728x90 반응형 Machine Learning/데이터 분석 이론과 기초13 (머신러닝) Feature Engineering의 종류와 기법 기초 정리! 데이터 분석을 할 때, 다양하고 많은 Feature(독립 변수)에 대해 모델에 데이터를 넣기 전에 잘 학습되어서 성능이 잘 나오도록 하는 작업을 'Feature Engineering'이라고 한다. 원하는 Feature를 데이터 input으로 사용할 수 있는 형태로 바꾸는 작업부터 종류가 여러가지 있고 해당 목적에 맞는 기법도 다양하다. 이번 게시물을 통해서 특정 기법에 대해 자세히 학습하는 것보다 'Feature Engineering'에 대한 전반적인 이해와 그 종류를 살펴보자. Feature Engineering은 왜 필요한가? 어떤 종류의 도구들과 기법들이 있을까? 1. 인코딩 (Encoding) - 컴퓨터는 정보에 대한 개념이 없기 때문에 각 데이터를 컴퓨터가 인식할 수 있도록 해줘야 한다. - 문.. Machine Learning/데이터 분석 이론과 기초 2024. 2. 26. 더보기 ›› 머신러닝(ML)으로 현업에서 해결할 수 있는 문제 유형 총 정리! 본격적인 데이터 분석을 학습하기 전에 머신러닝으로 어떠한 문제점들을 해결할 수 있는지에 대해 살펴보자. 어떤 경우와 문제를 머신러닝 모델로 분석하고 해결할 수 있을까? 유형별로 확인해보자. 머신러닝으로 접근/해결할 수 있는 문제점들은? 1. Forecast (예측) 1) Forecast란? 머신러닝으로 분석할 수 있는 많은 문제들 중에 가장 대표적인 것은 'Forecast(예측)' - 시간의 흐름에 따라 기록된 데이터를 이용하여 변수들간의 인과관계를 분석하여 미래를 예측하는 영역 → Time series(시계열) 데이터 자체만으로 미래를 예측하는 영역 - 주 활용 영역은 날씨 예측, 주식 예측, 상품 판매량 예측 등 - 숫자가 존재하는 모든 영역에서 연구되고 구현되는 분야 - 대표적인 알고리즘은 AR(I.. Machine Learning/데이터 분석 이론과 기초 2024. 2. 25. 더보기 ›› 현업 데이터 분석의 오해와 진실 - 실패와 성공한 사례 분석 이번 게시물에서는 AI, Machine Learning(ML)의 역사, 중요한 전환포인트와 현재 수준을 확인해보고 데이터분석이 실제 현업에서 어떻게 사용되고 있는지 알아보자. 그리고 대부분의 기업들이 AI, ML 시스템을 도입하려고 하지만, 실패하는 이유는 무엇이고 성공하는 기업의 사례는 어떤 것이 있는지 살펴보자 데이터 분석은 현업에서 어떻게 사용되나? 많은 기업들이 AI/ML 도입에 실패/성공하는 이유와 사례는? 1. AI / ML 시대 1) 역사적 흐름 보통 사람들이 AI, Machine Learning을 최신 기술이라고 생각하고 있지만, 이미 머신러닝/딥러닝에 대한 수학적 수식들은 과거부터 수세기에 걸쳐서 만들어져있다. 하지만, 중요한 것은 '그 수식과 AI 기술이 최근들어 잘 사용되고 있는 것인.. Machine Learning/데이터 분석 이론과 기초 2024. 2. 23. 더보기 ›› 반응형 이전 1 2 다음
