반응형 전체 글82 [7주차 회고] 머신러닝 모델 검증부터 딥러닝 기초까지 (10/19~10/23) 이번 주에는 머신러닝 모델을 평가하고 성능을 개선하는 방법부터 딥러닝의 기본 구조와 활성화 함수까지 학습했다. 지난주까지는 데이터를 전처리하고 모델을 학습시키는 과정에 집중했다면, 이번 주에는 한 걸음 더 나아가 모델이 얼마나 잘 예측하는지 확인하고, 더 나은 모델을 찾으며, 인공신경망이 학습하는 원리를 이해하는 과정을 경험했다.특히 모델을 학습시키는 것과 실제로 신뢰할 수 있는 모델을 만드는 것은 서로 다른 문제라는 점을 배웠다. 평가지표를 이해하고, 교차 검증으로 성능을 확인하고, 하이퍼파라미터를 조정하는 과정이 필요했다. 이후에는 퍼셉트론의 가중합 계산부터 XOR 문제, MLP, 시그모이드와 ReLU까지 연결하면서 딥러닝의 기초를 정리했다.1. 머신러닝 모델의 성능을 어떻게 평가할까?모델을 학습시켰.. 2026. 10. 23. (10/23일) 딥러닝 기초 정리 오늘은 딥러닝의 기초 개념인 퍼셉트론(Perceptron), 논리 게이트(Logic Gate), XOR 문제, 다층 퍼셉트론(MLP), 활성화 함수(Activation Function)를 학습했다. 마지막으로 회귀와 분류 문제에 따라 출력층에서 어떤 함수를 사용하는지 정리했다.이번 복습의 핵심은 입력 데이터 → 가중합 계산 → 활성화 함수 → 신경망 계층 → 출력이라는 흐름을 이해하는 것이다.1. 머신러닝과 딥러닝의 차이머신러닝(Machine Learning)데이터에서 패턴을 학습하여 예측이나 분류를 수행한다. 표 형식 데이터의 분석에도 널리 사용된다.고객 이탈 예측주택 가격 예측매출 예측딥러닝(Deep Learning)인공신경망의 여러 계층을 활용하여 데이터의 복잡한 특징을 학습하는 방법이다. 이미지,.. 2026. 10. 23. (10/22일) 딥러닝 기초 학습 정리: 퍼셉트론과 XOR 문제 오늘은 딥러닝의 기초가 되는 퍼셉트론, 가중치와 편향, 논리 게이트를 학습했습니다. 특히 단층 퍼셉트론으로 해결할 수 없는 XOR 문제와 이를 해결하는 다층 퍼셉트론(MLP)의 원리를 정리합니다.1. 퍼셉트론(Perceptron)이란?퍼셉트론은 여러 입력값을 받아 가중치와 편향을 적용한 뒤 결과를 출력하는 인공 뉴런의 기본 모델입니다.계산식z = w₁x₁ + w₂x₂ + b판단 기준z > 0이면 1, z ≤ 0이면 0을 출력합니다.가중치(Weight): 각 입력값이 결과에 미치는 영향편향(Bias): 판단 기준을 조정하는 값결정 경계(Decision Boundary): 입력 데이터를 분류하는 기준선예를 들어 0.5x₁ + 0.5x₂ - 0.7 = 0은 결정 경계를 나타냅니다.2. 논리 게이트(Logic .. 2026. 10. 22. (10/19~20일) 머신러닝 모델 검증 및 평가 이번 수업에서는 머신러닝 모델의 성능을 평가하고, 교차검증과 GridSearchCV를 활용해 모델을 개선하는 방법을 학습했다. 단순히 정확도가 높은 모델보다 실제 상황에서 믿고 사용할 수 있는 모델을 선택하는 것이 중요하다는 점을 이해했다.1. 혼동행렬(Confusion Matrix)분류 모델의 예측 결과는 네 가지로 구분된다.구분의미TP실제 양성을 양성으로 예측TN실제 음성을 음성으로 예측FP실제 음성을 양성으로 잘못 예측FN실제 양성을 음성으로 잘못 예측2. Accuracy, Recall, Precision, F1 Score정확도(Accuracy)가 높다고 반드시 좋은 모델은 아니다. 예를 들어 정상인 95명과 암 환자 5명이 있는 데이터에서 모든 사람을 정상이라고 예측하면 정확도는 95%지만, 암 .. 2026. 10. 21. [6주차 회고] AI 데이터분석 캠프 (10/12 ~ 10/16) [6주차 회고] AI 데이터분석 캠프 (10/12 ~ 10/16)이번 주는 머신러닝 모델을 단순히 사용하는 것을 넘어, 알고리즘이 어떤 원리로 예측하고 서로 어떤 차이가 있는지 이해하는 데 집중한 한 주였다.XGBoost와 Boosting, Stacking, PCA, AutoML, 그리고 비지도학습과 K-Means까지 다양한 개념을 학습했다. 특히 분류와 회귀 실습을 직접 진행하면서 모델을 학습시키는 것만큼이나 평가 지표를 정확히 이해하는 것이 중요하다는 점을 느꼈다.1. 이번 주 학습 키워드1.1. XGBoost와 Boosting1.2. Residual(잔차)1.3. Stacking과 Meta Model1.4. Lasso, Ridge, Regularization1.5. PCA와 Principal Com.. 2026. 10. 16. (10/15일) 고객이탈 자료_종합 복습 오늘은 통신 고객 데이터를 활용해 고객 이탈 여부를 분석하는 전체 과정을 복습했습니다. 데이터 구조 확인부터 결측값 처리, EDA와 시각화, 범주형 데이터 인코딩, 학습용 데이터 구성, 머신러닝 모델 학습과 평가까지 순서대로 정리합니다.오늘의 학습 흐름데이터 확인 → 결측값 처리 → EDA → 범주형 데이터 인코딩 → X와 y 분리 → 모델 생성 → 학습 → 예측 → 정확도 평가1. 데이터 구조 확인: df.info()df.info()는 데이터프레임의 전체 행과 열, 컬럼명, 각 컬럼의 데이터 타입, 결측값이 아닌 데이터의 개수 등을 확인하는 기능입니다.고객 이탈 분석을 시작할 때 먼저 데이터가 어떤 구조로 되어 있는지 확인합니다. 특히 숫자로 처리해야 할 컬럼이 문자형으로 읽히지는 않았는지, 일부 컬럼.. 2026. 10. 15. 이전 1 2 3 4 ··· 14 다음 반응형
