<div id="readability-page-1" class="page"><div id="dkContent" role="main">

					

					
						<h2>TEAM EDA</h2>
					

					 
 
	


	
		
		

		<div>Machine Learning은 기계 학습이라고도 불리며, 컴퓨터에게 데이터를 제공하여 스스로 데이터의 패턴을 학습하고 결정을 내릴 수 있도록 만드는 것입니다.&nbsp;

그러면 우리는 왜 Machine Learning을 알아야 할까요?&nbsp;

1. 구직시장에서의 새로운 기회&nbsp;
제일 중요한 부분인데 취업에서의 새로운 기회입니다. 머신러닝 분야에서의 전문가들은 현재 매우 높은 수요를 누리고 있으며 실력만 있으면 좋은 회사의 취업이 가능합니다. 저의 경우도 산업공학과를 나와 선배들처럼 생산시스템이나 물류관리쪽을 갈 수도 있었지만, 머신러닝쪽을 공부해서 AI Research Engineer가 될 수 있었습니다. 주변 친구들 중에서도 경영학과나 경제금융학과의 친구들이 머신러닝을 배워 데이터 분석가로 취업하는 경우도 있었습니다.&nbsp;

2. 시장 경쟁력 확보
머신러닝을 통해 새로운 패턴을 발견하고 이를 통해 시장 경쟁력을 확보 할 수 있습니다. 월마트에서 데이터를 통해 기저귀와 맥주간의 구매 상관성이 높은 것을 발견하고, 근처에 두 상품을 같이 두었더니 매출이 올랐다는 얘기가 있습니다. 실제 이게 사실은 아니라고 하지만, 넷플릭스, 아마존, 유튜브 등 머신러닝 기술을 활용해서 기업의 매출과 같은 성과를 많이 오른 기업들을 쉽게 확인할 수 있습니다.&nbsp;

3. 사회 공헌&nbsp;
위의 시장 경쟁력 확보 사례가 기업의 입장에서의 가치라면, 공익을 위해 머신러닝이 큰 영향을 끼친 사례도 있습니다. 의료 진단, 환경 모니터링, 사회 현상 분석 등 다양한 분야에서 머신러닝이 활용되고 있습니다. 대표적으로 기후 변화 문제를 개선하기 위하거나&nbsp;밀렵꾼들을 막기 위해 활용되기도 합니다.&nbsp;

이번 Machine Learning Advanced 강의에서는 좀 더 분야를 한정해서 정형 데이터 (Tabular 데이터)를 활용한 머신러닝 기법들에 대해서 공부해보려고 합니다. 정형 데이터는 아래와 같이 표의 형식을 가진 행(Row)과 열(Column)으로 표현 가능한 데이터를 의미합니다.&nbsp;
<figure data-ke-mobilestyle="widthOrigin" data-origin-width="514" data-origin-height="240"><img src="https://blog.kakaocdn.net/dn/Mve2J/btsp8bipCVL/uiBcrM3SYs9n2iQr7Gmm20/img.png" onerror="this.onerror=null; this.src='//t1.daumcdn.net/tistory_admin/static/images/no-image-v1.png'; this.srcset='//t1.daumcdn.net/tistory_admin/static/images/no-image-v1.png';" data-origin-width="514" data-origin-height="240"></figure>

위의 예시에서 보라색의(시가, 종가, 종목)을 열(Column)이라고 부르며, 파란색의 부분을 행(Row)라고 부릅니다. 다른 표현으로 행을 인스턴스, 열을 피쳐, 변수라고도 부르니 참고하시기 바랍니다.&nbsp;

그러면, 이러한 Tabular 데이터를 활용한 머신러닝 기법을 배워야하는 이유는 무엇일까요?&nbsp;

최근 AI 분야에서 떠오르는 ChatGPT 등의 최신 기술은 이미지, 음성, 자연어와 같은 비정형 데이터에 딥러닝 기법을 적용하는 기술들입니다. 물론 이러한 기술들은 중요하고 유용하지만, 사람, 기업, 사회의 많은 부분들이 정형 데이터로 기록되어있으며 Tabular 데이터는 범용적이고도 기본적인 데이터입니다. 그리고, 이러한 데이터를 효과적으로 다룰 수 있는 도구가 머신러닝입니다. 그렇기에, 이번 강의에서는 Tabular 데이터를 활용한 머신러닝 기법들에 대해 알아볼 예정이고 특히 아래의 3가지 특징을 가지고 있습니다.&nbsp;

<div data-ke-size="size16">1. 포괄적인 머신러닝 모델링 프로세스 이해: 머신러닝 모델링을 위한 전반적인 프로세스를 체계적으로 설명합니다. 머신러닝 과정에서 필요한 세부적인 개념들에 대한 지식을 통해 학습자들이 모델링 단계를 효과적으로 수행할 수 있는 기반을 마련합니다.2. 실제 사례와 예시: 강의 내에서 다양한 예시와 사례를 통해 각 기법이 어떤 상황에서 활용될 수 있는지를 명확하게 설명합니다.3. 자체 머신러닝 파이프라인 구축 능력 강화: 이 강의는 이론적인 이해뿐만 아니라, 실습 및 코드 자료를 통해서 실제 데이터로부터 머신러닝 파이프라인을 직접 구축하는 능력을 개발하는 데 초점을 둡니다.&nbsp;</div>

다음 강의에서는 머신러닝 프로세스를 살펴보면서 강의에서 다루는 내용들에 대해 살펴보겠습니다.&nbsp;</div>
		

		
			
		

		


	

 
 

					

					

					

					

					

					
				</div></div>

TEAM EDA

Machine Learning은 기계 학습이라고도 불리며, 컴퓨터에게 데이터를 제공하여 스스로 데이터의 패턴을 학습하고 결정을 내릴 수 있도록 만드는 것입니다. 
 
그러면 우리는 왜 Machine Learning을 알아야 할까요? 
 
1. 구직시장에서의 새로운 기회 
제일 중요한 부분인데 취업에서의 새로운 기회입니다. 머신러닝 분야에서의 전문가들은 현재 매우 높은 수요를 누리고 있으며 실력만 있으면 좋은 회사의 취업이 가능합니다. 저의 경우도 산업공학과를 나와 선배들처럼 생산시스템이나 물류관리쪽을 갈 수도 있었지만, 머신러닝쪽을 공부해서 AI Research Engineer가 될 수 있었습니다. 주변 친구들 중에서도 경영학과나 경제금융학과의 친구들이 머신러닝을 배워 데이터 분석가로 취업하는 경우도 있었습니다. 
 
2. 시장 경쟁력 확보
머신러닝을 통해 새로운 패턴을 발견하고 이를 통해 시장 경쟁력을 확보 할 수 있습니다. 월마트에서 데이터를 통해 기저귀와 맥주간의 구매 상관성이 높은 것을 발견하고, 근처에 두 상품을 같이 두었더니 매출이 올랐다는 얘기가 있습니다. 실제 이게 사실은 아니라고 하지만, 넷플릭스, 아마존, 유튜브 등 머신러닝 기술을 활용해서 기업의 매출과 같은 성과를 많이 오른 기업들을 쉽게 확인할 수 있습니다. 
 
3. 사회 공헌 
위의 시장 경쟁력 확보 사례가 기업의 입장에서의 가치라면, 공익을 위해 머신러닝이 큰 영향을 끼친 사례도 있습니다. 의료 진단, 환경 모니터링, 사회 현상 분석 등 다양한 분야에서 머신러닝이 활용되고 있습니다. 대표적으로 기후 변화 문제를 개선하기 위하거나 밀렵꾼들을 막기 위해 활용되기도 합니다. 
 
이번 Machine Learning Advanced 강의에서는 좀 더 분야를 한정해서 정형 데이터 (Tabular 데이터)를 활용한 머신러닝 기법들에 대해서 공부해보려고 합니다. 정형 데이터는 아래와 같이 표의 형식을 가진 행(Row)과 열(Column)으로 표현 가능한 데이터를 의미합니다. 
위의 예시에서 보라색의(시가, 종가, 종목)을 열(Column)이라고 부르며, 파란색의 부분을 행(Row)라고 부릅니다. 다른 표현으로 행을 인스턴스, 열을 피쳐, 변수라고도 부르니 참고하시기 바랍니다. 
 
그러면, 이러한 Tabular 데이터를 활용한 머신러닝 기법을 배워야하는 이유는 무엇일까요? 
 
최근 AI 분야에서 떠오르는 ChatGPT 등의 최신 기술은 이미지, 음성, 자연어와 같은 비정형 데이터에 딥러닝 기법을 적용하는 기술들입니다. 물론 이러한 기술들은 중요하고 유용하지만, 사람, 기업, 사회의 많은 부분들이 정형 데이터로 기록되어있으며 Tabular 데이터는 범용적이고도 기본적인 데이터입니다. 그리고, 이러한 데이터를 효과적으로 다룰 수 있는 도구가 머신러닝입니다. 그렇기에, 이번 강의에서는 Tabular 데이터를 활용한 머신러닝 기법들에 대해 알아볼 예정이고 특히 아래의 3가지 특징을 가지고 있습니다. 
 
1. 포괄적인 머신러닝 모델링 프로세스 이해: 머신러닝 모델링을 위한 전반적인 프로세스를 체계적으로 설명합니다. 머신러닝 과정에서 필요한 세부적인 개념들에 대한 지식을 통해 학습자들이 모델링 단계를 효과적으로 수행할 수 있는 기반을 마련합니다.
2. 실제 사례와 예시: 강의 내에서 다양한 예시와 사례를 통해 각 기법이 어떤 상황에서 활용될 수 있는지를 명확하게 설명합니다.
3. 자체 머신러닝 파이프라인 구축 능력 강화: 이 강의는 이론적인 이해뿐만 아니라, 실습 및 코드 자료를 통해서 실제 데이터로부터 머신러닝 파이프라인을 직접 구축하는 능력을 개발하는 데 초점을 둡니다. 
 
다음 강의에서는 머신러닝 프로세스를 살펴보면서 강의에서 다루는 내용들에 대해 살펴보겠습니다. 
'EDA Study > Machine Learning Advanced' 카테고리의 다른 글
[Machine Learning Advanced] 1강. 머신러닝 강좌 - 머신러닝 프로세스  (0)
01:02:56

[Machine Learning Advanced] 1강. 머신러닝 강좌 - 강의 개요

댓글