메인메뉴로 이동 본문으로 이동

lnb영역

데이터사이언스
과정

컨텐츠 내용

  1. 수강신청
  2. 과정정보

Python 머신러닝

Python 머신러닝 과정정보
수강기간 180일
강의구성 29차시
수강료 220,000원

 

총 학습시간 12시간 7분



[과정소개]

 

Python 머신러닝과정은 예측, 분류, 군집, 연관추천 등 4가지 머신러닝 목적과 예측력이 높은 검증된 13가지핵심
    
알고리즘을 마스터하는 과정입니다. 본 과정은 선거유권자 예측, 환자예측등 실전 주제를 가지고 데이터 정규화,  
    
데이터셋분할, 알고리즘적용과 하이터파라미터 튜닝을 통한 최적 모델 찾기, 실전데이터에 적용 등의 전 과정을 다루고 있습니다

▪ 본과정을 수강하시면 머신러닝알고리즘의 이론과 실전을 동시에 마스터하실 수 있습니다.

 

 

[수강대상]

 

▪Python 머신러닝 과정은 인공지능 기반 데이터사이언티스트로 안내합니다.

   다음과 같은 분들이 머신러닝 과정 수강이 필요합니다.

 

   - 인공지능 데이터분석가가 되고자 하는 현업 실무자 및 취업준비생

   - 개발자이면서 예측, 추천, 군집등의 분석을 자동화하고자 하는 분

   - 머신러닝을익혀 반복적 업무의 효율성 및 예측력을 향상하고자 하는 분

   - 대학 혹은 기관에서 데이터분석 관련 연구와 강의를 하고 계신 강사 및 교수님

   - 전통적 통계분석에 더해 최신 머신러닝기법으로 연구성과를 내고자 하는 연구자

   - 빅데이터분석, 인공지능사업과 연구를 기획하는 정책 실무자

 

 

[학습목표]

 

▪Python 머신러닝과정을 수강하신 후 다음과 같은 분석능력을 갖추게 됩니다.

 

   - 수집된 데이터의 정규화, 변환, train/test 데이터셋 분할 등 분석 전처리과정을 완벽하게 이해하고 수행할 수 있습니다.

   - 머신러닝의 예측, 분류, 군집, 추천등 4가지목적에 따른 13가지핵심 알고리즘을 명확하게 알고 직접 수행할 수 있습니다.

   - 하이퍼 파라미터 튜닝방법을 익혀 가장 예측력이 높은 최적의 결과를 도출할 수 있습니다.

   - 앙상블기법을 적용해 여러 머신러닝 알고리즘의 조합으로 더욱 높은 예측력을 이끌어낼 수 있습니다.

 

 

[수강안내]

 

정규학습일수는 180일이며, 180일이내 수강을 80% 이수해야만 수료증이 발급됩니다.

교재는 강의 내에서 교안과 실습자료를 다운로드 받으실 수 있도록 파일로 제공됩니다.

 

 

 ■ 교환.환불규정 ■

  1) 결제 후 7일 이내, 이용한 강좌 없을 경우: 전액 환불

  2) 결제 후 7일 초과 ~ 수강기간 1/2 이하

     - 이용한 강좌가 없을 경우: 위약금(결제한 금액의 10%) 차감 후 환불

     - 이용한 강좌가 있을 경우: 위약금(결제한 금액의 10%)+완료 강좌 수에 따른 정가 차감 후 환불

  3) 수강기간 1/2 초과: 환불 불가

     *산출기준 예시: 수강료 150,000원이면 강좌 수 20강인 경우, 150,000/20=7,500(1강좌)로 산출

 

  유의사항

    - 수강기간이 종료된 강의는 환불이 불가합니다.

    - 복습기간이나 이벤트 등으로 추가로 제공된 기간은, 수강기간에 포함되지 않습니다.

    - 환불금액은 결제한 금액 기준이며, 결제 시 사용한 적립금(쿠폰)은 반환해드립니다

 

강의목차
차시 강의명 학습시간
1차시 데이터와 알고리즘 16분
2차시 머신러닝 프로세스 30분
3차시 머신러닝 맛보기1: 분류 문제(로지스틱 회귀분석) 60분
4차시 머신러닝 맛보기2: 회귀 문제(선형회귀분석) 21분
5차시 머신러닝 프로세스1: 범주변수의 변환: one-hot-encoding 21분
6차시 머신러닝 프로세스2: 데이터셋 분할과 모델검증 34분
7차시 머신러닝 프로세스3: 데이터 스케일링 46분
8차시 머신러닝 프로세스4: 모델 훈련과 세부튜닝 28분
9차시 머신러닝 프로세스5: 모델 평가 31분
10차시 머신러닝 프로세스6: 다중분류 24분
11차시 데이터의 3대 유형 18분
12차시 지도학습 알고리즘1: 로지스틱 회귀모델 40분
13차시 지도학습 알고리즘2: k-최근접이웃법(KNN) 26분
14차시 지도학습 알고리즘3: 나이브 베이즈 19분
15차시 지도학습 알고리즘4: 인공신경망 40분
16차시 지도학습 알고리즘5: 서포트 벡터 머신(SVM) 33분
17차시 지도학습 알고리즘6: 의사결정나무(Decision Tree) 21분
18차시 지도학습 알고리즘7: 랜덤 포레스트(Random Forest) 20분
19차시 지도학습 알고리즘8: 투표기반 앙상블 20분
20차시 지도학습 알고리즘9: 앙상블 배깅 17분
21차시 지도학습 알고리즘10: 앙상블 부스팅 15분
22차시 지도학습 알고리즘11: 앙상블 스태킹 17분
23차시 지도학습 알고리즘12: 선형 회귀모델 23분
24차시 지도학습 알고리즘13: 릿지(Ridge) 회귀모델 9분
25차시 지도학습 알고리즘14: 라소(Lasso) 회귀모델 6분
26차시 지도학습 알고리즘15: 엘라스틱넷 10분
27차시 비지도학습 알고리즘1: 군집분석 42분
28차시 비지도학습 알고리즘2: DBSCAN 16분
29차시 비지도학습 알고리즘3: 연관규칙분석 24분