After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
코스 설명
의사결정나무는 분류와 회귀 문제에 사용하는 지도 학습 모델입니다. 트리 모델은 매우 유연하지만 그만큼 대가도 따릅니다. 한편으로는 복잡한 비선형 관계를 잘 포착하지만, 다른 한편으로는 데이터셋에 존재하는 잡음을 쉽게 외워버릴 수 있습니다. 서로 다르게 학습된 나무들의 예측을 집계하는 앙상블 방법은 트리의 유연성은 살리면서 잡음에 과적합되는 경향을 줄여 줍니다. 앙상블 방법은 다양한 분야에서 활용되며, 여러 Machine Learning 대회에서 성과로 입증되었습니다.
이 과정에서는 사용자 친화적인 scikit-learn Machine Learning 라이브러리를 사용해 Python으로 의사결정나무와 트리 기반 모델을 학습하는 법을 배웁니다. 트리의 장단점을 이해하고, 앙상블이 이러한 한계를 어떻게 완화하는지 실제 데이터셋으로 실습하면서 익히게 됩니다. 마지막으로, 모델 성능을 극대화하기 위해 가장 영향력 있는 하이퍼파라미터를 튜닝하는 방법도 배우게 됩니다.
사전 요구 사항
커리큘럼
코스 개요
1
분류와 회귀 트리
Classification and Regression Trees(CART)는 분류와 회귀 문제에 사용하는 지도 학습 모델 집합입니다. 이 장에서는 CART 알고리즘을 소개합니다.
2
편향-분산 균형
편향-분산 균형은 지도 학습의 핵심 개념 중 하나입니다. 이 장에서는 과적합과 과소적합을 진단하는 방법을 이해합니다. 또한 여러 모델의 예측을 집계해 더 견고한 예측을 만드는 앙상블 개념도 소개합니다.
3
배깅과 랜덤 포레스트
배깅은 학습 데이터에서 서로 다른 부분집합을 샘플링해 같은 알고리즘을 여러 번 학습하는 앙상블 기법입니다. 이 장에서는 배깅으로 트리 앙상블을 만드는 방법을 이해합니다. 또한 각 트리의 분기마다 무작위화를 도입해 앙상블의 다양성을 높이는 랜덤 포레스트 알고리즘도 학습합니다.
4
부스팅
부스팅은 여러 모델을 순차적으로 학습하되, 각 모델이 이전 모델의 오류로부터 학습하는 앙상블 방법을 뜻합니다. 이 장에서는 AdaBoost와 Gradient Boosting 두 가지 부스팅 기법을 소개합니다.
5
모델 튜닝
Machine Learning 모델의 하이퍼파라미터는 데이터로부터 학습되지 않는 매개변수로, 학습 세트에 모델을 적합하기 전에 설정해야 합니다. 이 장에서는 그리드 서치 교차 검증을 사용해 트리 기반 모델의 하이퍼파라미터를 튜닝하는 방법을 배웁니다.
Python으로 배우는 트리 기반 Machine Learning
코스
완료
