밑바닥 부터 시작하는 머신러닝 입문

밑바닥 부터 시작하는 머신러닝 입문

(10개의 수강평)

725명의 수강생
77,000원
지식공유자 · TeamLab
134회 수업 · 총 28시간 16분 수업
평생 무제한 시청
수료증 발급 강좌
수강 난이도 '초급, 중급'

1. 강좌소개

본 머신러닝 입문 강좌는 TEAMLAB과 Inflearn이 함께 구축한 데이터 사이언스 과정의 두 번째 강의인 밑바닥 부터 시작하는 머신러닝 입문 강좌 입니다. 밑바닥부터 시작하는 머신러닝 입문은 Part I과 Part II로 구성되어 있습니다. 이 강의는 TEAMLAB과 Inflearn이 함께 준비한 WADIZ 펀딩의 지원을 받아제작되었습니다. 아래 목록에 대한 강의를 개발할 예정입니다.

또한 기존 K-MOOC 과정은 아래 목록을 참고하시기 바랍니다.

학습목표 도움이 되는 분들
머신러닝에 대한 기초개념과 주요 알고리즘들에 대해 이해하고 구현하는 것을 목적으로 하며, 본 과정을 통해 수강자는 데이터 과학에서 사용되는 다양한 용어에 대한 기본적인 이해를 할 수 있습니다. 프로그래밍 입문하고 싶은 분 데이터 과학을 배우고 싶은 초보자 머신러닝 시작 전 기초를 다지고 싶은 분 데이터과학 분야 취업 준비생 아무나

 2. 강좌 특징

  • 본 과정의 기본적인 구성은 알고리즘에 대한 설명, Numpy를 사용한 구현, Scikit-Learn을 사용한 패키지 활용으로 이루어 져 있습니다.
  • 수강자는 머신러닝에서 주로 사용되는 알고리즘을 구현하기 위해 고등학교 수준의 통계학과 선형대수학의 이해가 필요합니다.
  • 수강자는 본 과정을 통해 Numpy, Pandas, Matplotlib, Scikit-Learn 등 데이터 분석을 위한 기본적인 파이썬 패키지를 이해하게 됩니다.

3. 머신러닝으로 할 수 있는 것들

4. 참고자료

  • Machine Learning (Couera) by Andrew Ng
  • 모두를 위한 딥러닝 by Sung Kim
  • C++로 배우는 딥러닝 by 홍정모 교수님
  • Machine Learning From Scratch[https://github.com/eriklindernoren/ML-From-Scratch]

코드과제 분석 기술지원 : 래블업(www.lablup.com)

Textbooks

Reading materials 밑바닥부터 시작하는 데이터 과학(조엘 그루스, 2016)
파이썬 머신러닝(세바스티안 라슈카, 2016)
Hands-On Machine Learning with Scikit-Learn and TensorFlow(Aurélien Géron, 2017, PDF)
Data Mining: Concepts and Techniques(Jiawei Han, Micheline Kamber and Jian Pei , 2011, PDF)
Supplementary textbooks 파이썬 라이브러리를 활용한 데이터 분석(웨스 맥키니, 2013)
머신러닝 인 액션(피터 해링턴, 2013)
데이터 과학 입문(레이철 슈트 | 캐시 오닐, 2014)
머신러닝 인 파이썬(마이클 보울즈, 2015)
머신러닝 이론 입문(나카이 에츠지, 2016)

Prerequisites - 수강전 이수 또는 수강중 들었으면 하는 교과들

입문 수준의 통계학 세상에서 가장 쉬운 통계학(고지마 히로유키, 2009)
세상에서 가장 쉬운 베이즈통계학입문(고지마 히로유키, 2017)
확률과통계(한양대학교 이상화 교수, 2014)
Reading Materials: Data Science from the Scratch - Ch.5, Ch.6, Ch.7 고교 이과 수준의 선형대수학 (Matrix와 Vector의 기본개념은 Review 필요) Essence of linear algebra(3Blue1Brown, 2017)
Linear Algebra(Khan Academy) 선형대수학(한양대 이상화 교수, 2013)
- Advance Course Reading Materials - Data Science from the Scratch - Ch.4 고교 이과 수준의 미적분학 (개념에 대한 이해 필요) Essence of calculus(3Blue1Brown, 2017)
파이썬 기초 데이터 과학을 위한 파이썬 입문 (TEAMLAB, 2017)
Git Pro Git (스캇 샤콘 | 벤 스트라웁, 2016)
Git & Github (TEAMLAB, 2016) Git 강의 (생활코딩, 2014)

5. 강사 소개

최성철 (Director of TEAMLAB)

감동근, 강남구, 강동훈, 강민구, 강승형, 강신현, 강정모, 강천성, 견은경, 고상규, 고태영, 고형주, 곽병우, 곽준규, 곽효은, 권기웅, 권수림, 권준호, 김강한, 김기범, 김기현, 김대현, 김동수, 김범영, 김상호, 김석, 김설화, 김성선, 김영곤, 김영복, 김완, 김우재, 김원준, 김유준, 김재훈, 김종철, 김주호, 김준엽, 김준철, 김준태, 김지훈, 김진영, 김태일, 김태형, 김현수, 김현일, 김현표, 김형수, 김희정, 남궁영, 노동흔, 노정철, 노진선, 노태주, 류재국, 류지환, 목정환, 문종배, 문진솔, 문진원, 박경화, 박동희, 박두강, 박민준, 박선호, 박세원, 박수연, 박신영, 박재호, 박제민, 박준혇, 박진태, 박찬진, 박철홍, 박태균, 박태욱, 박혜원, 박홍성, 박훈범, 박흥주, 배윤성, 배이환, 배진의, 백길호, 백상일, 변경섭, 서기용, 서동진, 서동화, 서윤희, 서재원, 석민호, 성정모, 손기창, 손백모, 손유연, 손정훈, 송민규, 송은정, 송지훈, 신동수, 신명석, 신익순, 신재근, 신정현, 신진규, 신헌섭, 안병훈, 안중희, 양제열, 오성우, 오승재, 옥재우, 우지원, 원선, 원하리, 위재혁, 유영호, 윤병길, 윤석채, 윤석필, 윤성현, 윤준서, 윤진환, 이경록, 이경미, 이경은, 이기용, 이대규, 이덕기, 이돈중, 이민선, 이상엽, 이성주, 이성한, 이성훈, 이수환, 이승규, 이승준, 이신애, 이연준, 이영숙, 이영일, 이용민, 이유정, 이은섭, 이자호, 이재준, 이재현, 이정연, 이정호, 이종석, 이주웅, 이주원, 이지선, 이지오, 이창섭, 이형범, 임세민, 임원균, 임종태, 임지홍, 임채현, 장석원, 장우일, 장우철, 장준혁, 장현정, 장홍기, 전경환, 전용진, 전종열, 전진명, 정광윤, 정광호, 정대환, 정동렬, 정동민, 정성욱, 정수정, 정승현, 정영교, 정윤기, 정찬모, 정향원, 정현철, 조광제, 조민하, 조수정, 조영만, 조용준, 조원석, 조재문, 조중현, 주정석, 진소라, 차동철, 차진만, 채호진, 최경민, 최웅식, 최인보, 최정원, 최제호, 최준식, 최한동, 추정호, 하준수, 한보람, 한성욱, 한성현, 한형섭, 현승철, 홍미나, 홍심희, 홍준원, 홍태환, 황대성, 황의영, 황지영, 효주, eric, Sunghuek Park, 래블업(Lablup), 신정규, TeamLab, 최수경, 리세리

교육과정

모두 펼치기 139 강의 28시간 16분
섹션 0. Chapter 1 - Introduction to Machine Learning
9 강의 82 : 00
Machine Learning Overview
08 : 00
강의자료 (전체받기)
An Understanding of the Data Keywords
15 : 00
How to Learn Machine Learning
07 : 00
Types of Machine Learning
09 : 00
A History of Data Analysis: In Perspective of Business
13 : 00
[Environment Setup] Python Ecosystem for Machine Learning
05 : 00
[Environment Setup] How to use Jupyter Notebook
11 : 00
[참고자료] 가상환경과 Package 활용하기
14 : 00
섹션 1. Chapter 2 - Warm Up Section: An understanding of data
5 강의 50 : 00
Chapter Intro
01 : 00
The concepts of a feature
13 : 00
Data types
10 : 00
Loading data with pandas
08 : 00
Representing a model with numpy
18 : 00
섹션 2. ' Supplements - Linear algebra
4 강의 49 : 00
Lab: Simple Linear algebra concepts
16 : 00
Lab: Simple Linear algebra codes
25 : 00
– 과제 제출 방법 : Linear algebra
08 : 00
- Code Assignment: Linear algebra with pythonic code
섹션 3. Chapter 3 - Numpy Section
13 강의 146 : 00
Chapter Intro - Numpy
01 : 00
Numpy overview
04 : 00
ndarray
17 : 00
Handling shape
06 : 00
Indexing & Slicing
09 : 00
Creation functions
13 : 00
Opertaion functions
16 : 00
Array operations
14 : 00
Comparisons
11 : 00
Boolean & fancy Index
08 : 00
Numpy data i/o
06 : 00
Assignment: Numpy in a nutshell
[Supplements] TF-KR 첫 모임: Zen of NumPy
41 : 00
섹션 4. Chapter 4 - Pandas Section #1
9 강의 81 : 00
Chapter Intro
01 : 00
Pandas overview
03 : 00
Series
10 : 00
DataFrame
14 : 00
Selection & Drop
15 : 00
Dataframe operations
07 : 00
lambda, map apply
18 : 00
Pandas builit-in functions
13 : 00
Assignment: Build a matrix
섹션 5. Chapter 5 - Pandas Section #2
7 강의 71 : 00
Chapter 5 Intro
Groupby I
15 : 00
Groupby II
15 : 00
Casestudy
12 : 00
Pivot table & Crosstab
07 : 00
Merg & Concat
14 : 00
Database connection & Persistance
08 : 00
섹션 6. Chapter 6 - Matplotlib Section & Miniproject
10 강의 139 : 00
Chapter 6 overview
Matplotlib overview
02 : 00
Basic functions & operations
17 : 00
Graph
19 : 00
Matplotlib with pandas
16 : 00
Data Cleaning Problem Overview
03 : 00
Missing Values
18 : 00
Categorical Data Handling
22 : 00
Feature Scaling
16 : 00
Casestudy - KagglepProblems
26 : 00
섹션 7. Chapter 7 - Linear Regression
12 강의 118 : 00
Chapter 7 Overview
Linear regression overview
11 : 00
Cost functions
13 : 00
Normal equation
17 : 00
Lab Assignment: Normal equation
Gradient descent approach
11 : 00
Linear regression wtih gradient descent
10 : 00
Linear regression implementation wtih Numpy
23 : 00
Multivariate linear regression models
12 : 00
Performance measure for a regression model
08 : 00
Linear regression implementation wtih scikit-learn
13 : 00
Lab Assignment: Gradient descent
섹션 8. Chapter 8 - Linear Regression extended
9 강의 164 : 00
Chapter 8 overview
Stochastic gradient descent
18 : 00
SGD implementation issues
16 : 00
Overfitting and regularization overview
11 : 00
Regularization - L1, L2
17 : 00
sklearn Linear Model family
20 : 00
Polynomial regression
18 : 00
Sampling method
31 : 00
Kaggle project : Bike demand
33 : 00
섹션 9. Chapter 9 - Logistics Regression
10 강의 104 : 00
Chapter 9 intro
01 : 00
Logistic regression overview
07 : 00
Sigmoid function
07 : 00
Cost function
18 : 00
Logistic regression implementation with Numpy
14 : 00
Maximum Likelihood Estimation
07 : 00
Logistic regresion with sklearn
18 : 00
Confusion matrix
06 : 00
Performance metrics for classification
12 : 00
ROC Curve
14 : 00
섹션 10. Chapter 10 - Logistics Regression extended
7 강의 82 : 00
Chapter 10 overview
Multiclass Classification overview
05 : 00
Softmax function #1
10 : 00
Softmax function #2
23 : 00
Softmax regression with numpy
22 : 00
Performance metrics for classification
03 : 00
Multiclass classification with scikit-learn
19 : 00
섹션 11. Chapter 11 - Naive Bayesian Classifier
11 강의 139 : 00
Chapter 11 overview
01 : 00
Probability overview
05 : 00
Bayes' theorem
14 : 00
Single variable bayes classifier
09 : 00
Navie bayesian Classifier
10 : 00
NB Classifier Implementation
09 : 00
Multinomial Naive Bayes
15 : 00
Gaussian Naive Bayes
08 : 00
NB classifier with sklearn
15 : 00
20news group classifaication 1
29 : 00
20news group classifaication 2
24 : 00
섹션 12. ' Supplements : Text handling Lab: News categorization
2 강의 49 : 00
Lab: News categorization 1
14 : 00
Lab: News categorization 2
35 : 00
섹션 13. Chapter 12 - Decision Tree
10 강의 104 : 00
Chapter 12 intro
01 : 00
Decision tree overview
05 : 00
The concept of entropy
06 : 00
The algorithme of growing decision tree
10 : 00
ID3 & Information gain
18 : 00
CART & Gini Index
22 : 00
Tree pruning
05 : 00
Decision Tree with sklearn
22 : 00
Handling a continuous attribute
09 : 00
Decision Tree for Regression
06 : 00
섹션 14. Chapter 13 - Ensemble
11 강의 172 : 00
Chapter 13 intro
01 : 00
Ensemble model overview
06 : 00
Voting classifier
12 : 00
Bagging
19 : 00
Random Forest
13 : 00
AdaBoost
31 : 00
Gradient boosting #1
23 : 00
Gradient boosting #2
16 : 00
XGBoost, GBM & LightGBM
23 : 00
Installation guide on Windows
08 : 00
Stacking
20 : 00
섹션 15. Chapter 14 - Performance tuning
10 강의 146 : 00
Chapter 14 intro
01 : 00
Chapter 14 Overview
07 : 00
Feature Engineering I: Generation
19 : 00
Feature Engineering II: Statics
13 : 00
Feature Engineering III: Model based
12 : 00
Feature Engineering #4: Iterative
16 : 00
Imbalanced dataset #1
14 : 00
Imbalanced dataset #2
14 : 00
Hyperparmeter searching with Distributed Machines
21 : 00
AutoML
29 : 00

공개 일자

2017년 12월 17일 (마지막 업데이트 일자 : 2019년 2월 1일)

수강 후기

4.3
10개의 수강평
백곰이 7달 전
머신러닝의 기본개념을 빠르게 이해하기 좋은 강좌 - 강의의 초반부는 짜임새 있게 진행되는듯 하다가 후반부에서 대략적으로 설명이 되고, 넘어가는 듯한 느낌이네요, 조금 아쉽습니다. - Machnine Learning from Scratch with Python Part II 강좌는 언제쯤 나오는지도 궁금합니다.
이루리 1달 전
파이썬, 머신러닝 입문 과정으로 전체적 흐름을 익히는데 큰 도움이 되었습니다.
지식공유자 되기
많은 사람들에게 배움의 기회를 주고,
경제적 보상을 받아보세요.
지식공유참여
기업 교육을 위한 인프런
“인프런 비즈니스” 를 통해 모든 팀원이 인프런의 강좌들을
자유롭게 학습하는 환경을 제공하세요.
인프런 비즈니스