머신러닝 어소시에이트 — 그림 학습 가이드

머신러닝 어소시에이트 인증을 위한 실용적이고 그림이 포함된 학습 가이드입니다. 5개 모듈이 고전적인 ML 도구 세트 전체를 다룹니다: ML 워크플로 및 지도/비지도 학습 구분; 주요 지도 학습 알고리즘; 비지도 학습 및 차원 축소; 편향-분산 트레이드오프와 과적합 및 정규화; 적절한 지표를 사용한 정직한 평가. Mermaid 다이어그램, 알고리즘 치트 시트, 실제 숫자 예제, 핵심 요점 및 자가 점검이 풍부합니다.

Key facts

• Course price: $91 (one-time payment)
• Field: Artificial Intelligence & LLMs
• Prepares for: 머신러닝 어소시에이트
• 5 modules · 15 lessons · about 4 hours of lessons
• Self-paced, online, illustrated lessons

Course outline

1. ML 워크플로우 및 학습 패러다임 — 종단 간 머신러닝 워크플로우와 모든 프로젝트를 구성하는 지도 학습 대 비지도 학습의 구분입니다.
   • 엔드투엔드 머신러닝 워크플로우
   • 지도 학습 vs 비지도 학습
   • 학습, 검증 및 테스트 분할
2. 지도 학습 알고리즘 — 선형 및 로지스틱 회귀, 결정 트리, 앙상블(랜덤 포레스트, 그래디언트 부스팅), kNN, SVM 및 나이브 베이즈입니다.
   • 선형 회귀와 로지스틱 회귀
   • 트리, 랜덤 포레스트 및 그래디언트 부스팅
   • kNN, SVM 및 나이브 베이즈
3. 비지도 학습 및 차원 축소 — k-평균 및 계층적 방법을 사용한 클러스터링과 PCA를 사용한 차원 축소입니다.
   • k-평균 클러스터링
   • 계층적 클러스터링
   • PCA와 차원 축소
4. 편향, 분산 및 정규화 — 편향-분산 트레이드오프, 과적합 및 과소적합 진단, L1/L2 정규화 및 교차 검증을 통한 복잡성 제어입니다.
   • 편향-분산 트레이드오프
   • 과대적합, 과소적합 및 정규화
   • 올바른 교차 검증
5. 평가 지표 및 실제 함정 — 올바른 지표 선택(정확도, 정밀도, 재현율, F1, ROC-AUC, RMSE/MAE) 및 클래스 불균형과 데이터 누출 함정 피하기입니다.
   • 분류 지표와 혼동 행렬
   • ROC-AUC 및 회귀 지표
   • 클래스 불균형과 데이터 누수