Course

● 30여개의 머신러닝 주요 모델 및 이론, 개념에 대한 깊이 있는 설명
● 실제 데이터를 바탕으로 한 실습으로 머신러닝 모델 완벽 이해
● Python, R 을 사용해 실제 머신러닝 프로젝트에 적용

—---------

[머신러닝에 입문하기 위한 가장 확실한 방법]
머신 러닝에 관심은 많지만 방대한 학습량과 높은 난이도로 첫 발을 떼기가 망설여지셨나요?
<머신러닝의 모든 것>은 머신러닝에 관심은 많고, 한 번쯤 배워보고 싶다는 생각은 가지고 있지만, 수학과 프로그래밍에 대해 깊이 있게 다뤄본 적이 없는 사람들을 위해 기획 되었습니다.
코딩 경험이 많지 않아도, 고등학교 이후로 수학을 해보지 않았어도, 누구라도 머신러닝에 쉽게 접근할 수 있도록 도와드립니다.

[머신러닝 입문을 위한 단계별 학습 커리큘럼]
설명은 쉽게, 그러나 코스에서 다루는 학문적 깊이는 절대 얕지 않습니다. 전문 데이터 사이언스 강사님이 각 머신러닝 모델에 대한 개념을 깊이 있게 파고듭니다. 가장 기본적인 머신 러닝 모델부터 심화된 방법론까지 체계적으로 학습하세요!
1. 데이터 전처리 : 머신러닝에 적합한 데이터 전처리 방법론의 이해
2. 회귀 : 회귀분석의 각종 모델에 대한 이론 및 데이터 실습 (단순선형회귀, 다중선형회귀, 다항회귀, SVM, 의사결정 트리, 랜덤 포레스트)
3. 분류 : 분류 문제를 해결하기 위한 머신러닝의 각종 모델에 대한 이해 및 데이터 실습(로지스틱 회귀, K-NN, SVM, 커널 SVM, 나이브 베이즈, 의사결정 트리, 랜덤 포레스트)
4. 클러스터링 : 군집화를 위한 각종 모델의 이해 및 데이터 실습(k-means 클러스터링, Hierarchical 클러스터링)
5. 연관 규칙 학습 : 변수 간의 관계를 발견하기 위한 규칙 기반 기계 학습 방법론(Apriori, Eclat)
6. 강화 학습 : 강화학습의 개념 및 주요 이론에 대한 이해 및 간단한 실습(UCB, 톰슨 샘플링)
7. 자연어 처리: NLP 주요 개념 및 Bag-of-words 알고리즘
8. 딥 러닝 : 인공 신경망 기초와 CNN 모델의 이해
9. 차원 축소 : PCA, LDA, 커널 PCA의 주요 개념
10.모델 선택 및 부스팅 : 문제에 대한 적절한 모델 선정 및 성능 향상을 위한 방법론(k-fold 교차 검증, 매개변수 조정, 그리드 검색, XGBoost)