코드없이 배우는 머신러닝 첫걸음: 하

📢 아래 교재들은 AI를 처음 배우는 분들을 위한 연계된 시리즈입니다.
이론 4권 + 실습 2권으로 구성되어 있으며, AI의 개념부터 실전 활용까지 단계적으로 익힐 수 있습니다.

📚 이론 교재 (기초 개념부터 머신러닝 원리까지)

1️⃣ 인공지능 첫걸음: 상 - 인공지능의 정의, 역사, 그리고 미래 전망
2️⃣ 인공지능 첫걸음: 하 - 인공지능 프로젝트의 기획부터 배포까지
3️⃣ 코드 없이 배우는 머신러닝 첫걸음: 상 - 학습 원리와 다양한 알고리즘 유형
4️⃣ 코드 없이 배우는 머신러닝 첫걸음: 하 - AI의 학습 과정과 데이터 활용 방법

📚 실습 교재 (실제 데이터를 활용한 머신러닝 실습)

5️⃣ 프로젝트 입문 - 당뇨병 위험 분류 AI 해커톤 -> 추후 공개 예정
6️⃣ 프로젝트 입문 - 태양광 발전량 예측 AI 해커톤 -> 추후 공개 예정

---

🚀 AI 학습의 핵심, 데이터를 이해하는 것부터!

이전 교재에서는 머신러닝이 어떻게 작동하는지, 그리고 지도 학습과 비지도 학습의 차이, 선형, 트리, 군집화 모델을 배웠어요. 하지만 AI가 실제로 학습하는 과정과 데이터를 활용하는 방법은 한층 더 깊이 이해할 필요가 있습니다.

이번 교재에서는 AI 모델이 데이터를 학습하는 과정과 예측하는 원리를 다룹니다. AI가 데이터를 학습하려면, 먼저 데이터의 구조와 구성 요소(칼럼, 특징, 타겟 등) 를 이해하는 것이 중요합니다. 이를 통해 AI가 어떤 방식으로 패턴을 학습하고, 새로운 데이터를 분석하는지 배우게 될 거예요.

또한, AI 모델이 학습한 내용을 바탕으로 새로운 데이터를 어떻게 예측하는지, 그리고 모델이 훈련 데이터에 지나치게 의존하지 않고 일반화된 성능을 유지하는 방법까지 살펴볼 예정입니다.

---

📚 이번 교재에서는 무엇을 배우나요?

⚫️ 스테이지 1~2: AI가 데이터를 학습하는 과정
AI가 데이터를 학습하려면, 먼저 데이터가 어떻게 구성되어 있는지를 이해해야 합니다. 칼럼(Column), 특징(Feature), 타겟(Target)의 개념을 배우고, AI가 학습 데이터에서 패턴을 찾는 원리를 익힙니다.

⚫️ 스테이지 3~4: 학습 데이터와 테스트 데이터의 역할
AI 모델의 성능을 제대로 평가하려면, 학습 데이터와 테스트 데이터를 올바르게 분리해야 합니다. AI가 학습한 내용을 바탕으로 새로운 데이터를 예측하는 과정을 이해하고, 모델의 일반화 성능을 평가하는 이유를 배웁니다.

⚫️ 스테이지 5~6: 모델이 실수하는 이유와 과적합 해결 방법
AI 모델이 새로운 데이터에서 성능이 저하되는 과적합(Overfitting) 현상을 이해하고, 이를 방지하는 다양한 방법(적절한 데이터 구성, 학습 조절, 모델 복잡도 조정 등)을 익힙니다.

⚫️ 스테이지 7~8: AI 모델의 평가 지표 이해하기
모델의 성능을 평가할 때, 정확도(Accuracy)만으로 충분할까요? 데이터가 불균형한 경우, 정확도가 높더라도 모델이 잘못된 예측을 할 수 있습니다. 정밀도(Precision), 재현율(Recall) 같은 다양한 평가 지표의 필요성을 배우고, AI 모델을 더 정확하게 분석하는 방법을 익힙니다.

⚫️ 스테이지 9~10: 과적합된 모델과 일반화된 모델 비교하기
과적합된 모델과 일반화된 모델의 차이를 비교하며, 실제 데이터를 통해 어떻게 모델을 평가하고 개선할 수 있는지를 학습합니다. 과적합이 발생하는 원인과 모델의 복잡도가 증가할수록 과적합이 발생하는 과정과 이를 해결하는 방법(규제, 드롭아웃 등)을 살펴봅니다.

---

🌟 왜 이 교재가 특별할까요?

1️⃣ 쉽고 직관적인 설명: AI가 학습하는 과정과 데이터 활용법을 단계별로 쉽게 설명합니다.
2️⃣ 실전 감각을 키우는 사례 학습: 실제 데이터에서 어떻게 AI가 패턴을 학습하고 예측하는지 실습할 수 있습니다.
3️⃣ 일반화 성능을 높이는 방법 학습: AI가 단순히 학습 데이터를 외우는 것이 아니라, 새로운 데이터에서도 잘 작동하는 모델을 만드는 원리를 배울 수 있습니다.

🙋‍♀️🙋‍♂️ 이런 분들에게 추천해요!
✅ AI가 데이터를 학습하는 과정이 궁금한 분
✅ AI 모델이 학습 데이터와 테스트 데이터를 나누는 이유를 알고 싶은 분
✅ 과적합(Overfitting)을 해결하고 일반화 성능을 높이는 방법을 배우고 싶은 분

지금 바로 시작해서, AI가 데이터를 학습하고 예측하는 원리를 확실하게 익혀봅시다! 🚀