인공지능을 위한 기계학습의 의미와 이를 가능하게 하는 기계학습 모델을 만드는 기술과 모델 성능 평가 방법에 대한 이해를 위한 과목 입니다. 학습 목표 1) 인공지능을 위한 기초적인 기계학습의 개념과 핵심 구성 요소에 대해서 이해를 합니다. 2) 기초적인 선형대수를 통해 기계학습에서 자주 사용되고 있는 수학적 표현에 대해서 학습합니다. 3) 파이썬(Python) 프로그래밍을 통한 기본 데이터 처리 방법과 기계학습 모델을 생성하기 위한 과정에 대해서 학습합니다. 4) 기계학습 모델을 구현할 수 있는 방법을 익히고 다양한 성능 지표를 이용하여 모델의 성능을 평가하는 방법에 대해서 이해를 합니다. 목차 세부 목차 1 기계학습 개요 1. 기계학습 소개 I 2. 기계학습 소개 II 3. 기계학습 핵심 요소 2 기계학습 수학적 표현 1. 데이터 표현 2. 벡터 임베딩 3. 차원 축소 3 기계학습 데이터 처리 1. NumPy 라이브러리 2. NumPy 배열 생성, 인덱싱 및 Broadcasting 3. 기계학습 Workflow, Pandas 라이브러리+ 4 기계학습 모델 생성 과정 및 구현 1. Scikit-Learn 라이브러리 2. Data Stratification & Scaling 3. Data Normalization 4. Transformer API & Scikit-Learn Pipeline 5 기계학습 모델의 복잡성 1. 과소적합, 과대적합 2. Bias와 Variance 3. Bias와 Variance의 수학적 표현 4. Bias-Variance와 과소적합-과대적합과의 연관성 6 기계학습 모델 1. Decision Trees 2. Random Forests 7 기계학습 모델 평가 1. Confusion Matrix 2. Precision, Recall, F1-score 3. P-R Curve, ROC Curve 4. Average Precision, AUC 8 종합 평가 책임교수 이원희 교수 ● 現) 경희대학교 소프트웨어융합학과 교수 ● 2011년...