에코프로.AI

kaggle(캐글) 소개 캐글은 데이터 과학 및 머신러닝 경진대회를 주최하는 온라인 커뮤니티입니다. 전 세계 데이터 과학자를 위한 놀이터라고 생각하면 됩니다. 캐글에는 방대한 데이터, 유능한 데이터 과학자, 훌륭한 코드, 좋은 문화가 있어 데이터 과학 역량을 쌓는 데 최적의 플랫폼입니다. 캐글은 2010년 설립되어 2017년 구글에 인수되었습니다. 구글이 인수할 만큼 영향력 있는 플랫폼입니다. 가입자 수는 2017년 6월에 100만 명이었는데, 바로 다음 해인 2018년 8월에 200만 명으로 2배가 되었습니다. 2022년 3월에는 900만 명을 넘어서는 등 지금도 빠르게 커가고 있습니다. 왜 kaggle(캐글) 해야 하는가? 데이터 과학 및 머신러닝 역량 강화 캐글은 데이터 과학과 머신러닝 역량을 키우..

1. Generative AI (생성 AI) 란? Generative AI는 기계 학습의 한 분야로, 학습한 데이터를 기반으로 새로운 데이터(이미지, 텍스트, 음악 등)를 생성하도록 합니다. 예를 들어, 이미지 생성, 텍스트 작성, 음악 작곡 등이 이에 해당합니다. 이러한 AI는 기존 데이터로부터 학습하여 새로운, 오리지널 콘텐츠를 만들어냅니다. Generative AI, 생성 AI 는 인간이 손으로 만드는 것보다 더 빠르고 저렴할 뿐만 아니라 경우에 따라서는 더 나은 결과를 만들어낼 수 있는 단계에 와 있습니다. 소셜 미디어에서 게임, 광고, 건축, 코딩, 그래픽 디자인, 제품 디자인, 법률, 마케팅, 영업에 이르기까지 인간이 독창적인 작업을 만들어야 하는 모든 산업이 재창조될 수 있습니다. 어떤 업무..

머신러닝(ML)에 수학이 필요한 이유 수학을 몰라도 파이썬을 이용해서, 머신러닝 모델을 생성할 수는 있지만, 모델 알고리즘을 최적화하고,결과를 해석할려면아래와 같은 관련 수학지식이 필요합니다. 이해와 설계 : 머신러닝 알고리즘은 수학적 개념을 기반으로 합니다. 이를 이해하고 효율적으로 설계하기 위해서는 기본적인 수학 지식이 필요합니다. 최적화 : 머신러닝 모델을 훈련시키는 과정은 주어진 데이터에 대해 최적의 패턴을 찾는 것을 포함합니다. 이 과정은 수학적 최적화 기법을 사용합니다. 데이터 이해 : 데이터의 구조와 패턴을 파악하고 모델링하기 위해 통계학적 방법이 필요합니다. 결과 해석 : 모델의 결과를 해석하고 유효성을 검증하기 위해 통계적 지식이 필요합니다. 머신러닝(ML)에 필요한 수학 선형대수학 : ..

1. 기획 - 머신러닝 적용 타당성 검토 목표 설정과 문제 정의 이해하기 쉬운 비유 머신러닝 프로젝트를 시작하기 전에, 우리는 목적지를 정하고 지도를 확인하는 여행자처럼, 무엇을 해결하려고 하는지 정확히 정의해야 합니다. 주요 활동 비즈니스 문제를 이해하고, 머신러닝이 이를 해결하는 데 어떻게 도움이 될 수 있는지 타당지표를 평가합니다. 예를 들어, 고객 이탈을 줄이는 것이 목표일 수 있습니다. 2. 데이터 준비 데이터 수집 및 정제 이해하기 쉬운 비유 요리를 하기 위해 식재료를 준비하듯이, 데이터를 수집하고, 정리하며, 문제에 적합하게 만듭니다. 주요 활동 데이터를 수집하고, 누락된 값이나 이상치를 처리합니다. 이 단계는 종종 시간이 많이 소요되며, 데이터의 질이 프로젝트의 성공에 중요합니다. 3. 모..

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/ma..

정의 딥 러닝(Deep Learning)은 머신 러닝(Machine Learning)의 특정한 한 분야로서 인공 신경망(Artificial Neural Network)의 층을 연속적으로 깊게 쌓아올려 데이터를 학습하는 방식을 말합니다. Deep 하다는 의미는 층을 연속적으로 쌓아올렸기 때문에 붙은 단어라고 보시면 쉽게 이해가 됩니다. 딥 러닝이 화두가 되기 시작한 것은 2010년대의 비교적 최근의 일이지만, 딥 러닝의 기본 구조인 인공 신경망의 역사는 생각보다 오래되었습니다. 이번 글에서는 딥 러닝의 역사부터 layer를 깊게 쌓아 학습하는 원리, 그리고 실제 산업에 적용되는 사례와 데이터/ 학습에서 주요하게 고려할 점을 다루어 보도록 하겠습니다. Introduction to Deep Learning: ..

머신러닝(ML)의 분류 머신러닝 유형(지도 학습, 비지도 학습, 강화 학습, 준지도 학습, 전이 학습)에는 다양한 세부 기술과 알고리즘이 있으며, 이들은 특정 분야에서 특정 문제를 해결하기 위해 사용됩니다. 아래에서는 각 유형의 세부 종류와 그에 해당하는 사용 분야를 소개하겠습니다. https://serokell.io/blog/ai-ml-dl-difference 1. 지도 학습 (Supervised Learning) 입력 데이터와 해당 출력(레이블)을 기반으로 모델을 훈련시키는 방법. 모델은 입력 데이터로부터 출력을 예측하도록 학습합니다. 즉. 정답이 무엇인지 알고 있는 데이터(=Labeled data)를 컴퓨터에게 학습시켜, 새롭게 들어오는 데이터에 대한 결과를 예측하는 학습 방법 세부 종류 선형 회귀..

https://serokell.io/blog/ai-ml-dl-difference 인공지능(Artificial Intelligence) > 머신러닝(Machine Learning) > 딥러닝(Deep Learning) > 생성형AI(Generative AI) 인공지능 (Artificial Intelligence, AI) 정의 인간처럼 생각할 수 있는 기계를 만드는 과학입니다. 전통적으로 인간 지능이 필요했던 작업들을 컴퓨터로 수행하는 것을 의미합니다. AI 기술은 사람보다 많은 양의 데이터를 다양한 방식으로 처리할 수 있습니다. 인공지능은 인간의 지능과 유사한 방식으로 학습하고 사고하고 행동할 수 있는 컴퓨터 시스템을 개발하는 것입니다. AI는 컴퓨터 공학, 데이터 분석, 통계, 신경 과학, 철학, 심리학..