머신 러닝 자세히 알아보기: 기술적 팁, 요령, 그리고 함정
머신 러닝. 여러분 팀이 필요로 하는 것, 여러분 상사가 요구하는 것, 그리고 여러분의 커리어가 사랑하는 것입니다. LinkedIn은 '기업이 가장 필요로 하는 역량' 중 하나이자 미국 내 가장 부상하고 있는 직군으로 머신 러닝을 꼽았습니다. 머신 러닝(일명 '예측 분석')을 배포하기 위해서는, 그 작동 원리를 알아야 합니다. 자신이 실무자가 아닌 기업가라 해도(직접 수치를 다루지 않는 경우), 전반적인 프로젝트를 처리하기 위해서는 머신 러닝의 기본 메커니즘을 파악하고 있어야 합니다. 다시 말해 경영진, 의사결정권자, 또는 운영 관리자 등 직무와 관계없이 예측 모델을 통합하여 의사 결정을 내리는 방법을 감독하는 사람이라면, 가지고 있는 정보가 많을수록 더 나은 결과를 얻을 수 있습니다. 작동 원리를 자세히 살펴보는 일은 아주 재미있을 겁니다. 머신 러닝의 메커니즘은 흥미롭고 놀라울 뿐 아니라, 직관적으로도 이해가 쉽습니다. 전 세계적으로 머신 러닝의 영향력이 빠르게 커지고 있습니다. 이제는 데이터 예측력을 입증하고, 이를 과학적으로 활용하는 방법을 명확히 해야 할 때입니다. 본 강좌는 머신 러닝의 작동 원리를 다루고 있습니다.
Monthly Subscription Starting at AED 99 + VAT
- Level Foundation
- Course by SAS
-
Offered by
About
머신 러닝. 여러분 팀이 필요로 하는 것, 여러분 상사가 요구하는 것, 그리고 여러분의 커리어가 사랑하는 것입니다. LinkedIn은 '기업이 가장 필요로 하는 역량' 중 하나이자 미국 내 가장 부상하고 있는 직군으로 머신 러닝을 꼽았습니다. 머신 러닝(일명 '예측 분석')을 배포하기 위해서는, 그 작동 원리를 알아야 합니다. 자신이 실무자가 아닌 기업가라 해도(직접 수치를 다루지 않는 경우), 전반적인 프로젝트를 처리하기 위해서는 머신 러닝의 기본 메커니즘을 파악하고 있어야 합니다. 다시 말해 경영진, 의사결정권자, 또는 운영 관리자 등 직무와 관계없이 예측 모델을 통합하여 의사 결정을 내리는 방법을 감독하는 사람이라면, 가지고 있는 정보가 많을수록 더 나은 결과를 얻을 수 있습니다. 작동 원리를 자세히 살펴보는 일은 아주 재미있을 겁니다. 머신 러닝의 메커니즘은 흥미롭고 놀라울 뿐 아니라, 직관적으로도 이해가 쉽습니다. 전 세계적으로 머신 러닝의 영향력이 빠르게 커지고 있습니다. 이제는 데이터 예측력을 입증하고, 이를 과학적으로 활용하는 방법을 명확히 해야 할 때입니다. 본 강좌는 머신 러닝의 작동 원리를 다루고 있습니다. 복잡한 계산 없이 기초적인 원리, 데이터에서 통찰력을 얻는 방법, 이러한 통찰력을 신뢰할 수 있는 방법, 예측 모델의 성능은 어느 정도인지 등을 살펴봅니다. 이는 분석 전문가들 뿐 아니라 모든 비즈니스 전문가에게도 필요한 내용입니다. 또한 본 강좌에서는 일반적인 수준의 머신 러닝과 더불어 최신 고급 기법을 다룰 뿐 아니라, 굉장히 흔하지만 간과하기 쉬운 함정을 피할 수 있는 방법을 제시합니다. 본 강좌에서는 이러한 주제를 심층적으로 다루고 있지만, 기술적인 지식이 없는 학습자와 입문자도 쉽게 이해할 수 있도록 구성되었습니다. 본 강좌에서는 다음과 같이 성능이 우수하거나 그렇지 않은 기법, 그리고 그 경계에 있는 기법 등을 다루고 있으며, 이를 통해 어떤 기법이 효과적인지를 학습합니다. – 의사결정 나무, 로지스틱 회귀, 신경망 등 예측 모델링 알고리즘의 작동 원리 – 과적합, p-해킹, 상관관계로부터 인과관계를 추정하는 오류 등의 위험한 함정 – 예측 모델을 해석하는 방법과 그 작동 원리를 설명하는 방법 – 앙상블 모델링, 업리프트 모델링(일명 ‘설득 모델링’) 등의 고급 기법 – 수많은 머신 러닝 소프트웨어 옵션 중 툴을 선정하는 방법 – 비즈니스 측면에서의 예측 모델 평가 방법 – 보호 계층에 대한 잠재적 편향이 내재된 예측 모델을 가려내는 방법 (AI 윤리) 심층적인 주제를 쉽게 풀이. Columbia University 교수 시절 티칭 어워드를 수상한, 업계 선두주자 Eric Siegel이 여러분을 초대합니다. 본 커리큘럼은 심도 있는 내용으로 수강생의 참여를 유도하며, 머신 러닝이라는 주제를 놀라울 정도로 쉽게 풀이하는 과정 중 하나로 손꼽힙니다. 이론 중심, 복잡한 계산 배제. 본 강좌에서는 실습보다는, 비즈니스 리더와 급부상하는 데이터 과학자 모두가 활용할 수 있도록 최신 기술과 가장 치명적인 함정을 폭넓게 다루고 있습니다. 따라서 코딩이나 머신 러닝 소프트웨어 사용과 관련된 실습은 진행하지 않습니다. 예외적으로, 평가 과제 중 하나로 Excel 또는 Google Sheets를 통해 예측 모델을 직접 만들어보고, 해당 모델이 어떻게 개선되는지 눈으로 직접 확인하는 실습 과정이 포함되어 있습니다. 전문적 지식을 갖춘 수강생에게도 적합한 강의. 바로 실습에 뛰어들기 전에, 분석 전문가들처럼 잘 생각해 보세요. 이 커리큘럼은 훌륭한 기술 전문가들에게도 필요한 여러 보충적 노하우를 제공합니다. 이 강의는 탄탄한 개념 구조 속에 핵심 기술을 위치시킵니다. 또한 대부분의 기술 분야 강좌에서 다루지 않는 업리프트 모델링(설득 모델링)이나 위험한 함정에 대해서도 다루고 있습니다. 벤더 중립적. 본 강좌에는 SAS 제품을 사용한 머신 러닝 소프트웨어 데모 강의가 포함되어 있습니다. 그러나 이 커리큘럼은 벤더 중립적이며. 범용적으로 적용될 수 있습니다. 본 강좌에서 다루는 내용과 학습 목표는 어떤 머신 러닝 소프트웨어 툴을 사용하느냐에 관계없이 적용됩니다. 선행강좌. 본 강좌를 수강하기에 앞서, 전문 강좌의 'The Power of Machine Learning'(강좌 1)과 'Launching Machine Learning'(강좌 2)을 먼저 수강하시기 바랍니다.Modules
강좌 소개
-
1
Videos
-
3
Readings
-
1
Assignment
1
Assignment
- 강좌 개요: 머신 러닝 자세히 알아보기
1
Videos
- 강좌 개요: 머신 러닝 자세히 알아보기
3
Readings
- 실습 위주로 진행하지 않는 이유와, 그럼에도 기술 전문가들에게 본 강좌가 필수적인 이유
- 머신 러닝 용어집
- 설문조사 (1문항)
발견의 신뢰성 보장
-
4
Videos
-
1
Readings
-
4
Assignment
4
Assignment
- p-해킹: 위험천만한 함정
- p-해킹: 예측적 인사이트는 가짜일 수 있다
- p-해킹: 신뢰할 수 있는 발견을 보장하는 방법
- 과적합 방지하기: 학습 데이터와 시험 데이터의 분리
4
Videos
- p-해킹: 위험천만한 함정
- p-해킹: 예측적 인사이트는 가짜일 수 있다
- p-해킹: 신뢰할 수 있는 발견을 보장하는 방법
- 과적합 방지하기: 학습 데이터와 시험 데이터의 분리
1
Readings
- p-해킹 관련 보충 자료 (선택 사항)
상관관계는 인과관계를 의미하지 않는다
-
2
Videos
-
1
Readings
-
2
Assignment
2
Assignment
- 아이스크림과 상어의 공격이 연관성을 가지는 이유
- 인과관계는 흥밋거리, 예측은 해야할 일
2
Videos
- 아이스크림과 상어의 공격이 연관성을 가지는 이유
- 인과관계는 흥밋거리, 예측은 해야할 일
1
Readings
- 상관관계는 인과관계를 의미하지 않는다 (선택 사항)
예측 모델링의 원칙
-
3
Videos
-
1
Readings
-
1
PeerReview
-
3
Assignment
3
Assignment
- 귀납법의 기술: 데이터를 통한 일반화가 어려운 이유
- 실수에서 배움을 얻기: 부정적 사례가 중요한 이유
- 실습 평가 소개 (Excel 또는 Google Sheets)
1
Peer Review
- 직접 예측 모델을 구축하여 향상도 높이기
3
Videos
- 귀납법의 기술: 데이터를 통한 일반화가 어려운 이유
- 실수에서 배움을 얻기: 부정적 사례가 중요한 이유
- 실습 평가 소개 (Excel 또는 Google Sheets)
1
Readings
- 청강생을 위한 데이터 액세스 (선택 사항)
복습
-
2
Discussion
-
1
Assignment
1
Assignment
- 1단원 복습
2
Discussions
- 이번 단원에서 배운 내용 중 가장 새롭고 중요하다고 생각하는 부분
- 강의를 들은 후에도, 여전히 어렵게 느껴지는 부분
의사결정 나무: 최고의 출발 지점
-
6
Videos
-
1
Readings
-
1
ExternalTool
-
5
Assignment
5
Assignment
- 의사결정 나무 다시 살펴보기
- 완전 끝내주는 사업 규칙과 의사결정 나무
- 의사결정 나무 가지치기를 통한 과적합 방지
- 의사결정 나무의 이익 곡선 그리기
- 의사결정 나무의 이윤 곡선 그리기
1
External Tool
- SAS Viya for Learners 사용하기 (선택 데모)
6
Videos
- 의사결정 나무 다시 살펴보기
- 완전 끝내주는 사업 규칙과 의사결정 나무
- 의사결정 나무 가지치기를 통한 과적합 방지
- 데모: 의사결정 나무 모델 비교 (선택 사항)
- 의사결정 나무의 이익 곡선 그리기
- 의사결정 나무의 이윤 곡선 그리기
1
Readings
- 효과적이고 유용한 시각 자료를 활용한 의사결정 나무의 작동 원리 설명 (선택 사항)
의사결정 나무를 넘어: 기타 일반적인 모델링 기법
-
6
Videos
-
5
Assignment
5
Assignment
- 나이브 베이즈
- 선형 모델과 퍼셉트론
- 선형 파트 II: 2차원에서의 퍼셉트론
- '예/아니오' 출력값보다 확률로 더 나은 의사결정을 내릴 수 있는 이유
- 로지스틱 회귀
6
Videos
- 나이브 베이즈
- 선형 모델과 퍼셉트론
- 선형 파트 II: 2차원에서의 퍼셉트론
- '예/아니오' 출력값보다 확률로 더 나은 의사결정을 내릴 수 있는 이유
- 로지스틱 회귀
- 데모: 로지스틱 회귀 모델 학습 (선택 사항)
복습
-
2
Discussion
-
1
Assignment
1
Assignment
- 2단원 복습
2
Discussions
- 이번 단원에서 배운 내용 중 가장 새롭고 중요하다고 생각하는 부분
- 강의를 들은 후에도, 여전히 어렵게 느껴지는 부분
고급 모델링 기법
-
8
Videos
-
1
Readings
-
1
ExternalTool
-
5
Assignment
5
Assignment
- 신경망의 작동 원리
- 신경망: 의사결정 경계 및 로지스틱 회귀와의 비교
- 딥 러닝
- 앙상블 모델과 Netflix Prize
- 빠르고 강력한 예측: 앙상블 및 일반화 역설
1
External Tool
- SAS Viya for Learners 사용하기 (선택 데모)
8
Videos
- 신경망의 작동 원리
- 신경망: 의사결정 경계 및 로지스틱 회귀와의 비교
- 데모: 신경망 모델 학습하기 (선택 사항)
- 딥 러닝
- 앙상블 모델과 Netflix Prize
- 빠르고 강력한 예측: 앙상블 및 일반화 역설
- 데모: 앙상블 모델 학습 (선택 사항)
- 데모: 머신 러닝 모델 자동 튜닝하기 (선택 사항)
1
Readings
- 앙상블의 일반화 역설 (선택 사항)
모델링 기법 개요: 요약, 소프트웨어, 그리고 배포
-
4
Videos
-
4
Assignment
4
Assignment
- 비교 및 대조: 머신 러닝 기법 요약
- 머신 러닝 소프트웨어: 툴 선택 시 지켜야할 규칙
- 머신 러닝 소프트웨어: 툴의 다양성과 선택 방법
- 모델 배포: 소프트웨어 툴을 넘어 실전으로
4
Videos
- 비교 및 대조: 머신 러닝 기법 요약
- 머신 러닝 소프트웨어: 툴 선택 시 지켜야할 규칙
- 머신 러닝 소프트웨어: 툴의 다양성과 선택 방법
- 모델 배포: 소프트웨어 툴을 넘어 실전으로
업리프트 모델링 (설득 모델링)
-
4
Videos
-
1
Readings
-
4
Assignment
4
Assignment
- 업리프트 모델링 I: 영향력을 최적화하고 숫자로 설득하기
- 업리프트 모델링 II: 실험군 및 대조군에 대한 모델링
- 업리프트 모델링 III: 작동 원리 (은행 및 Obama 사례)
- 업리프트 모델링 IV: 이탈 모델링 및 기타 응용 분야
4
Videos
- 업리프트 모델링 I: 영향력을 최적화하고 숫자로 설득하기
- 업리프트 모델링 II: 실험군 및 대조군에 대한 모델링
- 업리프트 모델링 III: 작동 원리 (은행 및 Obama 사례)
- 업리프트 모델링 IV: 이탈 모델링 및 기타 응용 분야
1
Readings
- 업리프트 모델링 관련 보충 자료 (선택 사항)
복습
-
2
Discussion
-
1
Assignment
1
Assignment
- 3단원 복습
2
Discussions
- 이번 단원에서 배운 내용 중 가장 새롭고 중요하다고 생각하는 부분
- 강의를 들은 후에도, 여전히 어렵게 느껴지는 부분
윤리: 머신 러닝 편향, 모델 투명성, 그리고 결론
-
5
Videos
-
6
Readings
-
1
Discussion
-
5
Assignment
5
Assignment
- 머신 러닝 편향 I: 불공정 모델의 난제
- 머신 러닝 편향 II: 모델이 불공정한 이유 시각화
- 머신 러닝 편향 III: 공정성은 인종을 차별하지 않는다
- 설명가능한 머신 러닝, 모델 투명성, 그리고 설명을 요구할 권리
- 머신 러닝 윤리에 대한 결론: 사회적 행동주의의 한 형태로서 기준 정립하기
1
Discussions
- 머신 러닝을 적용하는 데 있어, 여러분이 생각하기에 윤리적으로 가장 우려되는 부분은 무엇인가요?
5
Videos
- 머신 러닝 편향 I: 불공정 모델의 난제
- 머신 러닝 편향 II: 모델이 불공정한 이유 시각화
- 머신 러닝 편향 III: 공정성은 인종을 차별하지 않는다
- 설명가능한 머신 러닝, 모델 투명성, 그리고 설명을 요구할 권리
- 머신 러닝 윤리에 대한 결론: 사회적 행동주의의 한 형태로서 기준 정립하기
6
Readings
- 머신 러닝 편향에 대한 ProPublica 기사 원문
- 서로 다른 거짓 양성 사례 비율에 대한 상호작용식 MIT Technology Review 기사
- 머신 러닝 편향에 대한 기타 상호작용식 데모 (선택 사항)
- 머신 러닝 편향 관련 보충 자료 (선택 사항)
- 설명가능한 머신 러닝과 모델 투명성에 대해 더 알아보기 (선택 사항)
- AI의 긍정적 영향과 부정적 영향 비교 (선택 사항)
전문 과정 마무리
-
2
Videos
-
2
Readings
-
2
Assignment
2
Assignment
- 함정: 머신 러닝의 7대 죄악
- 결론 및 배움을 지속하기
2
Videos
- 함정: 머신 러닝의 7대 죄악
- 결론 및 배움을 지속하기
2
Readings
- John Elder가 꼽은 최악의 데이터 과학 오류 top 10 (선택 사항)
- 이후 학습을 위한 추가 자료 및 읽기 자료 (선택 사항)
복습
-
1
Discussion
-
1
Assignment
1
Assignment
- 4단원 복습
1
Discussions
- 머신 러닝에 관한 다음 목표는 무엇인가요?
Auto Summary
Dive into the fundamentals of machine learning with industry expert Eric Siegel. This comprehensive course, ideal for business leaders and emerging data scientists, covers key algorithms, advanced techniques, and common pitfalls without complex calculations. Learn to interpret and trust predictive models, select the right tools, and understand AI ethics. Enroll through Coursera with Starter or Professional subscriptions. Perfect for beginners and those seeking to enhance their technical knowledge.
Eric Siegel