사이킷런 [머신러닝] 강의 기초 부터 실무 인강 알지오 평생교육원 추천강의

기초부터 차근차근 실무까지.
마지막 학습 보장!

사이킷런 [머신러닝]

강의구성
(20강) 전체 : 13시간 1분|평균 : 39분2초

이용기간 / 강사
2개월 / 알지오 R&D [IT]

1:1 수강생 전용
GPT 및 최신 AI 기술을 활용한 맞춤형 답변 제공

증빙가능
수료증, 수강증, 학습진도

수강료
450,000원
225,000원

"5개월" 혜택!

수강 전 자주 묻는 질문

교재 없이? 초보자도 가능 한가요?

본 강의는 교재 없이도 동영상 강의만을 통해 충분히 학습할 수 있도록 구성되어 있습니다. 제공되는 실습 자료를 활용해 따라 하면서 학습하시면, 초보자도 이해하고 따라올 수 있게 설계된 강의입니다.

알지오의 강의특징은 무엇인가요?

저희 강의는 단순한 전문가 촬영본을 넘어섭니다. 전문 편집을 통해 필수 내용만을 선별하고, 불필요한 부분을 제거함으로써 학습 효율을 극대화합니다.

프로그램은 어떻게 구하나요?

알지오 는 원격평생교육원 으로, 프로그램에 대한 정보는 알수 없습니다.

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)

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