이 강의들을 수강한 후, 전문적인 시각화와 대시보드를 자신 있게 만들 수 있게 되었습니다
Shoebur Rahman구매 담당자, Giz Bangladesh
강의 설명
고차원 데이터셋은 부담스럽게 느껴질 수 있고, 어디서 시작해야 할지 막막할 때가 많습니다. 보통은 새 데이터셋을 먼저 시각적으로 탐색하지만, 차원이 너무 많으면 기존 방법만으로는 충분하지 않아 보일 수 있죠. 다행히 고차원 데이터에 특화된 시각화 기법들이 있으며, 이 강의에서 이를 소개합니다. 데이터를 탐색하다 보면, 분산이 거의 없거나 다른 특성과 중복되어 많은 정보를 담지 못하는 특성들이 종종 발견됩니다. 이런 특성을 찾아내어 데이터셋에서 제거하고, 의미 있는 특성에 집중하는 방법을 배웁니다. 다음 단계로, 이런 특성들로 모델을 만들다 보면 예측하려는 대상에 전혀 영향을 주지 않는 특성이 있을 수도 있습니다. 차원을 줄이고 복잡성을 낮추기 위해, 이러한 무관한 특성도 찾아서 제거하는 방법을 학습합니다. 마지막으로, 상관성이 없는 주성분을 계산해 차원을 줄여 주는 특성 추출 기법도 익히게 됩니다.
선수 과목
커리큘럼
강의 개요
1
고차원 데이터 탐색
차원 축소의 개념을 소개하고, 이것이 왜 그리고 언제 중요한지 살펴봅니다. 특성 선택과 특성 추출의 차이를 배우고, 두 기법을 모두 데이터 탐색에 적용해 볼 거예요. 이 장의 마지막에는 고차원 데이터셋을 시각화할 수 있게 해 주는 강력한 특성 추출 기법인 t-SNE를 다룹니다.
2
특성 선택 I - 정보 기반 선택
두 장에 걸친 특성 선택의 첫 번째 장에서는 차원의 저주와, 차원 축소가 이를 어떻게 극복하도록 돕는지 배웁니다. 분산이 거의 없거나, 결측값이 너무 많거나, 다른 특성과 강하게 상관되어 있어 데이터셋에 가치를 거의 더하지 못하는 특성을 감지하고 제거하는 여러 기법을 소개합니다.
3
특성 선택 II - 모델 정확도 기반 선택
특성 선택의 두 번째 장에서는, 특정 타깃 특성을 예측할 때 데이터셋에서 가장 중요한 특성을 찾도록 모델의 도움을 받는 방법을 배웁니다. 이 장의 마지막 수업에서는 서로 다른 여러 모델의 조언을 종합해 보존할 가치가 있는 특성을 결정합니다.
4
특성 추출
이 장은 가장 널리 사용되는 차원 축소 알고리즘인 주성분 분석(PCA)을 깊이 있게 다룹니다. 이 알고리즘이 왜, 어떻게 강력한지에 대한 직관을 쌓고, 데이터 탐색과 모델링 파이프라인의 전처리 모두에 적용해 볼 거예요. 멋진 이미지 압축 사례로 마무리합니다.
Python으로 배우는 차원 축소
강의
완료
