머신러닝의 이해
- 1주
- 2주
규칙 기반 판단과 데이터
Label·특징과 새 입력에서의 판단
- 3주
특징 표현과 모델의 차이
표현·이동·잡음이 결과에 주는 영향
- 4주
측정 데이터의 Shape와 Missing Value 처리
표본·필드·결측과 데이터 분리
- 5주
Linear Regression과 예측 오차
계수·MSE·예측 범위
- 6주
이상값과 외삽의 영향
일부 관측의 변화와 모델의 한계
- 7주
Logistic Regression과 오류 비용
Logit·Threshold·불균형 자료
- 8주
- 9주
Decision Tree와 일반화
깊이와 Train/Test 성능
- 10주
Random Forest와 비교 평가
같은 분할과 다른 seed에서 비교
- 11주
군집화와 특징의 단위
K·관성값·Standardization
- 12주
MLP와 기준 모델
Train에만 맞춘 전처리와 Network 크기
- 13주
이미지 분류와 오분류
영상·Label·확률의 연결
- 14주
잡음 입력과 모델 검증
같은 평가 조건에서 예측의 변화 해석
- 15주