모임·스터디프로젝트·5년 이상·705·수정됨찌닐부천 신중동역 머신러닝 파이썬 스터디원 1명 충원합니다파이썬 기반의 머신러닝 스터디원 1명 충원합니다.현재 5명이며, 아래의 커리큘럼으로 진행하고 있습니다.(아직 초창기)프로젝트도 같이 진행하려고 하니 많은 참여 바랍니다혹시 생각있으신분은 010-7444-100칠연락주세요장소는 신중동역 근처 스터디룸입니다.섹션 3. 평가(Evaluation)6 강의67 : 46분류(Classification) 성능 평가지표 개요와 정확도(Accuracy) 소개13 : 45오차행렬(Confusion Matrix), 정밀도(Precision), 재현율(Recall) 소개09 : 35정밀도와 재현율의 트레이드오프(Trade off) - 0108 : 14정밀도와 재현율의 트레이드오프(Trade off) - 0212 : 07F1 Score와 ROC-AUC 소개10 : 42평가 실습 - 피마 인디언 당뇨병 예측13 : 23섹션 4. 분류(Classification)21 강의268 : 11분류(Classification) 개요와 결정트리(Decision Tree) 소개12 : 31결정트리의 주요 하이퍼 파라미터와 결정 트리 모델의 시각화20 : 04결정트리의 과적합 이해 및 사용자 행동 인식데이터를 이용한 결정트리 실습18 : 50앙상블 학습의 개요와 보팅(Voting)의 이해10 : 40배깅(Bagging)의 이해와 랜덤 포레스트(Random Forest) 소개 및 실습10 : 53부스팅(Boosting)의 이해와 그래디언트 부스팅 소개 및 실습09 : 44XGBoost 소개15 : 54XGBoost를 이용한 위스콘신 유방암 예측17 : 18LightGBM 소개08 : 13LightGBM을 이용한 위스콘신 유방암 예측07 : 37분류 실습 1 : 캐글경연대회의 산탄데르 은행 고객 만족 예측17 : 46분류 실습 2: 신용카드 사기 예측 실습 - 0108 : 56분류 실습 2: 신용카드 사기 예측 실습 - 0222 : 51분류 실습 2: 신용카드 사기 예측 실습 - 0318 : 04스태킹 모델 소개 - 기본 스태킹06 : 54스태킹 모델 소개 - 교차검증 스태킹17 : 05분류(Classification) Summary03 : 02<신규> Feature Selection의 이해09 : 23<신규> Recursive Feature Elimination과 SelectFromModel 실습09 : 16<신규> Permutation Importance 소개 및 실습12 : 41<신규> 왜 feature importance는 feature selection의 절대 기준이 될 수 없는가?10 : 29섹션 5. 회귀(Regression)18 강의228 : 41회귀(Regression)의 이해13 : 15회귀 비용함수 RSS와 경사하강법의 이해12 : 26경사하강법을 통한 비용함수 RSS 최소화 - RSS함수의 편미분08 : 31경사하강법을 통한 비용함수 RSS 최소화 - 파이썬 코드로 경사 하강법 구현하기12 : 54사이킷런 LinearRegression 클래스와 회귀 평가지표 소개08 : 40사이킷런 LinearRegression을 이용한 보스턴 주택가격 예측09 : 07다항회귀(Polynomial Regression)의 이해와 다항회귀를 이용한 보스턴 주택가격 예측17 : 09다항회귀를 이용한 과소적합 및 과적합 이해16 : 13규제 선형회귀(Regularized Linear Regression)의 개요07 : 09릿지(Ridge) 회귀의 이해08 : 59라소(Lasso)와 엘라스틱넷(Elastic Net) 회귀의 이해07 : 41선형 회귀모델을 위한 데이터 변환09 : 26로지스틱 회귀의 이해와 위스콘신 유방암 예측 실습10 : 48회귀 트리의 개요와 회귀 트리를 이용한 보스턴 주택가격 예측14 : 04회귀 실습 1: 자전거 대여(공유) 수요 예측20 : 39회귀 실습 2: 캐글경연 주택가격 예측 - Advanced Regression Techniques - 0123 : 47회귀 실습 2: 캐글경연 주택가격 예측 - Advanced Regression Techniques - 0223 : 38회귀 Summary04 : 15섹션 6. 차원 축소(Dimension Reduction)7 강의72 : 14차원 축소 개요08 : 31PCA(Principal Component Analysis)의 이해10 : 02PCA를 이용한 붓꽃 데이터 세트의 차원 축소 실습10 : 00PCA를 이용한 신용카드 데이터 세트의 차원 축소 실습10 : 23LDA의 이해와 붓꽃 데이터 세트의 차원 축소 실습06 : 48SVD의 이해13 : 15SVD를 이용한 행렬 분해 실습 및 NMF(Non Negative Matrix Factorization)의 이해13 : 15섹션 7. 군집화(Clustering)11 강의150 : 19군집화 개요 및 K-Means 군집화의 이해11 : 20사이킷런을 이용한 K-Means 군집화 실습18 : 18군집화 성능평가(Evaluation)의 이해와 실루엣 분석 평가 실습13 : 50군집별 평균 실루엣 계수의 시각화를 통한 군집 개수 최적화 방법12 : 22MeanShift 군집화의 이해10 : 46KDE(Kernel Density Estimation)의 이해와 사이킷런을 이용한 MeanShift 군집화 실습14 : 33GMM(Gaussian Mixture Model) 군집화의 이해09 : 24사이킷런을 이용한 GMM 군집화 실습12 : 49DBSCAN 군집화의 이해12 : 11사이킷런을 이용한 DBSCAN 군집화 실습09 : 28군집화 실습 1: 고객 세그먼테이션 구현 실습25 : 18섹션 8. 텍스트 분석20 강의283 : 53텍스트 분석의 개요15 : 04텍스트 데이터의 다양한 전처리(Preprocessing) 실습13 : 25텍스트의 피처 벡터화 이해 - BOW(Bag of words)모델의 단순 Count 및 TF-IDF 피처 벡터화16 : 44사이킷런의 주요 피처 벡터화(Feature Vectorization) 클래스 소개15 : 03희소행렬의 이해08 : 05텍스트 분류 실습 - 20 Newsgroup 분류19 : 53감성 분석의 이해와 지도학습기반의 IMDB영화리뷰 감성분석 실습12 : 09감성어휘 사전 기반의 감성 분석 이해와 이를 이용한 IMDB 영화리뷰 감성분석 실습12 : 57토픽 모델링과 LDA의 이해14 : 23사이킷런 LDA를 이용한 20 Newsgroup 토픽 모델링 실습18 : 56문서 군집화의 이해와 Opinion Review 데이터 세트를 이용한 문서 군집화 실습20 : 34문서 유사도 개요와 코사인 유사도 소개08 : 52Opinion Review 데이터 세트를 이용한 문서 유사도 구현 실습16 : 01한글 NLP 개요와 한글 형태소 엔진 KoNLPy 소개08 : 55한글 형태소 엔진 KoNLPy 설치하기09 : 31한글 NLP 실습 - 네이버 영화리뷰 감성 분석14 : 15텍스트 분석 실습 1: 캐글 경연 Mercari Price Suggestion 실습 개요 및 Google Colab 사용 설명21 : 58텍스트 분석 실습 1: 캐글 경연 Mercari Price Suggestion 실습 - 0116 : 28텍스트 분석 실습 1: 캐글 경연 Mercari Price Suggestion 실습 - 0216 : 51텍스트 분석 Summary03 : 49섹션 9. 추천(Recommendation)12 강의187 : 03추천 시스템의 이해11 : 58콘텐츠기반 필터링의 이해와 TMDB5000 데이터 세트를 이용한 콘텐츠기반 필터링 구현 실습 - 0117 : 19TMDB5000 데이터 세트를 이용한 콘텐츠기반 필터링 구현 실습 - 0219 : 42협업 필터링의 개요와 최근접 이웃방식 협업 필터링의 이해15 : 24아이템기반 최근접 이웃 협업필터링 영화 추천 구현 실습28 : 37잠재요인 기반의 협업필터링 이해와 경사하강법을 이용한 행렬 분해20 : 13파이썬 코드를 이용한 경사하강법 기반의 행렬 분해 구현과 잠재요인 협업 필터링 기반 영화 추천 구현 실습19 : 39파이썬의 추천 시스템 패키지인 Surprise 개요 - 주요 모듈 소개11 : 17Surprise를 이용한 추천 시스템 기본 구현16 : 06Surprise의 추천 알고리즘 소개 및 교차 검증과 하이퍼 파라미터 튜닝 개요11 : 16Surprise를 이용하여 개인화 영화 추천 시스템 구축11 : 34추천 Summary03 : 58
