이 강의들을 수강한 후, 전문적인 시각화와 대시보드를 자신 있게 만들 수 있게 되었습니다
Shoebur Rahman구매 담당자, Giz Bangladesh
강의 설명
Machine Learning은 데이터로부터 학습하고 예측하는 알고리즘을 연구하고 적용하는 분야입니다. 검색 결과부터 자율주행차까지, 우리의 삶 곳곳에 활용되고 있으며 데이터 사이언스에서 가장 흥미롭고 빠르게 성장하는 분야 중 하나입니다. 이 강의에서는 Machine Learning의 핵심 개념을 다룹니다. 예측 모델을 구축하고 성능을 평가하는 방법, 최적의 성능을 위해 튜닝하는 방법, 더 나은 결과를 위한 데이터 전처리 방법 등을 배웁니다. 강의 전반에 걸쳐 R의 인기 패키지인 caret을 사용하여, R의 강력한 Machine Learning 도구들을 일관된 인터페이스로 활용하는 법을 익힙니다.
선수 과목
커리큘럼
강의 개요
1
회귀 모델: 적합과 성능 평가
이 강의의 첫 번째 장에서는
train()으로 회귀 모델을 적합하고, 교차 검증과 평균제곱근오차(RMSE)를 사용해 샘플 외 성능을 평가해 보겠습니다.- 강의에 오신 것을 환영합니다50 XP
- 선형 회귀의 내부 표본 RMSE50 XP
- diamonds 데이터에 대한 선형 회귀의 샘플 내 RMSE100 XP
- 샘플 외 오류 측정치50 XP
- 선형 회귀의 Out-of-sample RMSE50 XP
- 데이터 프레임을 무작위로 섞기100 XP
- 80/20 분할 시도하기100 XP
- 테스트 세트에 예측하기100 XP
- 테스트 세트 RMSE를 직접 계산하기100 XP
- 샘플 외 RMSE와 샘플 내 RMSE 비교하기50 XP
- 교차 검증50 XP
- 교차 검증의 장점50 XP
- 10-겹 교차 검증100 XP
- 5-겹 교차 검증100 XP
- 5 x 5-겹 교차 검증100 XP
- 새 데이터에 대한 예측 만들기100 XP
2
분류 모델: 적합과 성능 평가
이 장에서는
train()으로 분류 모델을 적합하고, 교차 검증과 곡선하면적(AUC)을 사용해 샘플 외 성능을 평가합니다.3
성능 향상을 위한 하이퍼파라미터 튜닝
이 장에서는
train() 함수를 사용해 교차 검증과 그리드 서치를 통해 모델 하이퍼파라미터를 조정합니다.4
데이터 전처리
이 장에서는 모델을 적합하기 전에
train()으로 데이터를 전처리하는 연습을 하여, 더 정확한 예측을 할 수 있도록 역량을 높입니다.5
모델 선택: 이탈(Churn) 예측 사례 연구
이 강의의 마지막 장에서는
resamples()를 사용해 여러 모델을 비교하고, 최적의 모델을 선택하거나 앙상블하는 방법을 배웁니다.R
R의 caret로 배우는 Machine Learning
강의
완료
