[AI Foundation] 머신러닝(ML) 개발을 위한 필요기술

---

머신러닝을 사용하여, 데이터를 전처리하고, 모델을 만들고, 검증등의 작업을 하려면 여러가지 기초지식이 필요합니다.

아래의 지식들을 어느정도 알고있어야 상황에 맞고 효율적인 모델작업이 가능합니다.

 

---

1. 수학 지식

https://www.techslang.com/the-role-of-mathematics-in-machine-learning/

 

너무 깊은 지식은 필요하지 않을 수도 있으나, 기초적인 흐름은 알고있어야, 모델의 검증이나 모델조정작업 시

원활한 작업이 가능할 것 같습니다.

• 통계학 : 데이터 이해, 기술적 통계, 확률론
• 선형대수 : 벡터, 행렬 연산
• 미적분학 : 함수의 이해, 기울기, 최적화
• 기초적인 확률론 : 확률적 사고, 조건부 확률

2. 프로그래밍 지식

https://devopedia.org/machine-learning-in-python

 

R언어도 많이 사용한다고 하나, 범용성이나 플렉시블한 부분관련 파이썬을 추천합니다.

• 파이썬 : 머신러닝에서 가장 널리 사용되는 언어
• 데이터 처리 : Pandas, NumPy
• 데이터 시각화 : Matplotlib, Seaborn
• 머신러닝 라이브러리

• 파이토치(PyTorch) : facebook에서 만든 딥러닝 연구 플랫폼입니다. 코드를 조금 간결하게 쓸 수 있습니다.
• 사이킷런(scikit-learn) : 머신 러닝 라이브러리 중에 하나인데, 학습하고 사용하기 쉬운데, 딥러닝과 강화학습 라이브러리를 지원하지 않습니다.
• 텐서플로우(TensorFlow) : 2015년에 오픈 소스로 공개된 구글의 러신러닝 시스템입니다. 복잡한 머신 러닝 작업을 텐서플로우를 사용하여 간단하게 구현할 수 있습니다.
• 케라스(Kreas) : 오픈소스 신경망 라이브러리이고, 텐서플로우, MXNet, Deeplearning4j 등을 백엔드로 사용하여 AI코딩을 할 수 있게 해줍니다.

3. 머신러닝 지식

• 지도 학습 (Supervised Learning) : 회귀, 분류
• 비지도 학습 (Unsupervised Learning) : 클러스터링, 차원 축소
• 모델 평가 : 교차 검증, 성능 지표 이해

4. 심화 머신러닝 지식

• 신경망과 딥러닝 : 기본 아키텍처, 역전파
• 특화된 학습 방법 : 강화학습, 전이학습

5. 실전 프로젝트

• 데이터셋 이해와 전처리
• 실제 문제 해결을 위한 모델 설계
• 모델 튜닝과 최적화

6. 참고 자료 및 웹사이트

• Coursera - Andrew Ng의 "Machine Learning" 코스
• Kaggle - 데이터 과학 및 머신러닝 관련 경연대회 및 학습 자료
• edX - 다양한 대학의 무료 온라인 과정
• Udemy 또는 Udacity - 실무 중심의 강의
• Google's Machine Learning Crash Course - 구글 제공 무료 과정
• DeepLearning.AI - 딥러닝에 중점을 둔 과정

이 과정들은 이론적인 지식부터 실제 코딩까지 다루고 있으며, 실제 데이터셋을 활용한 실습을 포함하고 있어 매우 유용합니다. 머신러닝을 배우는 데 있어서 가장 중요한 것은 이론적 지식뿐만 아니라 실제 문제에 적용해보는 경험을 쌓는 것입니다. 따라서, 이론 공부와 병행하여 다양한 프로젝트와 챌린지에 참여해 보는 것을 추천합니다.

 

---

Feat. ChatGPT
Q. 머신러닝을 처음부터 배우려고 해.
필요한 기초지식과 기술관련해서 교육순서와 항목을 정리해서 알려줘.
참고 사이트가 있으면 사이트로 참조해줘.

A. 머신러닝을 처음부터 배우는 것은 흥미롭고 가치 있는 여정이 될 것입니다. 이 분야를 공부하기 위해 필요한 기초 지식과 기술을 단계별로 정리해보겠습니다.

1. 수학 기초
통계학: 데이터 이해, 기술적 통계, 확률론
선형대수: 벡터, 행렬 연산
미적분학: 함수의 이해, 기울기, 최적화
기초적인 확률론: 확률적 사고, 조건부 확률
2. 프로그래밍 기초
파이썬: 머신러닝에서 가장 널리 사용되는 언어
데이터 처리: Pandas, NumPy
데이터 시각화: Matplotlib, Seaborn
3. 머신러닝 기초
감독 학습: 회귀, 분류
비감독 학습: 클러스터링, 차원 축소
모델 평가: 교차 검증, 성능 지표 이해
4. 심화 머신러닝
신경망과 딥러닝: 기본 아키텍처, 역전파
특화된 학습 방법: 강화학습, 전이학습
5. 실전 프로젝트
데이터셋 이해와 전처리
실제 문제 해결을 위한 모델 설계
모델 튜닝과 최적화
참고 자료 및 웹사이트
Coursera - Andrew Ng의 "Machine Learning" 코스
Kaggle - 데이터 과학 및 머신러닝 관련 경연대회 및 학습 자료
edX - 다양한 대학의 무료 온라인 과정
Udemy 또는 Udacity - 실무 중심의 강의
Google's Machine Learning Crash Course - 구글 제공 무료 과정
DeepLearning.AI - 딥러닝에 중점을 둔 과정
이 과정들은 이론적인 지식부터 실제 코딩까지 다루고 있으며, 실제 데이터셋을 활용한 실습을 포함하고 있어 매우 유용합니다. 머신러닝을 배우는 데 있어서 가장 중요한 것은 이론적 지식뿐만 아니라 실제 문제에 적용해보는 경험을 쌓는 것입니다. 따라서, 이론 공부와 병행하여 다양한 프로젝트와 챌린지에 참여해 보는 것을 추천합니다.