패스트캠퍼스 챌린지 - 47일차

강의 내용 Review

---

📍배운내용📍

• 기계학습으로 문제를 해결하는 순서 

👉강의내용👈

Part5. 딥러닝 기초 알고리즘 및 최신 트렌드 알고리즘

Ch 01. ML 기초

기계학습으로 문제를 해결하는 순서

• 1. 해야할 일(task)에 대해 input, output이 무엇인지 분석함
  • 분류인가?회귀인가? 군집화인가? 정하기
  • 우리가 가진 데이터와 상호호환 되는가?  
• 2. 관련된 데이터를 이해 
  • 데이터의 분포 및 값을 검토 
  • 데이터에 대한 잠재적인 문제 발견, 데이터 특징 파악
  • 노이즈를 파악함으로 디노이즈 전략을 짜는것도 중요함 
• 3. train, test 데이터를 나누고, 모델의 성능을 평가할 메트릭스를 정함
  • Train set : 머신러닝 모델의 학습을 위해 사용
  • Validation set : 학습중인 모델 검증하기 위해 사용, 학습데이터로 평가 
  • Test set : 학습과 검증이 완료된 모델의 최종적인 성능 평가
  • 검증셋은 오버피팅(과적합)등 비정상 상태 여부를 파악함, 검증은 모니터링되고, 튜닝될수있음
  • 최종평가는 무조건 학습에 사용되지 않은 새로운 데이터 셋인 테스트 데이터로 해야함 
  • 모델을 평가할 성능지표를 정함 
  • 각 모델에 따라, 도메인에 따라 성능 평가방법이 달라짐
• 4. 피처 엔지니어링과 모델링 
  • 피처엔지니어링 : 데이터의 도메인 지식을 이용해 머신러닝 알고리즘 작동시키는 feature을 만드는 과정
  • 일종의 전처리 과정 
  • 모델링 : 머신러닝 모델을 정의 하는 과정
• 5. 모델 최적화의 목표인 손실 함수를 정의 
  • 손실함수: 이벤트로 생성된 값과 실제 값 사이의 비용, 차이를 나타내는 함수 
  • 에러 함수, 비용함수도 비슷한 맥락 
• 6. 목적함수를 최소값으로 최적화 할 기법을 선택함 
  • 최적화 문제란?: 최적화 변수 값을 각 탐색 범위 내에서 조절, 목적함수를 최소화, 최대화 하는 해 찾는 기법
  • ex) 경사하강법, 뉴턴법 등등 
• 7. 모델 학습을 진행하고, 목표대로 나왔는지 확인함 
  • 텐서보드, 로깅시스템 사용
  • 부적합과 과적합 일어나지 않았는지 살펴보기 
  • training error를 작게하고, test error와의 차이를 작게함
• 8. 1~7 순서를 반복함 

 

공부사진 

---

강의듣기

 

강의필기

 

47일차 후기

---

진도를 뛰어넘어 part5로 넘어왔다. 
얼른 듣장! 

 

 

https://bit.ly/37BpXiC

패스트캠퍼스 [직장인 실무교육]

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성되었습니다.