9월의 에이블

머신러닝 & 딥러닝

가장 길게 다양한 실습을 한 것 같은 9월의 수업

이어지는 미니프로젝트까지 이어져 있어 가장 길게 이어진 수업 !

 

머신러닝

지도학습 - 분류(Classifier) / 회귀(Regressor)

▶ 분류와 회귀는 서로 다른 알고리즘을 가지고 있기 때문에 문제 유형을 정확히 파악하고 알고리즘과 평가 방법을 선택해야 함

 

▶ 학습 알고리즘을 제공하는 대표적인 파이썬 라이브러리
•     '사이킷런' 이라고  읽음
•     오픈  소스로서  개인, 비즈니스  관계없이  누구나  무료로  사용가능
•     여러  알고리즘을  같은  구조의  코드로  사용할  수  있어  배우기  쉬움
•     여러  예제  데이터셋을  포함하고  있어  학습에  용이
•     처음  Machine Learning을  배울  때  가장  적합한  라이브러리

 

▶ 가장 중요한 sklearn 구조

1. 불러오기 - 라이브러리 import

2. 선언하기 - 사용할 알고리즘을 모델로 선언

3. 학습하기 - 모델.fit(x_train,y_train) 형태로 학습 시키기

4. 예측하기 - 모델.predict(x_test) 형태로 예측 값 만들기

5. 평가하기 - 예측 값과 실제 값으로 평가

 

▶ 어떻게 평가할 것인가?

회귀  모델  평가
•      회귀  모델이  정확한  값을  예측하기는  사실상  어려움
•      예측  값과  실제  값에  차이(=오차)가  존재할  것이라  예상함
•      예측  값이  실제  값에  가까울  수록  좋은  모델이라  할  수  있음
→  예측한  값과  실제  값의  차이(=오차)로  모델  성능을  평가

 

•     분류  모델  평가
•      분류  모델은  0인지  1인지를  예측하는  것
•      실제  값도  0과  1이고  예측  값도  0과  1임(이진분류의  경우)
•      하지만  0을  1로  예측하거나  1을  0으로  예측할  수  있음
•      예측  값이  실제  값과  많이  같을  수록  좋은  모델이라  할  수  있음
→  정확히  예측한  비율로  모델  성능을  평가

 

기본 알고리즘

Linear Regression / K-Nearest Neighbor / Decision Tree / Logistic Regression

→ 여러 개 알고리즘 모델링을 통해 오차가 가장 적은 알고리즘으로 값을 예측

 

* Hyperparameter

→ 알고리즘을  사용하여  모델링할  때  최적화하기  위해  조절할  수  있는  옵션
• 모델의 성능 향상을 위해 최선의 하이퍼파라미터 값을 찾는 다양한 시도를 해야 함
•     다양한  시도  방법 - Grid Search /  Random Search

 

딥러닝 (가장 많은 실습을 했지만, 어렵고 이해하기 어렵던 부분)

구조

1. 모델 설계 - 딥러닝 구조 설계 (히든 레이어, 노드 수..)

2.컴파일 - Optimizer, Loss Function 지정

3. 학습 - 모델.fit(x_train,y_train)

4. 학습 그래프 - 학습 진행 그래프

5. 검증하기 - 예측 값과 실제 값으로 평가

 

Regression / Classification 코드 이해가 중요 !! (외워야)

 

ML/DL 요약