코딩IT

규제와검증

✅ 7주차: 규제(Regularization)와 검증(Validation) 요약1. 🎯 머신러닝의 도전 과제문제설명대표성 부족훈련 데이터가 전체 데이터 분포를 잘 대표하지 못함낮은 품질의 데이터오류, 이상치, 노이즈가 많은 데이터관련 없는 특성유효하지 않은 변수들이 많으면 성능 저하과대적합(Overfitting)훈련 데이터에 너무 최적화되어 테스트에 약함과소적합(Underfitting)데이터 복잡성을 모델이 못 따라감2. 🧠 규제 기법기법설명L1 정규화 (Lasso)가중치의 절댓값을 줄여 일부 가중치를 0으로 → 특성 선택 효과L2 정규화 (Ridge)가중치 제곱합을 줄여 모든 가중치를 작게 유지Dropout학습 중 무작위 뉴런을 꺼서 과대적합 방지Early Stopping검증 성능이 더 이상 향상되..

인공신경망

✅ 6주차: 인공신경망(Artificial Neural Network) 요약1. 📘 인공신경망이란?ANN (Artificial Neural Network): 생물학적 뉴런에서 영감을 받은 모델MLP (Multi-Layer Perceptron): 여러 층이 완전연결(Fully connected)된 구조2. 🧠 핵심 구성 요소구성 요소설명활성화 함수 (Activation)뉴런의 출력을 비선형화하여 학습 가능하게손실 함수 (Loss)예측값과 정답의 차이를 계산 (예: MSE)최적화 함수 (Optimizer)손실을 줄이도록 가중치 조정 (예: SGD, Adam)3. 📈 주요 함수 종류🔹 활성화 함수함수설명Sigmoid (로지스틱)0~1로 변환, 이진 분류Tanh-1~1로 변환ReLU음수는 0, 양수는 그..

클러스터링

✅ 5주차: 클러스터링 요약1. 📘 클러스터링이란?데이터를 유사한 특성끼리 묶는 것같은 클러스터 안에서는 비슷, 다른 클러스터와는 다름비지도 학습(Unsupervised Learning) 에 해당 (정답 없음)2. 🔍 분류와의 차이분류 (Classification)클러스터링 (Clustering)정답(label)이 주어짐정답 없음지도학습(Supervised)비지도학습(Unsupervised)3. 🧠 클러스터링 알고리즘 종류알고리즘설명K-means중심점(k개)을 기준으로 데이터를 군집화DBSCAN밀도 기반 군집화. 잡음(noise) 데이터도 처리 가능4. 📏 평가 지표 – 실루엣 계수 (Silhouette Score)a: 같은 클러스터 내 거리의 평균 (작을수록 좋음)b: 다른 클러스터와의 거리 평..

분류

✅ 4주차: 분류(Classification) 요약1. 📘 분류란?데이터를 여러 클래스(Label) 중 하나로 예측하는 작업예시: 사진이 ‘개’, ‘고양이’, ‘토끼’ 중 어떤 것인지 판별2. 🔍 주요 분류 알고리즘알고리즘개요로지스틱 회귀 (Logistic Regression)로지스틱 함수(시그모이드)를 통해 확률을 모델링k-최근접 이웃 (K-Nearest Neighbors, KNN)가장 가까운 데이터 K개를 기반으로 다수결 분류의사 결정 트리 (Decision Tree)조건 분기를 따라가는 트리 구조랜덤 포레스트 (Random Forest)여러 트리를 앙상블하여 분류 성능 향상나이브 베이즈 (Naive Bayes)조건부 확률을 기반으로 계산 (P(클래스3. 📏 성능 평가 지표지표설명Accuracy..

회귀분석

import pandas as pdimport numpy as npfrom sklearn.linear_model import LinearRegressionfrom sklearn.metrics import mean_squared_error, r2_score# 예제 데이터 생성X = np.array([[1], [2], [3], [4], [5]]) # 입력값y = np.array([2, 4, 5, 4, 5]) # 실제 출력값# 모델 생성 및 학습model = LinearRegression()model.fit(X, y)# 예측 수행y_pred = model.predict(X)# 결과 출력print("기울기(m):", model.coef_)print("절편(b):", model.interce..