유용재 교수의 “모두의 AI문해력 (설명+실습)” 온라인 강의
모두를 위한 AI 리터러시(문해력)
친절한 이론 설명과 온라인 실습으로 구성된 “모두의 AI문해력 (AI 101)” 강의를 소개합니다.
AI가 만드는 세상의 주인이 되려면
AI 문해력(Literacy)이 필수입니다 !
AI & 데이터 분야의 일타 강사 !
서울대 산업공학과 박사과정 유용재 강사님이 진행하는 !!
데이터분석의 기초, AI 문해력을 이론설명과 실습을 통해 확실하게 머릿속에 팍팍팍 넣어 드립니다 !!!
이런 분들이 들으면 좋아요.
먼저 “데이터 분석, AI 의 기초와 개념 이해”을 확실히 챙겨주는 강의 입니다.
이런분들에게 좋습니다.
1) AI 및 데이터분석 (대개 코딩 기반) 과목을 수강 예정인 대학생들이 미리 쉽게 공부하는 용도
2) 대학 입학 예정인데 AI 및 데이터분석를 미리 공부해 놓고 싶다
3) 고등학생/중학생인데 AI 및 데이터분석를 공부해 놓고 싶다. 노코드로 실험을 해보고 싶다.
이제 수능에도 AI, 데이터분석은 기본입니다
논술 문제를 준비하는 고등학생에 딱 좋은 강의 입니다 !
문의 및 질문 이메일 주소: class@neuralworks.io
강의 신청 방법
Step 1) https://neuralworks.liveklass.com 에서 회원 가입
Step 2) https://neuralworks.liveklass.com 에서 클래스(수업) 선택
Step 3) 결제시에 쿠폰코드 (대문자 SNUAICMP83) 입력하면 할인됩니다.
유용재의 AI리터러시 강의 — 목차
“유용재의 AI Literacy (문해력)”은 총 7강으로 구성되며, 각 강은 이론 + 실습으로 구성되어 있습니다.
수강생은 강의 자료 pdf 파일도 다운로드 받을 수 있습니다.
## 전체 목차 ##
1) 데이터 분석 개요와 수집 방법의 이해
2) 군집화(clustering) — 기준에 따라 끼리끼리 묶자,
3) 분류분석(classification) — 의사결정나무(decision tree)를 활용한 분류
4) 회귀분석(regression) — 데이터로 식을 탄생시키다
5) 텍스트 마이닝 — 글에서 찾는 가치
6) 이미지 분류와 컴퓨터 비전 입문
7) 데이터분석 종합 프로젝트 (Neural Studio 활용)
## AI리터러시 실습 사이트 (뉴럴스튜디오) ##
최초 로그인 시에는 성함과 전화번호를 입력하여 수강생임을 인증하는 절차가 있습니다.
https://ai.neuralworks.io/studio/auth/c/0alfi9m4/signin
유용재의 AI리터러시 강의 — 세부 목차
이러한 개념과 용어를 배우고, 실습을 통해 확실히 이해하게 됩니다.
1) 데이터 분석 개요와 수집 방법의 이해
1–1) 데이터 과학, 그게 뭔데?
-데이터 과학의 뜻
-왜 데이터 과학일까?
1–2) Neural Studio로 데이터 과학 시작하기
-첫걸음, 로그인부터
-어떤 분석들을 할 수 있을까?
1–3) Neural Studio와 함께 시도할 수 있는 데이터 분석 방법들은?
- 클러스터링 (k-mean, DBSCAN, …)
- 분류분석 (decision tree, logistic regression, k-NN, ..)
- 회귀 분석 (linear regression, lasso regression, ridge regression)
1–4) 데이터, 어디서 어떻게 수집할 수 있을까?
- 공공 데이터 포털을 통한 수집
- 특화 데이터 수집을 위한 방법
2) 기준에 따라 끼리끼리 묶자, 군집화
2–1) K-평균 군집화
강의 교재 pdf 파일 Lecture02_기준에 따라 끼리끼리 묶자, 군집화.pdf
- 특성이 비슷한 데이터, 기계가 한데 모아줄 수는 없을까?
- 데이터 군집화의 시작, K-means Clustering
- 일단 숨 참고 중심 DIVE, 그 후 이루어지는 반복
- K-means 알고리즘으로 주어진 데이터를 군집화하려면?
-군집화에서 군집 개수를 내 마음대로 결정해도 될까?
- 최적의 K를 알아내기 위한 Elbow Method
2–2) 밀도 기반 군집화
- 이상과 다른 현실? K-means가 가지는 근원적 한계
-군집 형성 기준에 따라 구분되는 여러 가지 군집화 방법론
-DBSCAN의 원리와 동작 방식을 간략히 정리하면?
-오늘, 밀도 기반 군집화로 해결하고자 하는 과제는?
-DBSCAN 실전, Neural Studio와 함께
2–3) 계층적 군집화
- 군집에 계층이 있다면? Hierachical Clustering
- 계층적 군집화를 위한 필요한 유사도, 어떻게 계산하나?
- Dendrogram을 얻었다 치더라도,,,대체 어떻게 군집을 구성한다는 것인지?
- 그래서, 어떤 군집화 방법이 최고인 걸까?
3–1) 의사결정나무와 분류 및 예측
-의사결정 나무를 통해서 오늘 해결하고자 하는 문제는?
-의사 결정 나무가 데이터를 분류하는 기본 골격은?
-불순도를 나타내는 두 가지 지표, 지니 지수와 엔트로피
-불순도 지표를 활용하여, 의사 결정 나무를 정의하면?
-불순도가 낮아지는 방향의 나무라…무슨 뜻인지 구체적으로 살펴보면?
-주어진 데이터를 바탕으로 의사 결정나무 생성하기
-이탈 여부를 모르는 고객이 실제로 이탈할지 예측 하려면?
-뛰어난 분류 성능을 보이는 의사 결정 나무, 예측에도 쓸 수 있다고?
3–2) 의사결정나무를 활용한 분류와 예측
의사결정나무(decision tree) 실습하기
3–3) 앙상블과 랜덤 포레스트
-데이터 분류에서 피할 수 없는 숙명, 과적합 문제
-과적합 회피를 위해 시도할 수 있는 한 가지 대안, Ensemble
-나무가 여러 개, 그래서 어떻게 분류를 하겠다는 것인지?
3–4) 분류에 대한 평가(성능 지표)
-분류만 되면 그만? 얼마나 잘 분류 했는지 평가하기
-정확도를 넘어선 지표의 필요성, Recall과 Precision
-평가 지표의 확장, 민감도와 특이도
4) 데이터로 식을 탄생시키다, 회귀 분석
4–1) 선형 회귀의 원리와 실제
강의 교재 pdf 파일 Lecture04_데이터로 식을 탄생시키다, 회귀 분석.pdf
-내신 등급과 모의고사 성적으로 수능 점수를 예측할 수 있을까?
-수능 점수 예측을 위한 선형 회귀 모형의 식은?
-선형 회귀의 궁극적 목표, MSE의 최소화
-Neural Studio와 함께, 회귀 분석 시작부터 끝까지
4–2) 오차와 모형의 평가(성능 지표)
-최선을 다해 얻은 회귀 식, 그런데, 결국 우리가 궁금한 것은?
-계산 끝에 도출한 선형 회귀 식, 데이터에 얼마나 걸맞나?
-독립 변수가 다양할 수록 믿을 수 없는 R², 그 대안은?
-제곱해서 무작정 더하니, 너무 커지는 오차, 제곱근을 취하면?
-예측 성능 지표로써 MSE와 RMSE가 공히 가지는 문제점은?
-오차의 비율을 활용한 성능 지표, MAPE
4–3) 선형 회귀에서의 정규화
-선형 회귀의 궁극적 목표는 무엇이었나?
-동작 방식이 서로 다른 두 정규화, 서로를 비교하면?
- 라소(Lasso) 회귀
- 리지(Ridge) 회귀
5) 텍스트 마이닝 — 글에서 찾는 가치
5–1) 한국어 텍스트 분석의 특징
한국어 텍스트 분석을 어렵게 만드는 요소들
5–2) Word Cloud로 텍스트 시각화 하기
워드 클라우드 소개
워드 클라우드 실습
5–3) 감성 분석의 원리와 실제
감성 분석이란
감성 분석의 두가지 방법: Predictive vs Dictionary
감성 분석 실습
6) 이미지 분류와 컴퓨터 비전 입문
6–1) 이미지 분류의 뜻과 그 실제
이미지 분류(image classification)란
이미지 분류가 어려운 이유
이미지 데이터분리: training, validation, test
epoch과 batch size
6–2) 컴퓨터 비전
객체 탐지(object detection)란
이미지 콘텐트 태깅(content tagging)이란
얼굴 인식 (face recognition)
문자 인식 (OCR)
7) 데이터분석 종합 프로젝트
클러스터링 기반 프로젝트
분류분석 기반 프로젝트
온라인 실습 사이트
AI리터러시 실습 사이트 로그인 페이지 주소:
수강생만 로그인 가능합니다.
https://ai.neuralworks.io/studio/auth/c/0alfi9m4/signin
