분할·전처리

학습과 평가의 자료 역할을 정합니다. 결측·범주·스케일 등의 처리 조건을 확인합니다. 전처리에서 평가 자료를 학습에 섞지 않도록 합니다.

기술 참고 · 직접 학습 여부는 아래 회차 연결표에서 확인

Estimator·Pipeline

학습·예측·변환을 공통 방식으로 연결합니다. 반복 실험의 처리 흐름을 정리합니다. 파이프라인이 부적절한 평가 설계를 자동으로 고치지는 않습니다.

기술 참고 · 직접 학습 여부는 아래 회차 연결표에서 확인

분류·평가

범주 예측과 precision·recall·F1·ROC 등을 읽습니다. 목적에 맞는 오류 비용을 생각해야 합니다. 하나의 수치만으로 모든 문제의 우열을 단정하지 않습니다.

기술 참고 · 직접 학습 여부는 아래 회차 연결표에서 확인

회귀·SVM

수치 예측과 마진·커널·스케일 조건을 다룹니다. 모델의 가정과 자료를 연결합니다. 알고리즘 이름만으로 최적 선택을 정하지 않습니다.

기술 참고 · 직접 학습 여부는 아래 회차 연결표에서 확인

트리·앙상블

분기와 여러 모델의 결합으로 예측을 구성합니다. 과적합·복잡도·평가 조건을 함께 봅니다. 중요도 수치를 곧 인과관계로 해석하지 않습니다.

기술 참고 · 직접 학습 여부는 아래 회차 연결표에서 확인

차원축소

자료 표현의 차원을 줄이고 구조를 살펴봅니다. 압축과 시각화의 목적을 구분합니다. 축소 결과가 모든 원래 정보를 보존하는 것은 아닙니다.

기술 참고 · 직접 학습 여부는 아래 회차 연결표에서 확인

04

이 과정의 실제 작업 흐름

1~4강은 로드·요약·시각화·분할·분포·상관·정제·범주 자료·Pipeline·모델 선택·학습·튜닝입니다. 5~8강은 SGD 분류·교차검증·precision·recall·F1·ROC·혼동행렬·다중라벨과 선형·다항·로지스틱 회귀 관련 내용입니다.

9~12강은 SVM의 마진·스케일·이상값·비선형 커널·회귀·결정함수·hinge loss·학습 시간입니다. 13~17강은 분류·회귀 트리·복잡도·voting·bagging·Random Forest·OOB·중요도·boosting이며 18~20강은 PCA·manifold·압축·Incremental PCA·Kernel PCA·LLE입니다.

자료 로드·분포
전처리·Pipeline
학습·튜닝·평가
분류·회귀·SVM
트리·앙상블
차원축소

05

핵심 구조를 이해하는 방법

모델은 학습 자료에서 조건을 추정하고 평가 자료로 결과를 확인합니다. 평가 자료의 정보가 전처리나 모델 선택에 들어가면 데이터 누수로 점수가 과장될 수 있습니다. 파이프라인과 교차검증을 사용하면서 학습·검증·테스트의 목적을 나누어 봅니다.

06

실무 적용과 결과 확인

1~6강의 분할과 평가를 복습할 때 자료의 역할·전처리 학습 대상·평가 지표를 기록해 보세요. 다른 분할에서 결과가 달라지는지 확인하는 추가 연습입니다. 테스트 자료를 여러 번 보며 모델을 고르면 평가 의미가 달라질 수 있습니다.

9~20강에서 모델이나 축소 방법을 비교할 때 같은 평가 조건과 입력 표현을 유지해 보세요. 스케일 변경·복잡도·결과 분포를 대조하는 응용 점검입니다. 특정 알고리즘이 모든 자료에서 우수하다고 안내하지 않습니다.

07

이 강좌에서 집중할 전문주제

전문 축은 end-to-end 흐름과 서로 다른 모델의 가정을 연결하는 것입니다. 1~4강의 자료 준비를 5~12강의 지표·최적화·SVM에 연결하면 점수가 나온 이유와 입력 조건을 함께 읽을 수 있습니다.

13~20강에서는 모델의 복잡도와 자료 표현을 함께 봅니다. 트리·앙상블의 예측과 PCA·LLE의 축소 목적은 다릅니다. 공개 표기의 ForestClassifier 같은 이름을 현행 API의 정확한 클래스명으로 그대로 옮기지 않습니다.

08

현재 기술과 강좌 환경의 관계

강좌의 정확한 Python·scikit-learn·라이브러리 버전은 공개 설명으로 확정하지 않습니다. 기존 예제의 인수·클래스·평가 도구는 사용할 버전의 API와 대조해야 합니다.

공식 stable 문서는 현재 개념 확인에 사용했으며 문서의 버전 번호를 강좌 환경으로 표시하지 않습니다. 데이터 누수 방지·분할·파이프라인 점검은 현재 기술 참고와 추가 연습이며 강좌의 모든 구현을 확인했다는 뜻은 아닙니다.

09

목적에 맞는 기술 선택과 비교

아래 비교는 목적과 작업 구조를 선택하기 위한 안내입니다. 다른 기술 전체를 본 강좌에서 가르친다는 뜻은 아닙니다.

목적에 맞는 기술 선택과 비교
선택지	작업 접근	이 강좌와의 관계
분류	범주 예측과 오류 유형 평가	5~6·9~10·13·15~17강
회귀	수치 예측과 오차·모델 조건	7~8·11·14강
차원축소	입력 표현·압축·구조 분석	18~20강

10

기술개념과 알지오 커리큘럼 연결

회차는 공개 커리큘럼의 실제 순서입니다. 실습 후 응용 제안과 현재 기술 참고정보를 강의에서 제공하는 실습으로 해석하지 않습니다.

기술개념과 알지오 커리큘럼 연결
기능·개념	무엇인가	실무 의미	강좌 회차	학습 상태
자료 준비·전처리·end-to-end	로드·분할·분포·Pipeline·튜닝	실험의 입력 조건	1·2·3·4강	강좌에서 직접 학습
분류·회귀	지표·분류기·회귀 최적화	목적과 오류 유형	5·6·7·8강	강좌에서 직접 학습
SVM	마진·커널·회귀·배경	스케일과 모델 조건	9·10·11·12강	강좌에서 직접 학습
트리·앙상블	복잡도·결합·OOB·boosting	검증과 모델 비교	13·14·15·16·17강	강좌에서 직접 학습
차원축소	PCA·manifold·압축·LLE	표현과 정보 손실	18·19·20강	강좌에서 직접 학습

11

처음 배울 때 자주 생기는 오해

학습 점수가 높으면 새 자료도 잘 맞나?

평가 자료로 따로 확인해야 합니다. 1~5강의 분할과 지표를 연결합니다. 과적합과 데이터 누수를 구분하세요.

전처리를 전체 자료로 학습해도 되나?

평가 정보가 들어갈 수 있습니다. 학습 자료와 평가 자료 역할을 나눕니다. 3~5강을 현재 공식 누수 방지 설명과 대조하세요.

Pipeline이 평가 오류를 자동 해결하나?

처리 순서를 연결하는 도구입니다. 잘못된 자료 분할은 별도 문제입니다. 3~4강의 실제 구성과 검증 조건을 확인하세요.

로지스틱 회귀는 수치 회귀만 하나?

주로 분류에 사용하는 모델입니다. 8강의 회귀 관련 제목과 문제 목적을 구분합니다. 이름만으로 결과 유형을 정하지 않습니다.

변수 중요도는 원인을 증명하나?

모델과 자료 조건에 따른 정보입니다. 16강의 중요도를 인과관계로 확대하지 않습니다. 입력의 상관과 평가 조건도 살펴보세요.

차원축소는 예측 정확도 보장인가?

표현을 줄이는 작업입니다. 18~20강의 압축과 구조 목적을 구분합니다. 별도 평가 없이 정확도가 좋아졌다고 단정하지 않습니다.

12

다음 학습 방향

파이썬 jupyter

Python 함수·클래스·모듈 기반을 복습합니다.

자료 보기 →

파이썬 [왕초보] VSCode

R의 다른 통계·자료 처리 흐름을 비교합니다.

자료 보기 →

scikit-learn 관련 과정 비교

입문·실무·심화 과정의 실제 커리큘럼을 목적에 맞게 비교합니다.

자료 보기 →

실습과 복습 계획

새 환경에서 예제를 확인하고 학습 계획을 세우는 방법을 살펴봅니다.

자료 보기 →

사이킷런 [머신러닝]

사이킷런 [머신러닝]

사이킷런 [머신러닝]

강의구성
(20강) 전체 : 13시간 1분|평균 : 39분2초

이용기간/강사
1개월2개월
알지오 R&D [IT]

증빙가능
수료증, 수강증, 학습진도

수강료
330,000원165,000원

?

수강 전 꼭 확인하세요

수강 전 자주 묻는 내용을 간단히 안내드립니다.

Q 초보자도 교재 없이 수강 가능한가요? 프로그램 정보는?

A

네, 영상과 실습자료로 쉽게 학습할 수 있습니다. 알지오는 원격평생교육원으로 프로그램 관련 정보는 제공하지 않습니다.

01.34분 Data Preparation
Data Load, Data Summarization, Data Visualization, Data Split 방법에 대해 학습합니다. (Python Lib: os, tarfile, urllib, numpy, pandas, matplitlib.pyplot 등)

머신러닝강좌에서는?, 필요한 프로그램 및 라이브러리 설치, Data Preparation 실습 - 파일 다운로드 및 압축풀기, Data Load, Data Summarization, Data Visualization, Data Split, Data Split-Train,Test 분리하기
02.46분 Data Understanding
(Expansion) Data Split, (Comparison) Data Distribution, Data Visualization - Scatter, Correlation Analysis 방법에 대해 학습합니다.

인트로, Housing분석, train_test_split활용하기, StratifiedShuffledSplit사용하기, Error사항(Income_cat에대하여), Error사항(Income_cat에대하여)2, Comparison(데이터비교), Data_set 가시화, bad_visualization, Correlation분석, Correlation_matrix
03.42분 Data Preprocessing
Data Cleansing, Categorical Data, Pipeline 처리 방법에 대해 학습합니다.

불러오기, impute 활용하기, impute 검증하기, Lable 처리방법, onehot encoding 이용하기, Pipeline, Attribute_adder생성, StandardScalar 알아보기
04.52분 ML model(end-to-end)
Model Selection, Model Training, Model Tuning에 대해 End-to-end로 실습하여, 기계학습에 대한 전반적인 이해도를 높이는 학습을 수행합니다.

데이터 불러오기, 훈렷셋 테스트셋 분리, 데이터정제[Data preparation, Data Processing], 데이터정제2[Data preparation, Data Processing], Machine Learnring - Linear Regression, Machine Learnring - Mean squre Error, Mean absolute Error, Machine Learnring - Dicision Tree, Machine Learnring - CV, Machine Learnring - CV2, Machine Learnring - Random Forest, Machine Learnring - SVM
05.55분 Classification Part 1
Machine Learning 알고리즘 중 분류에 대한 학습을 수행합니다. (Model Training: SGD Classifier, Model Evaluation: Cross Validation + Precision & Recall & F1-score + ROC Curve)

MNIST 데이터, MNIST 데이터 체크, MNIST 데이터의 Plot활용, MNIST 데이터의 Plot활용2, clf이용하여 예측하기, Cross Validation, Confusion Matrix를 이용하여 평가하기, Precision & Recall Trade-off, Precision & Recall Curve만들기, Precision & Recall 사이의 그래프 만들기, ROC Curve나타내기
06.33분 Classification Part 2
Machine Learning 알고리즘 중 분류에 대한 학습을 수행합니다. (Model Building: SGDClassifier, OneVsOneClassifier, ForestClassifier, ErrorVisualization: ConfusionMatrix-Matshow, Multiple Labels Classification)

MNIST 데이터 불러오기, Y lable작성, lable 원인확인, Random Forest Classifier 만들기, ConfusionMatrix 확인, ConfusionMatrix 가시화
07.34분 Regression Part 1
Linear Regression에 대한 학습을 수행합니다.(Normal Equation, Batch Gradient Descent, Stochastic Gradient Descent, Minibatch Gradient Descent)

Normal Equation - 정규방정식, Linear Regression 그리기, Batch Gradient Descent - 경사하강법, Stochastic Gradient Descent - 확률, Minibatch Gradient Descent-미니 배치경사
08.34분 Regression Part 2
Other Regression에 대한 학습을 수행합니다.(Polynomial Regression, Logistic Regression)

Polynomial Regression, Polynomial Regression2, Polynomial Regression3, 모델비교하기, Logistic Regression, Logistic Regression2, Logistic Regression3
09.37분 SVM Part 1
SVM 모델 학습을 수행합니다. (Comparison between Good & Bad model, Large margin classification, Sensitivity to features scale & outliers)

SVM 모델 빌딩하기, Linear SVM의 좋은모델과 나쁜모델, Linear SVM의 좋은모델과 나쁜모델2, Large Margin classification, Large Margin classification2, Large Margin classification3, Large Margin classification4
10.58분 SVM Part 2
Nonlinear Dataset의 SVM 모델 학습을 수행합니다. (Polynomial Kerneal, Similarity Characteristic, Gaussian RBF Kernel)

Non-linear이란?, Nonlinear Dataset 제작, Nonlinear Dataset 제작2, Polynomial Kerneal -다항특성, Similarity Characteristic, Kerneal Trick 이용, Gaussian RBF Kernel, Gaussian RBF Kernel - plot표시, Gaussian RBF Kernel - plot표시2, SVM모델만들기
11.30분 SVM Part 3
SVM 회귀(SVM Regression) 모델 학습을 수행합니다. (Linear SVR, Polynomial Kernal Trick)

import 작업 및 데이터 생성, Linear SVR, Linear SVR2, Linear SVR3, Polynomial Kernal Trick, Polynomial Kernal Trick2
12.49분 SVM Part 4
SVM Background에 대해 학습을 수행합니다. (Decision Function, Objective Function, Hinge Loss, Training Time)
13.54분 DecisionTree Part 1
Decision Tree에 대해 학습을 수행합니다. (Training, Visualization, Prediction Class, Sensitivity, Restriction)
14.26분 DecisionTree Part 2
Regression Decision Tree에 대해 학습을 수행합니다. (TreeRegressor, Comparision(DecisionTree: Classification vs. Regression), Restriction)
15.34분 EnsembleLearning Part 1
Ensemble Learning 중 Voting, Bagging 방법에 대해 학습을 수행합니다. (Voting Classifier, Bagging Classifier)
16.28분 EnsembleLearning Part 2
Bagging 방법의 대표적인 알고리즘인 Random Forest에 대해 학습을 수행합니다. (Random Forest, Out-of-bag Evaluation, Feature Importance)
17.59분 EnsembleLearning Part 3
Boosting 방법에 대해 학습을 수행합니다. (Ada Boosting, Gradient Boosting)
18.27분 Dimension Reduction Part 1
차원축소 방법에 대해 학습을 수행합니다. (Projection with PCA, Manifold Learning)
19.24분 Dimension Reduction Part 2
차원축소 방법에 대해 학습을 수행합니다. (PCA, MNIST compression, Incremental PCA)
20.25분 Dimension Reduction Part 3
차원축소 방법에 대해 학습을 수행합니다. (Kernal PCA, LLE(Locally Linear Embedding))

강의목록 다운로드 1:1 강의 질문&답변

💬

알지오 학습·수강 도우미

운영진이 확인한 안내를 자세히 보고, 필요하면 바로 상담하세요.

상담 상태 확인 중