사이킷런 [머신러닝]

강좌구성
(20강) 전체 : 13시간 1분|평균 : 39분2초

수강기간
2개월

전문강사
알지오 R&D [IT]

사이킷런 [머신러닝] 인강 평생교육원 교육 안내
오픈소스(scikit-learn) 기반 머신러닝 강좌입니다. 알지오 사이킷런 머신러닝 강좌는 scikit-learn 라이브러리와 같은 기계학습 관련 오픈소스를 활용하여 실습을 수행해보는 방식으로 구성되어 있습니다

단기 습득!

2년 연속 IT교육 인강부분 1위 알지오 (근거자료)

2003년부터 운영해온 수많은 데이터베이스를 기반으로

단기 습득할 강의

로 제공합니다!
늦지 않았습니다. 알지오에서 지금부터 시작하세요!

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)

책갈피[00:09] 머신러닝강좌에서는?/[01:20] 필요한 프로그램 및 라이브러리 설치/[05:22] Data Preparation 실습 - 파일 다운로드 및 압축풀기/[14:03] Data Load/[16:25] Data Summarization/[20:11] Data Visualization/[23:46] Data Split/[28:02] Data Split-Train,Test 분리하기
02.46분 Data Understanding
(Expansion) Data Split, (Comparison) Data Distribution, Data Visualization - Scatter, Correlation Analysis 방법에 대해 학습합니다.

책갈피[00:05] 인트로/[02:17] Housing분석/[06:48] train_test_split활용하기/[10:43] StratifiedShuffledSplit사용하기/[13:36] Error사항(Income_cat에대하여)/[18:26] Error사항(Income_cat에대하여)2/[24:50] Comparison(데이터비교)/[30:29] Data_set 가시화/[33:38] bad_visualization/[38:28] Correlation분석/[41:39] Correlation_matrix
03.42분 Data Preprocessing
Data Cleansing, Categorical Data, Pipeline 처리 방법에 대해 학습합니다.

책갈피[02:17] 불러오기/[09:50] impute 활용하기/[15:10] impute 검증하기/[18:30] Lable 처리방법 /[23:27] onehot encoding 이용하기/[28:02] Pipeline/[31:57] Attribute_adder생성/[35:18] 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.

책갈피[01:35] 데이터 불러오기/[03:02] 훈렷셋 테스트셋 분리/[06:18] 데이터정제[Data preparation, Data Processing]/[11:30] 데이터정제2[Data preparation, Data Processing]/[16:06] Machine Learnring - Linear Regression/[22:25] Machine Learnring - Mean squre Error, Mean absolute Error/[27:26] Machine Learnring - Dicision Tree/[33:50] Machine Learnring - CV/[40:39] Machine Learnring - CV2/[43:14] Machine Learnring - Random Forest/[47:07] 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)

책갈피[01:44] MNIST 데이터/[04:11] MNIST 데이터 체크/[07:19] MNIST 데이터의 Plot활용/[15:55] MNIST 데이터의 Plot활용2/[22:40] clf이용하여 예측하기/[25:02] Cross Validation/[31:48] Confusion Matrix를 이용하여 평가하기/[37:26] Precision & Recall Trade-off/[41:40] Precision & Recall Curve만들기/[47:06] Precision & Recall 사이의 그래프 만들기/[50:01] 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)

책갈피[00:57] MNIST 데이터 불러오기/[06:21] Y lable작성/[12:29] lable 원인확인/[17:19] Random Forest Classifier 만들기/[23:53] ConfusionMatrix 확인/[27:55] ConfusionMatrix 가시화
07.34분 Regression Part 1
Linear Regression에 대한 학습을 수행합니다.(Normal Equation, Batch Gradient Descent, Stochastic Gradient Descent, Minibatch Gradient Descent)

책갈피[00:55] Normal Equation - 정규방정식/[07:40] Linear Regression 그리기/[12:22] Batch Gradient Descent - 경사하강법/[19:38] Stochastic Gradient Descent - 확률/[25:21] Minibatch Gradient Descent-미니 배치경사
08.34분 Regression Part 2
Other Regression에 대한 학습을 수행합니다.(Polynomial Regression, Logistic Regression)

책갈피[00:30] Polynomial Regression/[05:12] Polynomial Regression2/[09:11] Polynomial Regression3/[13:15] 모델비교하기/[20:03] Logistic Regression/[25:15] Logistic Regression2/[29:36] Logistic Regression3
09.37분 SVM Part 1
SVM 모델 학습을 수행합니다. (Comparison between Good & Bad model, Large margin classification, Sensitivity to features scale & outliers)

책갈피[01:15] SVM 모델 빌딩하기/[05:00] Linear SVM의 좋은모델과 나쁜모델/[10:20] Linear SVM의 좋은모델과 나쁜모델2/[16:30] Large Margin classification/[19:15] Large Margin classification2/[26:27] Large Margin classification3/[33:12] Large Margin classification4
10.58분 SVM Part 2
Nonlinear Dataset의 SVM 모델 학습을 수행합니다. (Polynomial Kerneal, Similarity Characteristic, Gaussian RBF Kernel)

책갈피[00:22] Non-linear이란?/[04:59] Nonlinear Dataset 제작/[10:39] Nonlinear Dataset 제작2/[14:07] Polynomial Kerneal -다항특성/[18:01] Similarity Characteristic/[23:48] Kerneal Trick 이용/[29:46] Gaussian RBF Kernel/[34:08] Gaussian RBF Kernel - plot표시/[41:20] Gaussian RBF Kernel - plot표시2/[49:12] SVM모델만들기
11.30분 SVM Part 3
SVM 회귀(SVM Regression) 모델 학습을 수행합니다. (Linear SVR, Polynomial Kernal Trick)

책갈피[00:34] import 작업 및 데이터 생성/[02:08] Linear SVR/[10:19] Linear SVR2/[14:36] Linear SVR3/[17:48] Polynomial Kernal Trick/[22:17] 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

Since 2003 IT전문교육!