파이썬을 활용한

머신러닝 CAMP

데이터 분석을 제대로 시작하고 싶다면, 파이썬이 답이다! 파이썬으로 시작하는 머신러닝 입문 9주 코스.

#머신러닝입문#실무활용 #핵심알고리즘

기간 & 일정

2019. 12. 14 ~ 2020. 2. 22(12/28, 1/25 휴강)
토요일 10:00 ~ 13:00
주 1회, 총 27시간

장소 & 준비물

패스트캠퍼스 강남강의장
강남역 4번 출구,
미왕빌딩 개인 노트북

문의

02-568-9886
help-ds@fastcampus.co.kr
※주차는 지원되지 않습니다.

※ 대학생/대학원생/동반수강 할인에 해당되시는 분은
반드시 수강신청 시 [소속]란에 3가지 중 하나를 기재해주세요.
담당 매니저가 확인 후 연락 드립니다.

인공지능에 관심있는
비전공자


머신러닝은 통계학에서 쓰는 몇 백 가지의 방법론들을 조합해서 나온 방대한 학문입니다. 때문에 이제 막 머신러닝에 관심을 갖기 시작하셨다면, 굳이 석학들이 머리 쥐어짜며 연구하는 어려운 분야부터 시작할 필요는 없습니다. 이 강의로 머신러닝의 기본을 천천히 다져가면서 시작해 보세요. 이 강의는 이후 당신의 머신러닝 연구에 최적의 멘토가 될 것입니다!

머신러닝 독학에
어려움을 겪는 분


딥러닝이 어떻고, 신경망 모델이 어떻고…도무지 이해할 수 없는 말 뿐인 학습자료들. 꾸역꾸역 이해하며 진도를 빼더라도 결국 돌아서니 남는 게 없는 학습 경험에 당황한 적이 있으신가요? 모델이 어떻게 만들어지고 변형되는지 이해할 수 있도록, 수식/알고리즘 배경지식 학습부터 시작해보세요. 원리를 이해하면 학습속도가 달라집니다.

머신러닝의 알고리즘을 정확히 이해하고
실무에 제대로 활용하고 싶다면,

파이썬으로 머신러닝 학습을 시작하는 것이 좋습니다.

하지만! 독학으로 공부하기에는 쉽지 않은파이썬을 통한 머신러닝 학습.

파활머2
파활머3
파활머4

더 이상 어렵게 느끼지 않도록,
기초를 단단하게 다져 드립니다.

강의 특징.

01

사례를 활용해 재미있게 배우는 머신러닝

어렵게만 보였던 머신러닝, 지루하기까지 했나요? ‘타이타닉 탑승객의 분류’, ‘농구선수의 슛 성공/실패 분류’, ‘목소리 신호 데이터로 성별 분류’와 같이 모두에게 흥미로운 예제를 통해 머신러닝을 보다 재미있게 이해해봅니다.

02

이해하기 쉽도록 반복되는 학습과 피드백

개념과 수식 이해, 실습 등이 유기적으로 이뤄져야  머신러닝 알고리즘을 제대로 이해할 수 있습니다. 개념설명 → 수식설명 → 파이썬 실습을 반복하며 알고리즘의 이해를 돕고, 이를 온전히 가져갈 수 있도록 퀴즈 및 피드백을 제공합니다.

03

필요한 만큼의 수식 설명으로 수학에 대한 부담감 해소

머신러닝 공부의 가장 큰 장벽 수학! 하지만 모든 수식에 대해 알아야 할 필요는 없습니다. 알고리즘 이해를 위한 최소한의 수학적 내용만을 압축해서 전달하여, 수학에 대한 부담감이 대폭 줄어듭니다.

수강 대상.

icon_man3_2_happy

머신러닝 알고리즘을 이해하고
실무에 적용하고 싶은 개발자

icon_woman3_1_normal

자신의 연구에 데이터 분석을
활용하고 싶은 연구원, 대학원생

icon_woman1_2_happy

머신러닝 알고리즘을 배우고 싶지만
파이썬 기초밖에 모르시는 분

수강생의 실습 결과물 실제 수업 자료를 확인하세요!

강의 자료 예시

학습 노트 예시

실습 결과물 예시

movie

[ 남/여의 목소리 데이터를 활용한 의사결정 나무 모델링 ]

커리큘럼.

1주차

머신러닝 개요 및 파이썬 기초 (Introduction)

데이터 분석을 위하여 이용되는 머신러닝 기법들의 종류들을 살펴보고, 데이터 분석 과정에 대하여 알아봅니다.

자세히 보기

  • 머신러닝의 활용사례와 이슈
  • 실습을 위한 파이썬 환경 구성
  • Anaconda 를 이용한 실습 환경 설정
  • Github 을 이용한 실습 코드 및 데이터 공유
  • Python, Numpy, Pandas, Bokeh 소개

2주차

선형 회귀 모델 (lineaer regression)

회귀 모델 중 기본이 되는 선형 회귀 모델을 통하여 머신러닝 알고리즘의 주요 개념인 손실 함수, 패러매터, 하이퍼 패러매터의 개념을 알아봅니다. 이 과정에서 미분을 기반으로 모델을 학습하는 방법에 대해서도 살펴봅니다.

자세히 보기

  • Least Squares 와 Maximum Likelihood Estimation 를 이용한 선형 회귀 모델 풀이
  • 미분을 이용한 최적해 탐색
  • 다중 선형 회귀 모델 (Multiple linear regression)
  • 다항 회귀 모델 (Polynomial regression)
  • 모델 적합도와 검정

3주차

로지스틱 회귀를 이용한 분류 (logistic regression)

분류 모델 중 기본이 되는 로지스틱 회귀 모델의 작동 원리를 살펴봅니다. 또한 모델의 과적합을 방지하거나 고차원 데이터에서 유용한 변수를 데이터 기반으로 추출하기 위한 제약 (regularization) 방법에 대해서 살펴봅니다. 로지스틱 회귀 모델의 작동 원리에 대한 이해는 다양한 선형 분류 모델 및 인공신경망, 딥러닝과 같은 복잡한 모델의 이해를 위한 첫걸음입니다.

자세히 보기

  • 로지스틱 회귀의 소프트맥스 회귀로의 확장
  • 과적합과 L2/L1 regularization
  • Logit 에 대한 선형 회귀 모델로의 해석
  • 문서 분류 예시를 통한 모델 계수의 의미 해석

4주차

변수 엔지니어링와 데이터 전처리

벡터 공간에서 정의되는 머신러닝 기법들을 이용하기 위해서는 벡터가 아닌 데이터를 벡터로 표현하거나, 이미 벡터로 표현된 데이터를 특징이 더 잘 드러나는 새로운 벡터로 변형해야 합니다. 이 과정에서 불필요한 변수를 제거하거나 유용한 변수를 만들기도 합니다. 또한 모델의 안정적인 학습을 위한 데이터 전처리 과정을 알아봅니다.

자세히 보기

    • 데이터의 벡터 표현 및 정규화 (normalization)
    • 변수 추출법인 Singular Vector Decomposition
    • 고차원 벡터의 차원 축소를 통한 시각화 (t-SNE, UMAP)

모델의 성능 검증 및 데이터 분리

모델의 성능을 표현하기 위한 척도들을 살펴봅니다. 또한 모델의 과적합 방지 및 일반화 성능 측정을 위한 학습/테스트 용 데이터 분리 방법을 알아봅니다.

자세히 보기

  • 판별 성능 척도 (precision, recall, F1, accuracy, confusion matrix)
  • 회귀 성능 척도 (MSE, MAP)
  • 교차 검증 (cross validation)
  • 하이퍼 패러매터 탐색 방법

5주차

인공신경망을 이용한 비선형 분류 및 회귀 (feed forward neural network)

선형 분류나 회귀 모델로 예측이 되지 않는 데이터를 분류하기 위하여 이용되는 인공신경망은 모델 내부에서 데이터가 선형 분류가 될 수 있도록 그 표현법 (representation) 을 변형하는 알고리즘입니다. 인공신경망의 원리를 알아봅니다. 이 원리는 이후 딥러닝 모델의 원리를 이해하기 위한 기초가 됩니다.

자세히 보기

  • Linear inseparable 문제 (XOR)
  • 인공신경망의 구성 요소 (hidden layer, activation function)
  • 인공신경망의 기하학적 해석 (representation learning)
  • optimizers (SGD, Adam)

6주차

지지 벡터 머신 (Support Vector Machine)

SVM 은 딥러닝 모델 이전에 kernel trick 을 이용하여 높은 성능을 보여주던 분류 모델입니다. SVM 은 선형, 비선형 경우 모두 높은 분류 성능을 보여줍니다. 이 모델의 원리에 대하여 알아봅니다. 또한 회귀 모델에 이용하기 위한 Support Vector Regression (SVR) 모델에 대해서도 알아봅니다.

자세히 보기

  • Linear kernel SVM
  • Radial Basis Function (RBF) kernel SVM
  • Support Vector Regression

7주차

의사결정 나무 (Decision Tree)

의사결정 나무는 분류와 회귀에 모두 이용 가능한 기법으로, 입력 데이터의 형태가 반드시 벡터가 아닌 경우에도 잘 작동하며 모델의 작동 원리를 규칙으로 해석할 수 있다는 장점이 있습니다. 하지만 한 번에 하나의 변수만을 이용하는 특징 때문에 고차원의 스파스 형태의 데이터에서는 잘 작동하지 않기도 합니다. 의사결정 나무의 원리를 알아보고, 어떤 경우에 유용한지 살펴봅니다.

자세히 보기

  • 의사결정 나무를 이용한 분류와 회귀

앙상블 기법

앙상블 기법은 모델의 과적합 문제를 해결할 뿐 아니라 복잡한 판별 경계면을 학습하는데도 유용합니다. 의사결정 나무를 이용하는 앙상블 기법인 랜덤 포레스트 (Random Forest) 와 부스팅 기법 중 하나인 XGBoost 에 대하여 알아봅니다.

자세히 보기

  • Bagging / Boosting
  • Random Forest 와 Extreme Forest
  • XGBoost
  • Isolation Forest 를 이용한 이상치 (outlier) 탐색

8주차

최인접이웃 기반 모델 (k-Nearest Neighbor models)

최인접이웃을 이용한 분류/회귀 모델은 가장 직관적이면서도 데이터의 복잡한 패턴을 학습할 수 있는 능력이 있습니다. 이 모델은 학습과정이 필요하지 않기 때문에 새로운 데이터를 지속적으로 업데이트 할 수 있다는 장점도 있습니다. 그러나 최인접이웃의 검색 시간이 데이터의 개수에 비례하는 단점이 있습니다. 이를 해결하며 효율적으로 최인접 이웃을 검색하는 방법에 대해서도 살펴봅니다.

자세히 보기

  • k-NN 기반 분류/회귀 모델
  • Ball Tree 를 이용한 빠른 최인접이웃 검색

9주차

군집화 (Clustering)

군집화 기법은 비슷한 종류의 데이터를 하나의 집합으로 묶음으로써 데이터 내 패턴을 추출하는데 이용될 수 있습니다. 대표적인 군집화 방법들에 대하여 알아보고, 차원 축소 방법인 UMAP 을 이용하여 군집화 결과를 시각화 하는 방법에 대해서도 살펴봅니다.

자세히 보기

  • k-means
  • hierarchical clustering
  • DBSCAN
  • UMAP 을 이용한 군집화 학습 결과의 시각화

수강신청 전 Check List

1. jupyter notebook으로 코드를 돌려본 경험이 있다.
2. 파이썬 스크립트를 보고 의미를 파악할 수 있다.
3. 파이썬 라이브러리를 활용해 본 경험이 있다.

*위의 Check List 중 2가지 이상 해당 된다면 본 강의를 수강하셔도 좋습니다.
그렇지 않다면 반드시 담당 매니저와 상담 후 신청해 주세요.

파이썬 선수 학습을 위한 무료 강좌를 안내해 드립니다.

추천강의

수강신청 전 잠깐! 이 수업에는 Python 기초 문법에 대한 사전 지식이 필요합니다. Codeacademy의 Python 과정을 확인하시고, 해당 강좌에서 다루는 내용을 숙지한 이후 본 과정을 수강해 주세요.

수업 전, 머신러닝 사전학습에 도움되는 자료를 안내해 드립니다.

추천교재 밑바닥부터 시작하는 데이터과학 이제 막 머신러닝 학습을 시작하려고 하거나 머신러닝을 혼자 공부하면서 어려움을 겪고 계시다면 도서 밑바닥부터 시작하는 데이터과학 – 데이터 분석을 위한 파이썬 프로그래밍과 수학통계 기초를 미리 읽어보세요. 데이터 과학에 필요한 파이썬 프로그래밍과 데이터 과학분야에서 꼭 알아야 할 개념에 대한 내용이 담겨 있어 수업 이해에 많은 도움이 되실 겁니다.

우리는 이미
일상에서 머신러닝의 도움을 받고 있습니다

계산 금융 신용 평가 및 알고리즘 트레이딩

이미지 프로세싱 및 컴퓨터 비전 얼굴 인식, 동작 인식, 객체 인식

자동차, 항공 및 제조 예측 기반 유지 보수 시스템 개발

계산 생명공학 종양감지, 신약 발견, DNA 염기 서열(DNA Sequence)

에너지 생산 가격 및 부하 예측

자연어 처리

머신러닝이란 무엇일까요?

머신러닝이란 사람과 동물의 자연스러운 경험을 통한 학습을 컴퓨터가 수행할 수 있도록 가르치는 것입니다. 맞춤 코드작성이나 수학/프로그래밍 지식 없이도 프로그램을 활용해 머신러닝을 학습시키고 최적의 파라미터를 찾아낼 수 있습니다.

파이썬으로 시작할 수 있습니다!

알고리즘 성능 향상을 위해 컴퓨터에게 학습시킬 데이터를 늘리려면 반복적인 데이터 처리 작업을 빠르고 손쉽게 조작할 수 있는 도구가 필요합니다. 파이썬은 이 조건에 바로 부합하면서도, 범용 프로그래밍 언어의 장점과  MATLAB이나 R 같은 특정 분야를 위한 스크립팅 언어의 편리함까지 갖추고 있기 때문에 기존 파이썬 사용자라면 부담없이 시작할 수 있습니다.

수강생 후기.

4기 수강생 오승열님

머신러닝을 활용하여 문제를 해결하고 싶은데 시작하기가 겁이 나신다면 고민하지 마시고 수강하세요. 절대 후회하지 않으실 겁니다.

9기 수강생 장정원님

수학, 코딩에 대해서는 잘 모르지만 머신러닝에 관심이 많은 저같은 비전공자나 입문자들에게 정말 도움이 되는 강의입니다.

★★★★★

B사 데이터 분석가 Y님

수식도 잘 설명해 주시고 모델링에 필요한 코드까지 꼼꼼히 챙겨주십니다

★★★★★

대학원생 P님

어렵다고만 생각했던 머신러닝, 차근차근히 기초부터 배울 수 있어서 좋았습니다.

★★★★★

A사 모바일웹 개발자 K님

기초적인 개념만 알아도 실무 적용가능한 방법을 배울 수 있습니다.

★★★★★

대학원생 J님

강사님의 머신러닝 관련지식과 연구 경험이 풍부하셔서 많은 도움이 됩니다.

★★★★★

H사 해외영업팀 N님

실제 사용법을 확실히 이해하게 됐어요, 혼자 공부할 때에 비해 훨씬 쉽게!

★★★★★

T사 개발자 L님

머신러닝 입문 강의로는 아주 잘 짜여진 커리큘럼이라고 생각합니다.

강사님 소개.

김현중 강사님

[ 약력 ]
-서울대학교 산업공학과 데이터마이닝 연구실 박사과정
-한국어 텍스트 분석을 위한 soynlp 라이브러리 개발
-PYCON KOREA 2017 ‘노가다 없는 텍스트 분석을 위한 한국어 NLP’ 발표

-(2016~현재) 패스트캠퍼스에서 파이썬, 머신러닝 관련 강의 다수 진행

{ FASTCAMPUS COMMUNITY MEMBERSHIP }

패스트캠퍼스 오프라인 강의를 수강하셨다면! 별도의 가입절차없이 패스트캠퍼스 커뮤니티 멤버쉽 회원이 됩니다. 커뮤니티 멤버쉽은 수강 후 1년 동안 유지되며, 오직 멤버들만을 위한 비공개 스터디클럽, 네트워킹행사, 세미나 등 비정기적 행사에 모실 예정입니다.

image_1@2x
image_2@2x
image_3@2x
image_4@2x
image_5@2x

수강료안내

강의 정보, 한 번 더 확인!

기 간 : 2019. 12. 14 – 2020. 02. 22 (총 9주, 휴강: 12/28, 1/25)
일 정 : 토요일 10:00 – 13:00(주 1회)
준비물 : 개인 노트북
장 소 : 패스트캠퍼스 강의장

정가 150만원

이번 기수 조기마감되었습니다.
출시알림을 신청해주세요!

✓ 본 강의는 결제 순으로 마감됩니다.
✓ 매주 목요일마다 가격이 소폭 상승합니다.
✓ 수강 인원이 10명 미만인 경우, 또는 내부 사정으로 인해 부득이하게 폐강될 수 있습니다.

개와 고양이 구별 사례로 보는
머신러닝의 이해  

border_1

미리 알아두면 좋은 선수지식

머신러닝 알고리즘, 이제는 파이썬으로 쉽고 재미있게 이해하자!

할인 마감 D-

[ 유의사항 및 환불규정 ]

* 모든 패스트캠퍼스 오프라인 파트타임 교육은 개강 전일 18시에 모집이 마감됩니다.
* 상황에 따라 사전 공지 없이 모집이 조기 마감되거나 할인이 연장될 수 있습니다.
* 수강 인원 확인을 위하여, 즉시 결제가 어려운 경우에도 반드시 수강신청을 먼저 진행해주시기 바랍니다.
* 수강생의 결석이나 지각 등으로 발생한 손해에 대해서는 별도의 보상을 제공하지 않습니다.

* 다음과 같은 사유 등으로 인해 강의가 폐강될 수 있으며, 폐강 시 학원법에 따라 반환 사유 발생일로부터 5 영업일 이내에 수강료를 환불해드립니다.
– 모집된 수강인원이 10명 이하일 경우
– 강사의 갑작스러운 사고 및 건강 상의 이유
– 천재지변
: 위의 사유로 강의가 폐강될 경우, 학원법 제 18조에 따라 오프라인 강의 취소/환불 정책을 준용하여 환불 처리되며, 모객 부진으로 폐강 시에는 최소 개강일로부터 7일 전에는 폐강 여부를 안내해드립니다.

* 총 수강기간 1개월 이내 기준 취소 및 환불 규정 안내
– 환불금액은 정가가 아닌 실제 결제금액을 기준으로 계산됩니다.
– 수업 시작 전 환불 신청 시 전액 환불됩니다.
– 수강 시작 후 환불 신청 시 하기 수업 시수를 기준으로 학원법 환불규정에 따라 환불 가능합니다.
: 환불요청일시 기준 수업시수 1/3 경과 전 : 수강료 2/3 환불
: 환불요청일시 기준 수업시수 1/2 경과 전 : 수강료 1/2 환불
: 환불요청일시 기준 수업시수 1/2 경과 후 : 환불금액 없음

* 기타 환불 관련 안내
– 환불 의사를 밝힌 다음날부터 계산하여 환불합니다.
– 환불금액은 수업시간을 기준(반올림)으로 산정합니다.
– 환불금액의 10원 미만은 절삭합니다.
– 반환 사유 발생 시 5 영업일 이내 환불됩니다.
: PG사와 카드사의 상황에 따라 환불이 지연될 수 있습니다
– 1개월 산정 기준은 민법 제 160조(역에 의한 계산)을 적용합니다.
: 실제 일수와 상관없이 수업시작일이 3월 7일인 경우, 1개월은 4월 6일까지 입니다.
: 단, 수업 시작일이 1월 31일인 경우, 1개월은 월의 말일인 2월 28일까지 입니다.