![]() |
일반
탄탄한 머신러닝 개념잡기
![]() |
||
[강의목차]
01. 인공지능과 기계학습
02. 학습의 목표와 문제 03. 모델의 복잡성 04. 기계학습의 분류 05. 기계학습의 절차 06. 단순 선형 회귀 (모델 파라메터의 추정) 07. 일반 선형회귀와 모델 평가 08. 일반적 선형 회귀 (예제: 광고비와 판매량) 09. 일반적 선형 회귀 (범주형 변수의 표현) 10. 상호작용, 다항 회귀, 커널 11. 기계 학습 vs 통계 모델 12. 분류문제의 표현 (이진 분류) 13. 파라메터 추정 14. 일반적인 로지스틱 회귀, 분류 모델의 평가, 이진 분류 모델의 평가 15. 이진 분류 모델의 평가 (예제: 부도 예측) 16. 로지스틱 회귀와 퍼셉트론, 멀티클래스 분류 17. 최근접 이웃기법, KNN 1 18. 최근접 이웃기법, KNN 2 19. 모델 선택의 기초 20. 검증 집합, 모델의 복잡도에 따른 성능의 변화 21. 교차검증 (예제 : 자동차 데이터 셋) 22. 모델의 확장 방법 23. 변수 선택 24. 차원 축소 25. 규제화 26. 베이즈정리 기반 분류 27. 나이브 베이지안 분류기 28. 판별분석 29. 결정나무 모델 30. 회귀나무 모델 31. 분류나무 모델 32. 스태킹 33. 배깅 34. 배깅의 변형 35. 부스팅 36. 최대 마진 37. 최대 마진의 수학적 표현 38. 소프트 마진 39. 커널 40. SVC와 SVR 41. 퍼셉트론의 개념 42. 파라메터의 학습 43. 이진 분류 모델 44. 소프트맥스 회귀 45. 다계층 퍼셉트론의 개념 46. 역전파 알고리즘 |
[평가기준]
|
[강사소개]
|
[수강후기]![]() 총 0건의 수강후기
|