데이터로 배우는 인공지능 기초
데이터에서 비슷한 것을 묶는 일과 새 데이터의 이름표를 예측하는 일은 다릅니다. 이 강좌에서는 데이터를 숫자로 표현하고 패턴을 찾아 판단하는 과정을 다룹니다.
- 대상: 기본 사칙연산과 평균을 알고, 짧은 Python 코드를 읽을 수 있는 분.
- 배울 내용: 특징, 거리, 계층 군집화, K-means, 퍼지 군집화, 베이즈 분류, 최근접 이웃, 평가와 결측값.
- 예제: 계산 원리를 드러내는 작은 연습 데이터입니다. 실제 서비스 성능을 나타내는 수치는 아닙니다.
- 목표: 학습에 쓴 데이터와 평가할 데이터를 구분하고, 결과가 좋아 보이는 이유를 검토합니다.
모든 수업을 무료로 읽을 수 있습니다. 수식을 외우기 전에, 어떤 데이터를 비교하고 어떤 가정을 했는지부터 확인하세요.
강좌 목차
- 01 무엇을 예측하고 무엇을 묶을까요인공지능의 문제를 목표와 데이터의 이름표로 구분합니다.
- 02 특징과 거리 만들기숫자로 표현하는 방법이 비슷함의 기준을 바꿉니다.
- 03 가까운 그룹부터 합치기계층 군집화에서 그룹 사이 거리를 정하는 방법을 봅니다.
- 04 K-means로 중심을 옮기기가까운 중심에 배정하고 평균을 다시 구하는 과정을 반복합니다.
- 05 좋은 군집을 어떻게 고를까초기 중심과 그룹 수를 바꾸어 보고 결과를 평가합니다.
- 06 경계에 있는 데이터를 다루기퍼지 군집화의 소속도를 확률과 구분합니다.
- 07 관찰한 정보로 판단을 바꾸기사전 확률, 가능도, 사후 확률을 작은 예로 계산합니다.
- 08 가까운 예시로 분류하기k-NN의 거리, 이웃 수, 투표 방식을 살펴봅니다.
- 09 정확도 하나로는 부족합니다자료를 나누고 오류의 종류에 맞는 평가 지표를 고릅니다.
- 10 빈칸 처리부터 평가까지 연결하기작은 분류 문제로 전체 작업 순서를 정리합니다.