AI 모델 학습 과정
AI 모델이 데이터를 학습하고, 예측을 수행하며, 성능을 평가하는 과정
AI 모델이 데이터를 학습하고, 예측을 수행하며, 성능을 평가하는 과정
가중치와 편향이 행렬로 표현되는 방식과 파일로 저장되는 과정
데이터셋에 담는 데이터의 종류와 일반적인 구조
AI 학습의 정의와 함수와의 유사성
주요 AI 유형과 활용 사례
CNN을 사용하여 간단한 이미지 분류를 수행하는 방법을 코드 예제
GPT의 의미, 등장 배경, 구성 요소
GPT 모델과 기존 머신러닝 모델의 학습 방식, 활용 방식 차이점
Keras에서 신경망 모델을 학습하고 평가하는 방법
파이썬 코드로 텐서플로우를 사용하여 간단한 선형 회귀 모델을 만드는 방법
머신러닝에서 주변 데이터와의 거리를 이용해 분류하는 K-최근접 이웃(K-Nearest Neighbors, KNN)의 개념과 활용 방법
머신러닝에서 데이터를 가장 잘 구분하는 경계를 찾는 서포트 벡터 머신(Support Vector Machine, SVM)의 개념과 활용 방법
간단한 파이썬 코드로 AI 모델을 만들어보는 실습
머신러닝에서 숫자 값을 0과 1 사이의 확률로 변환하는 시그모이드(Sigmoid) 함수의 개념과 활용 방법
머신러닝 회귀 모델의 성능을 평가하는 결정 계수(R², R-squared)의 개념과 활용 방법
신경망에서 과적합을 방지하는 드롭아웃 기법의 개념과 동작 방식
머신러닝에서 편향의 역할과 가중치와의 차이
RNN의 한계를 보완하여 긴 거리의 정보를 기억할 수 있는 LSTM의 개념과 동작 방식 설명
LSTM의 복잡한 구조를 간단하게 만든 GRU(Gated Recurrent Unit)의 개념과 동작 방식
데이터 값의 평균과 표준편차를 활용해 스케일을 맞추는 표준화 방법
데이터 크기의 개념과 최소-최대 스케일링을 활용한 정규화 방법
머신러닝에서 데이터를 특정 카테고리로 분류하는 분류(Classification) 모델의 개념과 예제
전처리의 필요성과 JSONL 데이터 전처리 예시
레이블(Label)의 개념과 역할
신경망의 층이 깊어질 때 발생하는 문제와 이를 해결하는 방법
레이블 인코딩과 원-핫 인코딩의 개념과 차이점
머신러닝과 딥러닝 개념 정리 및 활용 분야
머신러닝 모델이 해결하는 문제 유형인 분류(Classification)와 회귀(Regression)의 개념과 차이점
머신러닝에서 최적화(Optimization)의 개념과 경사 하강법을 통한 가중치 조정 방법
머신러닝과 딥러닝의 주요 차이점 비교
TensorFlow를 활용한 AI 모델 구축 기초
머신러닝에서 알고리즘이 필요한 이유와 적용 방식을 쉽게 설명
데이터셋에서 특징의 개념과, 머신러닝에 활용되는 예시
Scikit-Learn 패키지를 활용한 기초적인 머신러닝 구현 방법
머신러닝 모델의 학습 속도를 조절하는 학습률(Learning Rate)의 개념과 중요성
신경망과 머신러닝 모델의 일반화 성능을 높이는 L1 및 L2 정규화 기법
머신러닝 모델의 성능을 최적화하기 위해 조정하는 하이퍼파라미터의 개념과 중요성
머신러닝 모델의 성능을 측정하는 F1-Score의 개념과 활용 방법
머신러닝 모델의 성능을 측정하는 재현율(Recall)의 개념과 활용 방법
머신러닝 모델의 성능을 측정하는 정밀도(Precision)의 개념과 활용 방법
머신러닝 모델의 성능을 측정하는 정확도(Accuracy)의 개념과 활용 방법
머신러닝에서 비용 함수의 개념과 손실 함수와의 차이
순서를 따라가며 처리하는 RNN과 달리 전체 문장을 동시에 처리하는 트랜스포머(Transformer)의 개념과 구조 설명
머신러닝 모델의 학습 과정에서 데이터를 몇 번 반복할지를 결정하는 에폭(Epoch)의 개념과 중요성
범주형 데이터의 개념과 이를 숫자로 변환하는 방법
AI를 학습시키는 방법 중 하나인 강화 학습이 진행되는 방식과 활용 사례
머신러닝에서 데이터를 자동으로 그룹화하는 K-평균 군집화(K-Means Clustering)의 개념과 활용 방법
신경망에서 학습 속도를 높이고 안정적으로 수렴하는 Adam 옵티마이저의 개념과 동작 방식
시간에 따라 변하는 데이터를 처리하는 순환 신경망(RNN)의 개념과 동작 방식
RNN의 내부 구조와 시간 순서에 따라 정보를 처리하는 방식
Keras를 활용하여 딥러닝 모델을 쉽게 구축하는 방법
간단한 텍스트 데이터를 활용해 스팸 이메일을 분류하는 머신러닝 모델을 만들기
신경망이 효율적으로 학습할 수 있도록 도와주는 가중치 초기화 기법
신경망에서 학습 속도를 높이고 안정성을 향상시키는 배치 정규화의 개념과 동작 방식
머신러닝에서 여러 개의 결정 트리를 결합하여 예측하는 랜덤 포레스트(Random Forest)의 개념과 활용 방법
머신러닝에서 다중 클래스 분류에 사용되는 소프트맥스(Softmax) 함수의 개념과 활용 방법
머신러닝에서 연속적인 수치를 예측하는 회귀(Regression) 모델의 개념과 예제
머신러닝에서 손실 함수(Loss Function)의 개념과 역할
머신러닝에서 뉴런을 활성화할 때 사용되는 ReLU(Rectified Linear Unit) 함수의 개념과 특징
이미지 데이터에서 특징을 추출하여 학습하는 합성곱 신경망(Convolutional Neural Network, CNN)의 개념과 동작 방식
CNN에서 합성곱 연산 시 입력 크기를 유지하거나 조정하는 패딩(Padding)의 개념과 역할
CNN에서 연산량을 줄이고 중요한 특징을 유지하는 풀링(Pooling)의 개념과 역할
CNN에서 이미지 특징을 추출하는 합성곱 연산(Convolution Operation)의 개념과 동작 방식
CNN에서 다양한 패턴을 감지하는 필터(Filter)의 개념과 역할
퍼셉트론의 개념과 구성 요소, 활성화 함수
nn.relu(), reduce_mean(), GradientTape(), one_hot(), tf.data.Dataset 소개
머신러닝 모델의 성능을 조정하는 데 사용되는 검증 데이터셋의 개념과 중요성
RNN에서 과거 정보를 오래 기억하지 못하는 장기 의존성 문제의 개념과 그 영향
정규화와 표준화의 차이점과 각각의 적절한 활용 사례
AI를 학습시키는 방법 중 하나인 비지도 학습이 진행되는 방식과 활용 사례
AI를 학습시키는 방법 중 하나인 지도 학습이 진행되는 방식과 한계점
머신러닝에서 숫자 값을 예측하는 선형 회귀(Linear Regression)의 개념과 활용 방법
머신러닝에서 데이터를 분류하고 예측하는 결정 트리(Decision Tree)의 개념과 활용 방법
머신러닝 모델의 최종 성능을 평가하는 테스트 데이터셋의 개념과 중요성
TensorFlow에서 텐서의 기본 연산을 수행하는 방법과 실용적인 예제들을 소개합니다.
텐서의 차원의 의미 차원별 텐서의 예시
TensorFlow에서 데이터를 표현하는 핵심 개념인 텐서
특성 선택과 차원 축소의 개념과 중요성
머신러닝에서 가중치의 역할과 중요성
데이터 전처리 과정에서 결측치를 처리하는 방법과 중요성
머신러닝 모델 학습에 사용되는 훈련 데이터셋의 개념과 중요성
퍼셉트론이 입력값을 받아 가중치와 편향을 조합하여 판단을 내리는 방식
머신러닝 회귀 모델의 성능을 평가하는 평균 절대 오차(Mean Absolute Error, MAE)의 개념과 활용 방법
머신러닝 회귀 모델의 성능을 평가하는 평균 제곱 오차(Mean Squared Error, MSE)의 개념과 활용 방법
기존에 학습된 모델을 활용하여 새로운 문제를 해결하는 전이 학습의 개념과 동작 방식
머신러닝 모델의 학습 방식에 영향을 미치는 배치 크기의 개념과 중요성
CNN에서 합성곱 연산을 수행할 때 필터의 이동 간격을 결정하는 스트라이드(Strides)의 개념과 역할
머신러닝의 정의, 역사, 그리고 활용 분야에 대해 알아봅니다.
머신러닝에서 데이터를 특정 범주로 분류하는 로지스틱 회귀(Logistic Regression)의 개념과 활용 방법
시그모이드, ReLU, 소프트맥스 함수의 차이점과 활용 방법 비교