Thumbnail
데이터 사이언스 데이터 분석
처음하는 파이썬 머신러닝 부트캠프 (쉽게! 실제 문제로 개념/활용 익히기) [데이터과학 Part2]
140명이 수강하고 있어요.
77,000원

월 15,400원

5개월 할부 시
지식공유자 : 잔재미코딩
총 66개 수업˙총 15시간 53분
평생 무제한 수강
수료증 발급 강의
입문 초급 대상 중급이상
폴더에 추가 108 공유
초급자를 위해 준비한
[데이터 분석, 데이터 사이언스] 강의입니다.

강사가 처음 머신러닝을 익혔을 때, 실패했던 경험을 바탕으로, 쉽게 머신러닝을 이해하고, 실제 문제에 적용할 수 있도록 기존 강의와 다르게, 새롭게 꾸민 강의입니다

✍️
이런 걸
배워요!
머신러닝 입문
sklearn 과 파이썬 머신러닝
kaggle 입문
머신러닝 분류기법
머신러닝 회귀 기법
머신러닝 군집화 기법
원핫인코딩, 하이퍼파라미터 튜닝 등 실전 기법

처음 배우는 파이썬 머신러닝, 
잔재미코딩과 함께 쉽고 꼼꼼하게! 

온오프라인 2만명 수강! 
처음하는 파이썬 머신러닝 입문자를 위한 
완성도 높은 강의

본 강의는 데이터 분석/과학 로드맵 기반, 파이썬 머신러닝을 처음 익히는 입문자를 위한 강의입니다
강사가 오래전 처음 머신러닝을 익혔을 때의 실패 경험을 바탕으로,
실제 문제를 다양하게 풀어보며, 꼭 익혀야 하는 개념과 주요 활용 기술을 이해할 수 있도록 꾸몄습니다
이를 통해, 짧은 기간에 실패하지 않고, 실제 문제에 머신러닝을 활용할 수 있도록 하였습니다

일반적인 IT 강의보다는 최대한 수강자 입장을 고민해서 만든 특별한 강의입니다. 본 강의가 머신러닝과 인공지능을 익히는데 있어서, 마중물이 되는 좋은 강의가 되었으면 좋겠습니다.

데이터 입문자인데! 복잡한 머신러닝/인공지능 기술, 어디서부터 시작해야 할까요?
  • 머신러닝/인공지능 기술은 개념이 복잡하고, 실제 문제에 적용하는 다양한 기법도 있어서, 내용이 매우 방대합니다
  • 처음 익힐 때는 머신러닝 기본부터, 꼭 익혀야 하는 개념과, 실제 문제에 적용하는 기법을 적절히 배합해서 익혀야 합니다
  • 이를 기반으로 머신러닝 기술에 감을 잡으면, 이를 기반으로 인공지능 기술을 익히면 됩니다
  • 수많은 이론, 복잡한 기술일 수록, 꼭 필요한 부분을 중심으로 차곡차곡 쌓아나가야 활용할 수 있습니다
본 강의는 강사가 수차례 실패하며 느낀 바를 고민해서, 개선한 강의입니다!
  • 수학/통계와 같은 깊은 원리에 너무 집중하거나, 쓰지도 않을 예전 기술까지 모두 나열하기보다는
  • 꼭 필요한 개념과 실전 문제에 적용하는 핵심 기법을 실전 문제를 풀어가며, 익혀가도록 구성하였습니다
  • 실전 문제에 적용하는 다양한 기법이 있습니다. 이를 익힐 수 있도록, 실전 문제로 다양한 머신러닝 기법을 익힙니다
  • 가장 자료가 풍부한 유명한 문제로, 실전에 적용할 수 있는 다양한 기법을 가능한 모두 적용해가며, 머신러닝을 실제 활용할 때, 고려할 수 있는 다양한 기법을 익힙니다
  • 데이터 예측 문제로 가장 유명한 캐글 사이트에서 데이터를 다운받고, 예측하고, 최종 제출까지 해보면서, 머신러닝 전과정을 풀어봅니다.
강사도 몇 차례 실패 끝에, 이와 같은 순서로 학습해서, 결국 현업에서도 잘 활용하고 있습니다.
머신러닝 기술을 가볍게라도 활용하고 싶은데 어떻게 하면 될까요?

오래전 강사가 답답했던 부분입니다. 우선 실제 문제를 기반으로, 어떻게 머신러닝 기법을 적용하는지부터 익혀보세요.
머신러닝 기본 개념을 이해해도, 실제 문제에 적용하기 어려운 이유는 실제 문제에 적용할 때, 사용하는 다양한 기법이 있기 때문입니다. 
실제 문제에 적용할 수 있는 다양한 기법을 코드레벨로 따라해보며, 이해가 필요한 관련 개념도 필요할 때마다, 바로 설명을 듣는다면, 전과정을 가볍게라도 활용할 수 있습니다.

이를 통해 관련 기술에 익숙해지면, 전반적인 머신러닝 기술을 짧은 시간에 이해하고, 심지어 바로 활용할 수 있습니다

머신러닝 기술은 처음인데! 본 강의를 수강하기 위해, 우선 익혀야할 기술은 무엇인가요?

파이썬만 쓸 수 있으면 강의 수강이 가능합니다 여기에 pandas 와 시각화 기술을 쓸 수 있으면 가능합니다
관련 기술에 익숙하지 않은 분들을 위해서, 난이도까지 고려해서, 체계적으로 익힐 수 있도록 데이터 분석/과학 로드맵을 제공하고 있습니다
특히, 처음하는 파이썬 데이터 분석 강의와 함께 수강하시면, 파이썬으로 데이터를 다루는 기술을 순차적으로 익힐 수 있습니다

데이터 분석/과학 코스: 원하는 데이터를 가져와서 분석하고, 예측까지 할 수 있는 최신 테크트리

익히는 순서에 따라 번호를 붙여 놓았습니다.

1. 파이썬과 데이터 수집(크롤링) 기본 (파이썬과 웹, 데이터 이해 기본)
2. Scrapy와 Selenium 정복 (현존 최강 크롤링 중급 기술 및 관련 IT 지식)
3. SQL과 데이터 저장/분석 기본 (데이터 저장/분석)
4. NoSQL(mongodb) 빅데이터 기본 (빅데이터 저장/분석)
5. 처음하는 파이썬 데이터 분석 (데이터 전처리와 pandas, 최신 시각화) [데이터과학 Part1]
6. 처음하는 파이썬 머신러닝 부트캠프 (쉽게! 실제 문제로 개념/활용 익히기) [데이터과학 Part2]
7. AI 인공지능 부트캠프 (데이터 예측 자동화, 22' 상반기) [데이터과학 Part3]

저는 데이터쪽 커리어를 생각하는 입문자인데, 어떻게 체계적으로 익힐 수 있을까요?

바로 위에서 보여드린 데이터 분석/과학 코스를 들으시면 도움이 되실 것입니다
데이터쪽 커리어는 크게 데이터 분석가와 최근의 데이터 과학자로 볼 수 있습니다
두 커리어는 결국 프로그래밍으로 데이터 수집, 저장, 분석, 예측 작업을 할 수 있으면 됩니다
여기에 각 비즈니스 분야에 대한 지식(도메인 지식이라고 합니다)을 쌓으시면 경쟁력을 가질 수 있습니다
관련 기술에 대한 기본기를 차곡차곡 쌓을 수 있도록, 각 강의마다 기존에 없는 커리큘럼으로 난이도까지 고려해서, 만들습니다

수년간 많은 분들이 학습하고, 굉장히 좋은 피드백을 주셨던 검증된 강의들입니다.

6년간 유료 수강자 2만명의 검증!
시간을 낭비하지 마세요!
강사가 다르면, IT강의도 다를 수 있습니다!
꼼꼼하고, 합리적인 분이라면 가능합니다!

머신러닝 기술이 얼마나 익히는데 어렵나요?

파이썬만 할 수 있다면, 어렵지 않습니다!
머신러닝을 처음 익힐 때, 가장 어려움을 겪는 부분은 관련 이론을 이해하기 위한 수학, 통계, 확률을 공부하는 부분입니다
관련 기술만 수십년 익힌 강사님은 쉽게 설명하더라도, 익히는 사람은 오랜 시간이 걸립니다

관련 이론과 깊은 수학적 원리부터 깊게 탐독하기 보다는, 가볍게 개념을 이해하고, 실제 문제로 머신러닝 코드 작성 방법을 익혀보세요.
처음부터 Top 1% 를 목표로 하기보다, 우선은 데이터 예측 Top 20% 를 목표로 코드 작성법과 실전 문제에 적용할 수 있는 기법을 익혀보세요.
이해할 수 있을만큼 개념을 이해하고, 머신러닝 코드를 실제로 적용해보면, 익숙해지고, 이론만 익히면 막연했던 머신러닝 기술을 이해하고, 활용할 수 있습니다.

최근에는 실제 데이터 문제를 푸는 kaggle 경진대회도 많던데, 가능할까요?

본 강의도 kaggle 실제 문제와 데이터를 기반으로 하나씩 적용해보며, 단계별로 익힐 수 있도록 구성하였습니다.

  • 각 머신러닝 사용법을 익히는 것과, 실제 문제를 풀 때 필요한 코드와 단계들은 차이가 큽니다.
  • 어떤 단계로 실제 데이터를 분석하고, 가공하고, 예측하는지 단계별로 진행합니다.
  • 그리고 각 단계별로 이해가 필요한 기술을 설명합니다. 심지어 예측결과를 제출까지 해봅니다.
  • 그래서, 이론만 한참 익히느라 지치지 않고, 실제 적용 방법도 이해할 수 있도록 꾸몄습니다.


본 강의는 입문자를 대상으로 하는 강의이므로, 꼭 다뤄봐야 하는 기술을 중심으로 Top 20% 를 목표로 합니다!

실제로 머신러닝 기술을 이해하고 적용할 수 있도록 만들었습니다.

처음 머신러닝을 익히는 분들을 위해, 마중물 역할을 하는 강의입니다
현업의 경험과 잘 정리한 자료와 예제로, 강사도 처음 익히는 것처럼!
짧은 시간에 입문자도 Top 20% 까지 머신러닝 기술을 적용할 수 있도록!

  • 현재도 활용되는 주요 머신러닝 기술을 중심으로!
  • kaggle 실제 문제와 데이터를 기반으로
    → 어떤 머신러닝 기술이 있는지
    → 어떤 단계로 실제 데이터를 분석하고, 가공하고, 예측하는지
    → Feature Engineering, Hyper Parameter Tuning, Voting, Encoding 등 실제 활용을 위해 필요한 기술까지

실제 문제에 적용해보면 재미도 있고, 예측 결과가 좋으면 정말 기쁘답니다! 합리적인 좋은 분들께 머신러닝도 잔재미를 공유할 수 있기를 희망합니다.

이해하기 쉽게 요약된 자료와 코드, 이를 기반으로 강의로 학습 효과를 높이세요!

자료와 정보는 차고 넘칩니다.
꼭 필요한 부분을 딱 이해할 수 있게끔 만든 요약 자료로 상세히 설명하는 강의를 듣고 나면,
이후에는 언제든 '아! 이런 내용이 있었는데?' 라는 생각만 들면 언제든 자료만 보면 바로 이해할 수 있습니다.

딱 관련 주제를 이해하고 활용할 수 있도록
꼭 필요한 부분만 간결하게 작성된 자료
그리고, 실제 문제 머신러닝 적용 코드 파일들

  • 테스트 코드는 코드 테스트까지 가능한 포맷(주피터 노트북 형태)으로, 기본 이론은 PDF 파일로 제공해드립니다.
  • 머신러닝 관련 PDF 자료는 이북 (ebook) 처럼 언제든 확인하실 수 있도록 제공해드립니다. (단, 관련 자료는 저작권 이슈로 복사 및 다운로드는 제한하였습니다)

'아! 진짜 다르구나!' 라고 느낄 수 있도록
고민고민해서 만든 IT강의 시리즈입니다.

합리적이고 서로 배려하고
좋은 인연을 맺을 수 있는 분들만
수강 부탁드립니다!

데이터와 풀스택 커리어 준비를 위해 차근차근 기본기를 쌓을 수 있는 로드맵을 만들고 있습니다

데이터 분석/과학 코스: 원하는 데이터를 가져와서 분석하고, 예측까지 할 수 있는 최신 테크트리

익히는 순서에 따라 번호를 붙여 놓았습니다.

1. 파이썬과 데이터 수집(크롤링) 기본 (파이썬과 웹, 데이터 이해 기본)
2. Scrapy와 Selenium 정복 (현존 최강 크롤링 중급 기술 및 관련 IT 지식)
3. SQL과 데이터 저장/분석 기본 (데이터 저장/분석)
4. NoSQL(mongodb) 빅데이터 기본 (빅데이터 저장/분석)
5. 처음하는 파이썬 데이터 분석 (데이터 전처리와 pandas, 최신 시각화) [데이터과학 Part1]
6. 처음하는 파이썬 머신러닝 부트캠프 (쉽게! 실제 문제로 개념/활용 익히기) [데이터과학 Part2]
7. AI 인공지능 부트캠프 (데이터 예측 자동화, 22' 상반기) [데이터과학 Part3]

* 현재까지의 데이터 과학 강의 패키지를 할인된 가격으로도 제공합니다. (할인율은 곧 축소 예정입니다.
[입문~초급] 취업을 위한 데이터 분석 기본 기술 쉽게! 꼼꼼하게 익히기 (바로가기)

 

풀스택 코스: 최신 웹/앱 서비스를 A to Z 로 혼자서도 만들 수 있는 테크트리

익히는 순서에 따라 번호를 붙여 놓았습니다.

1. 파이썬과 데이터 수집(크롤링) 기본 (파이썬과 웹, 데이터 이해 기본)
2. MySQL과 데이터 저장/분석 기본 (SQL 데이터베이스 기본)
3. NoSQL(mongodb) 빅데이터 기본 (NoSQL 데이터베이스 기본)
4. 가장 빠른 풀스택: 파이썬 백엔드와 웹기술 기본 [풀스택 Part1]
5. 풀스택을 위한 탄탄한 프론트엔드 기본: javascript (Vanilla JS 와 ES6+) 와 최신 웹기술 [풀스택 Part2]
6. 풀스택을 위한 도커와 최신 서버 기술(리눅스, nginx, AWS, HTTPS, flask 배포) [풀스택 Part3]
7. 풀스택 앱 개발을 위한 flutter 기본 (풀스택 Part4, 21' 하반기 오픈 예정)
8. 풀스택을 위한 Vue 또는 React 프레임워크 기본 (풀스택 Part5, 21' 하반기 예정)

앱/웹기술이 급격히 변화 중이어서, 우선순위를 조정하였습니다. 보다 최신 기술을 선점하기 위해, 웹과 앱 모두를 지원하는 가장 최신 기술인 flutter 을 우선 진행합니다.

* 현재까지의 풀스택 강의 패키지를 할인된 가격으로도 제공합니다. (할인율은 곧 축소 예정입니다.)
[입문~중급] 가장 쉽고, 가장 최신 기술로 익히는 풀스택 로드맵(바로가기)

지식공유자가 알려주는
강의 수강 꿀팁!
🎓
이런 분들께
추천드려요!
처음 머신러닝을 익히는 분
데이터 예측, 분류 기법을 익히고 싶은 분
머신러닝 기본기를 다지고 싶은 분
📚
선수 지식,
필요한가요?
파이썬
pandas
plotly

안녕하세요
잔재미코딩 입니다.
잔재미코딩의 썸네일
Dave Lee (운영 블로그: 잔재미코딩)

현: 이커머스 기업 C사 기획(PO) 및 개발
전: SK, 삼성전자, 외국계 기업, 고려대학교 일어일문 학사, 연세대학교 컴퓨터공학 석사
주요 개발 이력: 삼성페이, 이커머스 데이터 서비스, 모바일 보안 시스템(CAS), RTOS 컴파일러, Linux Kernel Driver, NAS Embedded System  
저서: 리눅스 커널 프로그래밍, 리눅스 운영 체제의 이해와 개발,
누구나 쓱 읽고 싹 이해하는 IT 핵심 기술, 왕초보를 위한 파이썬 프로그래밍 입문서
운영 블로그: 잔재미코딩 (http://www.fun-coding.org) - 풀스택/데이터과학 기술 공유 블로그
커리큘럼 총 66 개 ˙ 15시간 53분의 수업
이 강의는 영상, 수업 노트, 첨부 파일이 제공됩니다. 미리보기를 통해 콘텐츠를 확인해보세요.
섹션 1. 수업 준비
수업 자료 다운 및 신청 방법 (꼭 들어주세요~, 코드자료는 바로 본 챕터에서 다운받으세요!) 06:39
주피터 노트북 설치 (맥) 미리보기 08:03 주피터 노트북 설치 (윈도우) 미리보기 07:10 주피터 노트북 사용법 미리보기 12:40
머신러닝 강의 학습 팁 (꼭 들어주세요~) 12:24
섹션 2. 배경지식으로 데이터 사이언스 시작하기
머신러닝 배경지식: 인식과 머신러닝 13:36
Hello 머신러닝: 코드 실행해보며, 머신러닝 프로세스 이해해보기 20:55
머신러닝 배경지식: 머신러닝 모델과 성능평가의 이해 18:32
머신러닝 모델 이해 전략 08:27
머신러닝 배경지식: 조건부, 결합, 주변 확률 이해 14:07
머신러닝 배경지식: 사전, 사후 확률과 우도(가능도) 이해하기 11:33
머신러닝 배경지식: 베이즈 정리 이해하기 11:48
베이즈 정리 활용과 머신러닝 프로세스 14:44
가우시안 나이브 분류로 이해하는 머신러닝 원리 16:45
섹션 3. 실제 문제 풀어보며, 머신러닝 기본 시작하기 (EDA)
머신러닝 시작하기 06:20
캐글(Kaggle) 사이트와 Kaggle API 사용법 익히기 15:58
타이타닉 문제로 시작하는 EDA1 17:45
타이타닉 문제로 시작하는 EDA: 범주형 데이터 분석 패턴1 18:02
타이타닉 문제로 시작하는 EDA: 범주형 데이터 분석 패턴2 18:43
타이타닉 문제로 시작하는 EDA: 수치형 데이터 분석 패턴1 19:59
타이타닉 문제로 시작하는 EDA: 수치형 데이터 분석 패턴2 18:52
섹션 4. 실제 문제 풀어보며, 머신러닝 기본 시작하기 (Feature Engineering)
머신러닝 적용을 위한 Feature Engineering 작업1 13:43
머신러닝 적용을 위한 Feature Engineering 작업2 16:19
머신러닝 적용을 위한 Feature Engineering 작업3 14:54
머신러닝 적용을 위한 Feature Engineering 작업4 23:44
머신러닝 적용을 위한 Feature Engineering 작업5 12:31
인코딩 이해하고 적용하기 (원핫, 레이블 인코딩) 16:48
섹션 5. 분류 머신러닝 기법 이해하기
머신러닝 분류 모델 이해하기1 (KNN, Logistic Regression, SVM) 11:40
머신러닝 분류 모델 이해하기2 (bias 와 variance) 15:25
머신러닝 분류 모델 이해하기3 (Bagging 과 Random Forest) 13:58
머신러닝 분류 모델 이해하기4 (Boosting 과 AdaBoost) 13:03
머신러닝 분류 모델 이해하기5 (GBM1) 15:47
머신러닝 분류 모델 이해하기6 (GBM2) 12:31
머신러닝 분류 모델 이해하기7 (XGBoost, LightGBM, 나이브 베이지안) 12:11
섹션 6. 머신러닝 성능 평가와 튜닝하기
교차 검증(Cross Validation) 이해하기 18:43
교차 검증(Cross Validation) 이해하기 (실습) 20:22
중요도 이해하고 적용하기 21:53
하이퍼 파라미터 튜닝 기법 이해하기 10:55
하이퍼 파라미터 튜닝 기법 적용하기 (SVC 실습) 15:28
하이퍼 파라미터 튜닝 기법 적용하기 (GBM 실습) 12:38
하이퍼 파라미터 튜닝 기법 적용하기1 (XGBoost 실습) 17:20
하이퍼 파라미터 튜닝 기법 적용하기2 (XGBoost + GridSearch 실습) 11:31
Voting 이해하고, 최종 예측해서, Kaggle 에 제출해보기 20:40
섹션 7. 다른 방식으로 분류 정확도 높여보며 익히는 머신러닝
다르게 적용해보는 Feature Engineering1 15:06
다르게 적용해보는 Feature Engineering2 22:47
또다른 성능 평가: OOB 와 ROC Curve 이해하기 16:39
스케일링 이해와 kaggle 제출하기 23:21
섹션 8. 머신러닝 회귀 모델 적용하며 익히기
주요 회귀 머신러닝 모델과 Regularization(정규화) 이해하기 23:44
자전거 공유 문제 이해와 EDA1 14:45
회귀 모델 성능 평가: MAE, MSE, RMSE, RMSLE 16:15
자전거 공유 문제 이해와 EDA2 14:33
자전거 공유 문제 이해와 EDA3 15:40
자전거 공유 문제 이해와 EDA4 05:43
머신러닝 적용을 위한 Feature Engineering 17:37
머신러닝 회귀 모델 사용법 익히기1 (Linear, Lasso, Ridge 모델) 14:28
머신러닝 회귀 모델 사용법 익히기2 (Random Forest, XGBoost, Gradient Boosting 모델) 08:42
모델 블렌딩 전략으로 kaggle 제출하기 12:46
섹션 9. 머신러닝 클러스터링 모델 적용하며 익히기
주요 클러스터링 머신러닝 모델 이해하기1 (KMeans 모델 이해와 테스트) 14:58
주요 클러스터링 머신러닝 모델 이해하기2 (KMeans++, Hierarchical Clustering, DBSCAN, Spectral Clustering) 16:17
고객 분류 문제 이해와 EDA 15:14
군집화 머신러닝 모델들로 고객 분류하기 07:23
섹션 10. Outro 및 향후 학습 진행 가이드
강의 정리 및 향후 학습 진행 가이드 06:15
강의 게시일 : 2021년 09월 16일 (마지막 업데이트일 : 2021년 09월 16일)
수강평
수강생분들이 직접 작성하신 수강평입니다. 수강평을 작성 시 300잎이 적립됩니다.
77,000원

월 15,400원

5개월 할부 시
폴더에 추가 108 공유
지식공유자 : 잔재미코딩
총 66개 수업˙총 15시간 53분
평생 무제한 수강
수료증 발급 강의
입문 초급 대상 중급이상
지식공유자 되기
많은 사람들에게 배움의 기회를 주고,
경제적 보상을 받아보세요.
지식공유참여
기업 교육을 위한 인프런
“인프런 비즈니스” 를 통해 모든 팀원이 인프런의 강의를
자유롭게 학습하는 환경을 제공하세요.
인프런 비즈니스