파이썬을 이용한, 다양한 비감독 모형 익히기

학습개요
학습대상
학습목표
커리큘럼
신청정보

다양한 비감독 모형을 실제로 시행해 보고, 그 결과를 해석하여, 데이터로 부터 인사이트를 얻는데 목적이 있습니다. 전체적인 머신러닝 모델링 과정에서 비감독 모형을 추가하여 모형 성능을 개선하는 부분을 찾는데도 도움이 됩니다. Github에 제공된, jupyter notebook을 바탕으로, 실습과 코드리뷰를 위주로, 방법론과 이론을 추가설명하는 방식으로 진행합니다. 자료에는, 주제별로 다양한 예제 데이터와 함께, 결과물들이 함께 제공되고 있습니다. 발표자는 코드리뷰와 결과를 해석하는데 중점을 두면서, 기반 이론을 간략히 설명하고, 다같이 토론하는 방식으로 진행하고자 합니다. python 코드를 추가 혹은 수정하여 실행하여, 다른 피드백과 사용방안에 대해 인사이트를 주시는 것도 대환영입니다. (Github 주소: https://github.com/aapatel09/handson-unsupervised-learning)

주의: Packt 책이 아닌, O'reilly 로 진행됩니다.

Python, 비감독, 인사이트

시작일

매주 2019년 10월 7일

진행일시

매주

모집현황

data-product-id="11649" data-recruit-progress="0" data-activity-progress="0"

진행장소

캠퍼스

학습대상

- 비감독 모형을 실습위주로, 실행해보고 싶으신분
- 다양한 비감독 모형 이론을 공부해보고 싶으신분
- 머신러닝 모형을 개선하기 위해, 데이터를 해부하거나, 유사 데이터를 묶고 싶으신분
- 차원의 저주를 경험해보신분

과목난이도

쉬움 (1단계) ~ 어려움(5단계)

학습목표

- 다양한 비감독 모형을 이해하고, 프로그래밍 경험해보기
- 예제와 함께, 비감독 모형의 원리와 이론을 간단히 이해하기
- 비감독 모형의 모델링 및 평가 방법 익히기
- 모형 종류: 차원감소법, 이상치감지, 군집화 + 그룹판별, Autoencoders, 반(semi) 감독모형, 볼츠만 머신, DBN, GAN, 시계열군집화

운영방식

1. Github으로 제공된 jupyter notebook을 이론과 함께 공부하게 됩니다.
2. 첫 강의 때, 희망하는 목차를 지원받아 발표를 진행하게 됩니다.
3. 공부된 내용은 Jupyter notebook 형태로, 슬랙에 공유합니다.
4. 코딩에 이론을 정리하면서, 토론하고, 다같이 성장하는걸 추구합니다.

선수지식

- 머신러닝 관련 책 1권 혹은, 한 코스를 스터디 해보신분
- Jupyter notebook 실행 가능한분
- Pandas, Numpy, Matplotlib, sklearn에 대해, 프로그래밍 가능하신분
- Keras 혹은 tensorflow를 사용해 보신분

학습 및 참고자료

- Jupyter Notebook 코드 링크
- 도서: 해외직구가 필요하고, 가격이 다소 높아, 필수적이지 않습니다. (도서 링크)

커리큘럼

주차	모임내용	학습자료
1 주차	2장 머신러닝 프로젝트 처음부터 끝까지해보기(end_to_end_machine_learning_project)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/02_end_to_end_machine_learning_project.ipynb
2 주차	3장 차원 축소(dimensionality_reduction)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/03_dimensionality_reduction.ipynb
3 주차	4장 이상치 감지(anomaly_detection)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/04_anomaly_detection.ipynb
4 주차	5장 군집화(clustering)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/05_clustering.ipynb
5 주차	6장 그룹 판별(group_segmentation)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/06_group_segmentation.ipynb
6 주차	7장~8장 autoencoders(autoencoders)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/08_autoencoders.ipynb
7 주차	9장 반(Semi) 감독 모형(semisupervised)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/09_semisupervised.ipynb
8 주차	10장 rbms(rbms)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/10_rbms.ipynb
9 주차	11장 dbns(dbns)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/11_dbns.ipynb
10 주차	12장 gans(gans)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/12_gans.ipynb
11 주차	13장 시계열 군집화(temporal_clustering)	https://github.com/aapatel09/handson-unsupervised-learning/blob/master/13_temporal_clustering.ipynb

퍼실소개

송동근

데이터 분석을 업으로 삼고 있는, 송동근 입니다.
복잡한 데이터 구조로 부터, 실용적인 가치를 만들고, 인사이트 얻기위해 많은 고민을 하고있습니다.
실무에서는 대부분의 데이터가 정답을 갖고 있지않고, 데이터의 종류도 너무 너무 다양합니다.
뭔가 의미를 찾으려면, 저희는 어찌 해야 할까요?
비감독 모형은 이런 고민을 해소할 수 있습니다.
많은 노력이 들 수 있으나, 객관적(수학적)이면서, 시각화와 직관화를 쉽게 해주고,
복잡한 결과를 단순화해주어 데이터를 다루시는 분들에게 도움이 될 수 있습니다.

데이터 분석을 업으로 삼고 있는, 송동근 입니다.
복잡한 데이터 구조로 부터, 실용적인 가치를 만들고, 인사이트 얻기위해 많은 고민을 하고있습니다.
실무에서는 대부분의 데이터가 정답을 갖고 있지않고, 데이터의 종류도 너무 너무 다양합니다.
뭔가 의미를 찾으려면, 저희는 어찌 해야 할까요?
비감독 모형은 이런 고민을 해소할 수 있습니다.
많은 노력이 들 수 있으나, 객관적(수학적)이면서, 시각화와 직관화를 쉽게 해주고,
복잡한 결과를 단순화해주어 데이터를 다루시는 분들에게 도움이 될 수 있습니다.

풀잎스쿨 신청 및 결제를 위해서 로그인을 해주세요