성구박사의 기계학습 첫걸음

이 규칙이
새 자료에서도 맞히는가

/stat 은 이 차이가 우연인가를 묻습니다. 이 20강은 다른 것을 묻습니다 — 새 자료에서도 맞히는가.
성공의 기준이 다르고, 그래서 속는 방식도 다릅니다. y 가 X 와 아무 관계가 없는 자료로도 AUC 0.9 를 만들 수 있어요 — 특징을 미리 고르기만 하면요. 그 함정을 하나씩 손으로 돌려 봅니다. scikit-learn 없이 numpy 로 로지스틱도 나무도 PCA 도 ROC 도 직접 짭니다.

🐍 Python🔒 시험자료📉 과적합 📊 ROC · AUC💧 정보 누출🫧 군집 · PCA🇰🇷 한국어

1강 시작하기 →

이렇게 배웁니다

🔒무기는 하나뿐

자료를 갈라 두고 한쪽은 손도 대지 않습니다. 스무 강의 거의 전부가 그 한 가지 장치를 어떻게 지키느냐입니다.

✍️직접 짠다

scikit-learn 을 안 씁니다. 로지스틱도 나무도 PCA 도 ROC 도 numpy 로 열 줄씩 짜 봅니다.

💧0.5 짜리 문제로 0.9 만들기

y 가 X 와 아무 관계 없는 자료로 AUC 0.9 를 만들어 봅니다. 특징을 미리 고르기만 하면 됩니다.

🧭세 강의가 한 벌

/stat 은 우연을, 이 강의는 일반화를, /epi 는 인과를 맡습니다. 서로를 대신하지 못합니다.

전체 커리큘럼

우연인가와 새것에도 되나 — 다른 물음이다

/stat 이 답하는 것과 이 강의가 답하는 것

네 가지 일 — 분류 · 회귀 · 군집 · 차원 축소

정답이 있느냐 없느냐가 먼저다

특징 — 모형보다 여기서 판가름 난다

표로 만드는 일 · 눈금 맞추기 · 없는 값

나누기 — 손도 대지 않을 자료를 남긴다

훈련 · 검증 · 시험, 그리고 왜 셋인가

과적합 — 외운 것과 배운 것

훈련 점수가 좋아질수록 나빠지는 구간

교차검증 — 자료가 적을 때 나누는 법

돌아가며 시험 보기 · 그리고 왜 한 번 나누면 부족한가

정확도 99% 짜리 쓸모없는 모형

혼동행렬 · 정밀도와 재현율

ROC 와 AUC — 문턱을 정하지 않고 재는 법

그리고 불균형 자료에서 AUC 가 속이는 방식

문턱 — 확률을 예·아니오로 바꾸는 자리

0.5 는 아무 근거가 없다

보정 — 0.9 라고 한 것이 정말 0.9 인가

잘 맞히는 것과 확률이 맞는 것은 다르다

선형 모형 — 가장 먼저 해 봐야 할 것

로지스틱 회귀 · 그리고 계수를 눌러 주는 규제

나무와 숲 — 예/아니오를 이어 붙이면

결정나무 · 그리고 여러 그루를 모으는 이유

이웃과 경계 — 가장 가까운 것 · 가장 넓은 틈

k-이웃과 SVM, 그리고 차원의 저주

차원 축소 — 수천 개 축을 둘로

PCA 는 무엇을 지키고, UMAP 은 무엇을 지키지 않는가

군집 — 정답이 없는 문제

k 를 몇으로 할 것인가, 그리고 그 물음에 답이 없다는 것

정보 누출 — 점수가 너무 좋으면 의심한다

이 강의에서 가장 중요한 한 강

드문 것 찾기 — 100명 중 2명

가중치 · 표본 조정 · 그리고 하지 말아야 할 것

왜 그렇게 예측했나 — 중요도라는 말의 함정

맞히는 것과 설명하는 것은 다른 일이다

실습 종합 — 처음부터 끝까지 한 번

나누고 · 배우고 · 채점하고 · 의심한다

정리 — 맞힌다는 것과 안다는 것

이 20강이 어느 강의로 이어지는가