1. 기본 개념 쌓기 기초 https://hunkim.github.io/ml/ 모두를 위한 머신러닝/딥러닝 강의 hunkim.github.io 고급 https://developers.google.com/machine-learning/crash-course?hl=ko Machine Learning | Google for Developers 이 페이지는 Cloud Translation API를 통해 번역되었습니다. 의견 보내기 컬렉션을 사용해 정리하기 내 환경설정을 기준으로 콘텐츠를 저장하고 분류하세요. 머신러닝 단기집중과정TensorFlow API 사용 Go developers.google.com 2. Hands-On https://www.datacamp.com/ Python 과정 이런 것들 수료하면 됨 ..

머신 러닝 시스템을 설계할 때 가장 중요한 것이 무엇일까? 언제나 그렇듯 비즈니스 목적이 가장 중요하다. 머신 러닝의 성공 요소는 돈이 되는 비즈니스 문제의 정의와 현업에 적용할 수 있는 협업 환경이다. AI 모델?은 요즘 Auto ML이라는 기술이 있기 때문에 정확한 비즈니스 목적(돈이 되는)과 커뮤니케이션이 가능한 환경이 만드는 것이 더 중요하다 (다른 부서 데이터를 가져다 써야하기 때문) 데이터를 넣으면 자동으로 Vector화 해주고 Model Zoo에서 적합한 모델을 찾아서 뉴런 구조를 수정한다. 하나의 모델만 사용하는 것이 아니라 여러 모델을 만들어서 앙상블하는 구조이다. Auto ML은 데이터를 넣으면 적합한 모델을 자동으로 생성해주는 기술이다 (3~4시간이면 나옴) 검정색이 사람이 만든 모델..

포스트잍에 날짜만 적고 몇일차인지를 안 적으니까 좀 헷갈리는 것 같다 내일부터는 몇일차인지도 같이 적어야겠다 1. 분류 알고리즘 1-1. Decision Tree Classifier 의사 결정 나무 분류 알고리즘이라고 부름 1-2. RandomForest 하지만 하나의 의사 결정 트리를 사용하게 된다면 정확도는 높아지겠지만 오버피팅될 확률이 높아진다 그렇기 때문에 여러개의 의사 결정 트리를 사용하고 나온 값들을 다수결(voting)을 통해 오버피팅을 개선한 것이 Random Forest 이다 높은 정확도, 과적합 문제 해결, 많은 갯수의 독립변수를 다룰 수 있다 단점으로는 연산 시간이 오래 걸린다 1-3. XGBoost Voting을 하는 방식에는 하드 보팅과 소프트 보팅이 있다 하드 보팅은 다수의 분류..