от партнера

머신 러닝 기초: 사례 연구 접근 방식

Вашингтонский университет

Об этом курсе

데이터가 있고 그 데이터로 무엇을 알 수 있는지 궁금하신가요? 머신 러닝으로 비즈니스를 개선할 수 있는 핵심 방법을 더 깊이 이해해야 하나요? 회귀 및 분류에서 딥 러닝 및 추천 시스템까지 어떤 내용으로든 전문가와 대화할 수 있기를 원하시나요?
이 과정에서는 일련의 실제 사례 연구를 통해 머신 러닝에 대한 실무 경험을 얻을 수 있습니다. 첫 번째 과정이 끝나면 주택 수준 특성을 기반으로 주택 가격을 예측하고, 사용자 리뷰에서 감정을 분석하고, 관심 문서를 검색하고, 제품을 추천하고, 이미지를 검색하는 방법을 배우게 됩니다. 이러한 사용 사례에 대한 실습을 통해 광범위한 영역에서 머신 러닝 방법을 적용할 수 있습니다.

이 첫 번째 과정은 머신 러닝 방법을 블랙박스로 취급합니다. 이 추상화를 통해 관심 있는 작업을 이해하고, 이러한 작업을 머신 러닝 도구와 일치시키고, 출력 품질을 평가하는 데 집중할 것입니다. 후속 과정에서는 모델과 알고리즘을 검토하여 이 블랙박스의 구성 요소를 자세히 알아볼 것입니다. 이 조각들은 결합하여 지능형 애플리케이션 개발에 사용할 머신 러닝 파이프라인을 형성합니다.

학습 결과: 이 과정을 마치면 다음을 수행할 수 있습니다.
-실제로 머신 러닝의 잠재적 애플리케이션을 식별합니다. 
-회귀, 분류 및 클러스터링을 통해 가능해진 분석의 핵심 차이를 설명합니다.
-잠재적 애플리케이션에 적합한 머신 러닝 작업을 선택합니다.
-회귀, 분류, 클러스터링, 검색, 추천 시스템 및 딥 러닝을 적용합니다.
-머신 러닝 모델에 대한 입력 정보 역할을 하는 특성으로 데이터를 제시합니다. 
-각 작업에 대한 관련 오류 지표 측면에서 모델 품질을 평가합니다.
-새로운 데이터를 분석하기 위해 모델에 맞는 데이터 세트를 활용합니다.
-머신 러닝을 핵심으로 사용하는 엔드 투 엔드 애플리케이션을 구축합니다.
-Python에서 이러한 기술을 구현합니다.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Прибл. 18 часов на выполнение

Корейский

Приобретаемые навыки

regression modeling
Document Retrieval
Factorization
Recommender Systems

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Прибл. 18 часов на выполнение

Корейский

Преподаватели

Carlos Guestrin

Amazon Professor of Machine Learning

Computer Science and Engineering

448 196 учащихся

7 курсов

от партнера

Вашингтонский университет

Программа курса: что вы изучите

Неделя

Неделя 1

3 ч. на завершение

인사말

머신 러닝(ML)은 어디에나 있지만 종종 은밀하게 작동합니다. 이 전문화 과정에 대한 소개는 머신 러닝의 힘과 수료 시 개인적으로 개발 및 배포할 수 있는 다양한 지능형 애플리케이션에 대한 통찰력을 제공합니다.또한 우리가 누구인지, 어떻게 여기까지 왔는지, 지능형 애플리케이션의 미래에 대한 관점에 대해서도 논의합니다.

3 ч. на завершение

18 видео ((всего 84 мин.)), 8 материалов для самостоятельного изучения, 1 тест

18 видео

이 과정 및 전문화 과정에 오신 것을 환영합니다41

우리는 누구인가5мин

머신 러닝이 세상을 바꾸고 있다3мин

왜 사례 연구 접근 방식인가?7мин

전문화 개요6мин

ML에 입문한 방법3мин

이 전문화는 누구를 위한 것인가?4мин

여러분이 할 수 있는 일57

캡스톤과 지능형 애플리케이션의 예6мин

지능형 애플리케이션의 미래2мин

Jupyter Notebook 시작5мин

Python에서 변수 만들기7мин

Python의 조건문 및 루프8мин

Python에서 함수 및 람다 만들기3мин

Turi Create 시작 및 SFrame 로드4мин

데이터 시각화를 위한 캔버스4мин

SFrame의 열과 상호 작용하기4мин

데이터 변환을 위한 .apply() 사용5мин

8 материалов для самостоятельного изучения

머신 러닝 전문화 과정에 관한 중요 업데이트10мин

이 모듈에서 제시하는 슬라이드10мин

Python, Jupyter Notebook 및 Turi Create 시작하기10мин

파일은 어디에 저장됩니까?10мин

이전 과정의 중요한 변경 사항10мин

이 강의에서 사용하는 Jupyter Notebook을 다운로드하여 따라해 보기10мин

Wiki People 데이터 다운로드10мин

1 практическое упражнение

SFrames15мин

Неделя

Неделя 2

3 ч. на завершение

회귀: 주택 가격 예측

이번 주에는 데이터에서 예측을 수행하는 첫 번째 지능형 애플리케이션을 구축할 것입니다.우리는 첫 번째 사례 연구의 맥락에서 이 아이디어를 탐구하여 주택 가격을 예측할 것입니다. 여기서 입력 특성(면적, 침실 및 욕실 수 등)에서 연속적인 값(가격)을 예측하는 모델을 생성합니다. 이는 회귀를 적용할 수 있는 많은 분야 중 하나일 뿐입니다. 다른 적용 분야는 의학의 건강 결과, 금융의 주가, 고성능 컴퓨팅의 전력 사용량 예측부터 유전자 발현에 중요한 조절기 분석에 이르기까지 다양합니다.또한 예측 모델의 성능을 분석하고 Jupyter 노트북을 사용하여 실제로 회귀를 구현하는 방법을 검토합니다.

3 ч. на завершение

19 видео ((всего 82 мин.)), 3 материалов для самостоятельного изучения, 2 тестов

19 видео

주택 가격 예측: 회귀 사례 연구1мин

목표는 무엇이고 어떻게 단순하게 해결할 수 있는가?3мин

선형 회귀: 모델 기반 접근 방식5мин

고차 효과 추가4мин

학습/테스트 분할을 통한 과적합 평가6мин

학습/테스트 곡선4мин

다른 특성 추가2мин

기타 회귀 예제3мин

회귀 ML 블록 다이어그램5мин

주택 매매 데이터 로드 및 탐색7мин

데이터를 학습 세트와 테스트 세트로 분할하기2мин

집 크기로 주택 가격을 예측하는 단순 회귀 모델 학습하기3мин

단순한 모델의 오차(RMSE) 평가2мин

Matplotlib으로 단순한 모델의 예측 시각화4мин

학습된 모델 계수 검사1мин

데이터의 다른 특성 탐색6мин

더 많은 특성으로 주택 가격을 예측하는 모델 학습하기3мин

학습된 모델을 적용하여 평균 주택 가격 예측하기5мин

학습된 모델을 적용하여 두 채의 멋진 주택 가격 예측하기7мин

3 материала для самостоятельного изучения

이 모듈에서 제시하는 슬라이드10мин

이 강의에서 사용하는 Jupyter Notebook을 다운로드하여 따라해 보기10мин

주택 가격 예측 과제10мин

2 практических упражнения

회귀30мин

주택 가격 예측30мин

Неделя

Неделя 3

3 ч. на завершение

분류: 감정 분석

한 사람이 쓴 짧은 리뷰에서 경험에 대해 긍정적인 감정을 느꼈는지 부정적인 감정을 느꼈는지 어떻게 추측합니까?

감정을 분석하는 두 번째 사례 연구에서는 입력 특성(리뷰 텍스트, 사용자 프로필 정보 등)에서 클래스(긍정/부정 감정)를 예측하는 모델을 생성합니다. 이 작업은 분류의 예입니다. 광고 타겟팅, 스팸 감지, 의료 진단 및 이미지 분류 등의 광범위한 적용 분야에서 가장 널리 사용되는 머신 러닝 영역입니다. 분류기의 정확도를 분석하고 Jupyter 노트북에서 실제 분류기를 구현하며 캡스톤에 구축 및 배포할 지능형 애플리케이션의 핵심 부분을 먼저 살펴봅니다.

3 ч. на завершение

19 видео ((всего 75 мин.)), 3 материалов для самостоятельного изучения, 2 тестов

19 видео

리뷰 감정 분석: 분류 사례 연구38

지능형 음식점 리뷰 시스템이란?4мин

분류 작업의 예4мин

선형 분류기5мин

결정 경계3мин

분류기 학습 및 평가4мин

좋은 정확도란 무엇인가?3мин

거짓 긍정, 거짓 부정 및 혼동 행렬6мин

학습 곡선5мин

클래스 확률1мин

분류 ML 블록 다이어그램3мин

제품 리뷰 데이터 로드 및 탐색2мин

단어 수 벡터 만들기2мин

가장 인기있는 제품 탐색4мин

긍정적이거나 부정적인 감정이 있는 리뷰 정의4мин

감정 분류기 학습3мин

분류기 및 ROC 곡선 평가4мин

모델을 적용하여 제품에 대한 가장 긍정적이고 부정적인 리뷰 찾기4мин

제품의 가장 긍정적인 측면과 부정적인 측면 탐색4мин

3 материала для самостоятельного изучения

이 모듈에서 제시하는 슬라이드10мин

이 강의에서 사용하는 Jupyter Notebook을 다운로드하여 따라해 보기10мин

제품 감정 분석 과제10мин

2 практических упражнения

분류30мин

제품 감정 분석30мин

Неделя

Неделя 4

3 ч. на завершение

클러스터링 및 유사성: 문서 검색

독자가 특정 뉴스 기사에 관심이 있으며 추천할 만한 유사 기사를 찾고 싶어합니다. 유사성에 대한 올바른 개념은 무엇입니까? 문서를 자동으로 검색하여 가장 유사한 문서를 찾으려면 어떻게 합니까? 처음에 문서를 어떻게 정량적으로 표현합니까?이 세 번째 사례 연구인 문서 검색에서는 다양한 문서 표현과 가장 유사한 하위 집합을 검색하는 알고리즘을 검사합니다. 또한 유사성(예: 문서 주제)에 의해 문서를 자동으로 그룹화하는 문서의 구조화된 표현을 고려합니다.실제로 Jupyter 노트북에서 Wikipedia 항목에 대한 지능형 문서 검색 시스템을 구축합니다.

3 ч. на завершение

17 видео ((всего 76 мин.)), 3 материалов для самостоятельного изучения, 2 тестов

17 видео

문서 검색: 클러스터링 및 유사성 측정 사례 연구35

문서 검색 작업은 무엇인가?1мин

유사성 측정을 위한 단어 수 표현6мин

tf-idf로 중요한 단어 우선 순위 지정3мин

tf-idf 벡터 계산5мин

최근접 이웃 검색을 사용하여 유사한 문서 검색2мин

문서 클러스터링 작업 개요2мин

문서 클러스터링 비지도 학습 작업4мин

k-평균: 클러스터링 알고리즘3мин

클러스터링의 다른 예6мин

클러스터링 및 유사성 ML 블록 다이어그램7мин

Wikipedia 데이터 로드 및 탐색5мин

단어 수 살펴보기5мин

TF-IDF 계산 및 탐색7мин

Wikipedia 기사 간의 거리 계산5мин

Wikipedia 기사에 대한 최근접 이웃 모델 구축 및 탐색3мин

실제 문서 검색의 예4мин

3 материала для самостоятельного изучения

이 모듈에서 제시하는 슬라이드10мин

이 강의에서 사용하는 Jupyter Notebook을 다운로드하여 따라해 보기10мин

Wikipedia 기사 검색 과제10мин

2 практических упражнения

클러스터링 및 유사성30мин

Wikipedia 기사 검색30мин

Неделя

Неделя 5

3 ч. на завершение

제품 추천

Amazon이 개인화된 제품 추천을 어떻게 구성하는지 궁금하십니까? Netflix에서 시청할 영화를 제안하는 방법은 무엇입니까? Pandora는 스트리밍할 다음 노래를 어떻게 선택합니까? Facebook이나 LinkedIn은 당신이 연결할 수 있는 사람들을 어떻게 찾습니까? 개인화된 콘텐츠를 위한 이러한 모든 기술의 근간에는 협업 필터링이라는 것이 있습니다. 다양한 기술을 사용하여 이러한 추천 시스템을 구축하는 방법을 배우고 장단점을 살펴봅니다. 우리가 조사하는 한 가지 방법은 사용자 및 제품의 특성을 학습하여 권장 사항을 형성하는 행렬 분해입니다. Jupyter 노트북에서 이러한 기술을 사용하여 실제 노래 추천 시스템을 구축합니다.

3 ч. на завершение

19 видео ((всего 94 мин.)), 3 материалов для самостоятельного изучения, 2 тестов

19 видео

딥 러닝: 이미지 검색

딥 러닝이 머신 러닝에서 가장 유망한 기술 중 하나로 전 세계적으로 뉴스 거리가 되고 있다는 소식을 들었을 것입니다. 모든 산업은 이미지 태깅, 객체 인식, 음성 인식, 텍스트 분석과 같은 작업을 포함하여 딥 러닝 잠재력을 실현하기 위해 리소스를 할애하고 있습니다.마지막 사례 연구인 이미지 검색에서는 신경망층이 이미지 분류 및 검색 작업에서 인상적인 성능을 제공하는 매우 기술적인(비선형) 특성을 제공하는 방법을 배웁니다. 그런 다음 모델을 학습할 데이터가 거의 없는 경우에도 딥 러닝을 매우 쉽게 사용할 수 있는 전이 학습 기술인 심층 특성을 구성합니다.

3 ч. на завершение

18 видео ((всего 74 мин.)), 4 материалов для самостоятельного изучения, 2 тестов

18 видео

이미지 검색: 딥 러닝 사례 연구23

비주얼 제품 추천이란 무엇인가?3мин

신경망을 사용한 매우 비선형적인 특성 학습9мин

컴퓨터 비전에 딥 러닝 적용5мин

딥 러닝 성능3мин

ImageNet 데이터에 대한 딥 러닝 모델 데모2мин

컴퓨터 비전에서 딥 러닝의 다른 예1мин

딥 러닝의 과제2мин

심층 특성6мин

딥 러닝 ML 블록 다이어그램3мин

이미지 데이터 로드3мин

원시 이미지 픽셀을 사용하여 분류기 학습 및 평가6мин

심층 특성을 사용하여 분류기 학습 및 평가8мин

이미지 데이터 로드2мин

이미지 검색을 위한 최근접 이웃 모델 만들기1мин

최근접 이웃 모델을 쿼리하여 이미지 검색5мин

자동차 이미지에 대해 가장 유사한 이미지 쿼리1мин

Python 람다를 사용하여 다른 예제 이미지 검색 표시4мин

4 материала для самостоятельного изучения

이 모듈에서 제시하는 슬라이드10мин

이 강의에서 사용하는 Jupyter Notebook을 다운로드하여 따라해 보기10мин

이미지 검색을 위한 심층 특성 과제10мин

2 практических упражнения

딥 러닝30мин

이미지 검색을 위한 심층 기능30мин

1 ч. на завершение

맺음말

과정이 끝나면 머신 러닝 도구를 서비스로 전환하는 마지막 단계인 배포에 대해 설명합니다.

1 ч. на завершение

7 видео ((всего 33 мин.)), 1 материал для самостоятельного изучения

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оплатив сертификацию?
Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Можно ли получить финансовую помощь?
Да. В некоторых программах обучения вы можете подать заявку на получение финансовой помощи или стипендии, если не можете оплатить регистрационный взнос. Если для выбранной вами программы предлагается такая возможность, вы увидите ссылку для подачи заявки на странице описания.

Остались вопросы? Посетите Центр поддержки учащихся.

머신 러닝 기초: 사례 연구 접근 방식

머신 러닝 기초: 사례 연구 접근 방식

Об этом курсе

Приобретаемые навыки