10/7 오늘의 시간표
09:00 ~ 10:00 [원격] 실전 머신러닝 적용
10:00 ~ 11:00 [원격] 실전 머신러닝 적용
11:00 ~ 12:00 [원격] 실전 머신러닝 적용
12:00 ~ 13:00 [원격] 실전 머신러닝 적용
13:00 ~ 14:00 점심식사
14:00 ~ 15:00 [원격] 실전 머신러닝 적용
15:00 ~ 16:00 [원격] 실전 머신러닝 적용
16:00 ~ 17:00 [원격] 실전 머신러닝 적용
17:00 ~ 18:00 [실습] 리펙토링해보기
18:00 ~ 19:00 저녁식사
19:00 ~ 20:00 [실습] 리펙토링해보기
20:00 ~ 21:00 [실습] 리펙토링해보기
첫 프로젝트가 끝난 후 숨돌릴 틈도 없이 다음 원격 강의인 머신러닝 적용강의가 시작되었다.
머신러닝 원격 기간 아침발제
우리가 머신러닝을 배워야 하는 이유
- 데이터사이언티스트, 머신러닝 엔지니어와 협업할 수 있는 백엔드 엔지니어가 된다.
- 머신러닝 모델을 백엔드와 연동하고 배포하는 과정을 통해 AI 서비스가 어떻게 구현되는지를 안다.
- 요즘 컴퓨터학과 졸업하는 분들은 간단하게라도 머신러닝 프로젝트를 해본다.
머신러닝 학습 목표 (Check List)
- 다른 사람이 학습시킨 모델을 사용해 서비스에 적용해볼 수 있다.
- 모델의 다양한 출력값을 이용해 서비스에 적용해볼 수 있다.
- 모델이 어떻게 학습되는지를 이해해 모델을 학습하고 서비스에 적용해볼 수 있다.
- numpy, pandas의 개념을 이해하고 적용해볼 수 있다.
- 컴퓨터가 어떻게 이미지를 인식하는지 이해하고 적용해볼 수 있다.
위에 해당되는 것들은 10월 12일 수요일 이상호튜터님의 특강을 통해 자세하게 배우게 될 것이고 그 전에 우리는 해야할 것들이 있다.
-
강의 진도율 100% 달성하기 (강의명에 KDT라고 써있는 강의들!!)
- 웹 프로그래밍 A-Z 기초
- 파이썬 문법 기초
- 협업을 위한 Git 활용 기초
- 파이썬 장고 실무 기초
-
실전 머신러닝 적용 강의 수강하기 (1주차 완강을 목표로)
-
팀 프로젝트 때 받았던 피드백 진행
→ 깃 브런치, 다른 팀 코드 보기, 코드리뷰 해보기 등
알고리즘 실습을 제외한 본 강의들은 모두 수강이 끝났기 때문에 추가로 수강할 필요는 없었고 1주차 강의 수강과 팀 프로젝트 피드백을 실시해야하는데 팀 프로젝트 피드백은 어제 했기때문에 다른팀 코드들을 확인하고 느낀점만 가볍게 얘기해보기로 했다.
머신러닝 적용 원격 강의
- 1주차
-
머신러닝이란?
- 직역하면 기계를 가르친다라는 뜻으로 컴퓨터 프로그램이 알고리즘을 사용하여 데이터에서 패턴을 찾는 인공 지능 애플리케이션을 의미한다.
-
머신러닝에서 문제를 풀 때, 해답을 내는 방법을 크게 회귀 또는 분류로 나눌 수 있다.
- 회귀 : 출력값이 연속적인 소수점으로 예측하게 하도록 푸는 방법
- 분류 : 분류 모델은 레이블이 달린 학습 데이터로 학습한 후에 새로 입력된 데이터가 학습했던 어느 그룹에 속하는 지를 찾아내는 방법
-
머신러닝은 크게 세 가지로 나눌 수 있다. 지도/비지도/강화 학습이다.
- 지도 학습(Supervised learning): 정답을 알려주면서 학습시키는 방법
- 비지도 학습 (Unsupervised learning): 정답을 알려주지 않고 군집화(Clustering)하는 방법
- 강화 학습(Reinforcement learning): 주어진 데이터없이 실행과 오류를 반복하면서 학습하는 방법 (알파고를 탄생시킨 머신러닝 방법!!)
-
선형회귀 : 데이터를 놓고 그걸 가장 잘 설명할 수 있는 선을 찾는 분석하는 방법을 선형 회귀(Linear Regression) 분석이라 부른다.
-
경사 하강법 : 일단 파라미터를 임의로 정한 다음에 조금씩 변화시켜가며 손실을 점점 줄여가는 방법으로 최적의 파라미터를 찾아가는 방법
-
데이터셋 분할
-
- Training set (학습 데이터셋, 트레이닝셋) = 교과서
머신러닝 모델을 학습시키는 용도로 사용하고 전체 데이터셋의 약 80% 정도를 차지한다.
-
- Validation set (검증 데이터셋, 밸리데이션셋) = 모의고사
머신러닝 모델의 성능을 검증하고 튜닝하는 지표의 용도로 사용한다. 이 데이터는 정답 라벨이 있고, 학습 단계에서 사용하기는 하지만, 모델에게 데이터를 직접 보여주지는 않으므로 모델의 성능에 영향을 미치지는 않는다. 손실 함수, Optimizer 등을 바꾸면서 모델을 검증하는 용도로 사용하며 전체 데이터셋의 약 20% 정도를 차지한다.
-
- Test set (평가 데이터셋, 테스트셋) = 수능
정답 라벨이 없는 실제 환경에서의 평가 데이터셋이다. 검증 데이터셋으로 평가된 모델이 아무리 정확도가 높더라도 사용자가 사용하는 제품에서 제대로 동작하지 않는다면 소용이 없기 때문에 중요하다.
-
이번 강의는 아무래도 알고리즘에서 나온 갈래이기 때문에 이론적인 측면이 좀 더 많고 살짝 보기만해도 어려운것이 느껴지는 강의였다. 아무래도 이번 강의에서도 꽤나 고생을 할 것 같은 느낌이 든다.
오늘 하루를 마치며
프로젝트가 끝난 금요일이라 유난히 집중이 안된 감이 있지만 그래도 한 주의 마지막날이 끝났다. 하지만 새로 시작한 머신러닝은 훨씬 어려운 느낌이기 때문에 다음주부터 다시 집중해서 강의를 들어야 할 것 같다.
