메인메뉴로 이동 본문으로 이동

lnb영역

데이터사이언스
과정

컨텐츠 내용

  1. 수강신청
  2. 과정정보

2권. ORANGE 지도학습 마스터

과정 이미지
2권. ORANGE 지도학습 마스터 과정정보
수강기간 90일
강의구성 35차시
수강료 120,000원
과정소개

데이터마이닝, 머신러닝 딥러닝을 어려운 Python 등의 코딩기반 솔루션이 아닌, No Code/Low Code 기반 오픈소스로 쉽고 빠르게 익혀 실무에 바로 적용하고 분석 인사이트를 찾을 수 있음. 

지도학습 마스터과정은 분류와 예측을 위한 10여가지 핵심 알고리즘을 이해하고 이를 분석하는 과정을 다루고 있음

학습목표
머신러닝과 딥러닝을 직접 쉽고 빠르게 배워서 실무에 적용할 수 있다.
자신의 업무나 연구 데이터를 직접 분석하여 인사이트를 도출할 수 있다.
강의목차
차시 강의명 학습시간
1차시 01 데이터와 알고리즘 20분
2차시 02 머신러닝 프로세스(1) 정규화와 원핫인코딩 19분
3차시 03 머신러닝 프로세스(2) 데이터셋분할 10분
4차시 04 머신러닝 프로세스(3) 모델링과 파라미터 10분
5차시 05 머신러닝 프로세스(4) 모델평가와 지표 13분
6차시 06 다차원과 알고리즘 13분
7차시 07 예제 데이터 설명과 분석 시나리오 설계 13분
8차시 08 Linear Regression(1) 개념과 핵심 파라미터 11분
9차시 09 Linear Regression(2) 모델구축과 평가 28분
10차시 10 KNN(1) 개념과 핵심 파라미터 11분
11차시 11 KNN(2) 모델구축과 평가 16분
12차시 12 회귀문제 결과물 논문으로 정리하기 8분
13차시 13 Logistic Regression(1) 개념과 핵심 파라미터 9분
14차시 14 Logistic Regression(2) 모델구축과 평가 21분
15차시 15 Decision Tree(1) 개념과 핵심 파라미터 12분
16차시 16 Decision Tree(2) 모델구축과 평가 19분
17차시 17 Support Vector Machine(1) 개념과 핵심 파라미터 10분
18차시 18 Support Vector Machine(2) 모델구축과 평가 15분
19차시 19 Naive Bayes(1) 개념과 핵심 파라미터 8분
20차시 20 Naive Bayes(2) 모델구축과 평가 10분
21차시 21 앙상블 기법의 개념과 종류 12분
22차시 22 Random Forest(1) 개념과 핵심 파라미터 6분
23차시 23 Random Forest(2) 모델구축과 평가 14분
24차시 24 Gradient Boosting(1) 개념과 핵심 파라미터 10분
25차시 25 Gradient Boosting(2) 모델구축과 평가 13분
26차시 26 AdaBoost(1) 개념과 핵심 파라미터 5분
27차시 27 AdaBoost(2) 모델구축과 평가 10분
28차시 28 Stacking(1) 개념과 핵심 파라미터 5분
29차시 29 Stacking(2) 모델구축과 평가 14분
30차시 30 분류문제 결과물 논문으로 정리하기 6분
31차시 31 신경망모델과 딥러닝의 핵심 원리 17분
32차시 32 Stochastic Gradient Descent(1) 개념과 핵심 파라미터 13분
33차시 33 Stochastic Gradient Descent(2) 모델구축과 평가 13분
34차시 34 Neural Network(1) 개념과 핵심 파라미터 10분
35차시 35 Neural Network(2) 모델구축과 평가 15분