Autoplay
Autocomplete
Previous Lesson
Complete and Continue
올인원 패키지 : 머신러닝과 데이터분석 A-Z
(필독) 공지사항
※ 오픈일정 및 공지사항 (필독)
※ 강의자료 다운로드
[Python] PART 1) Python Programming 기초
Chapter 01. 환경설정 - 01. 파이썬 개발 환경 설정 (MAC) (8:47)
Chapter 01. 환경설정 - 02. 파이썬 개발 환경설정(Windows) (5:58)
Chapter 01. 환경설정 - 03. jupyter notebook 설치 및 사용법 소개 (16:55)
Chapter 02. 데이터 타입과 컬렉션 - 01. 기본 타입 및 변수의 이해 - 1 (15:21)
Chapter 02. 데이터 타입과 컬렉션 - 02. 기본 타입 및 변수의 이해 - 2 (13:17)
Chapter 02. 데이터 타입과 컬렉션 - 03. 문자열 타입의 이해 및 활용하기 (21:21)
Chapter 02. 데이터 타입과 컬렉션 - 04. 컬렉션 타입 이해 - 1 (List) (17:42)
Chapter 02. 데이터 타입과 컬렉션 - 05. 컬렉션 타입 이해 - 2 (List) (13:40)
Chapter 02. 데이터 타입과 컬렉션 - 06. 컬렉션 타입 이해 - 3 (tuple) (7:04)
Chapter 02. 데이터 타입과 컬렉션 - 07. 컬렉션 타입 이해 - 4 (dict) (20:26)
Chapter 02. 데이터 타입과 컬렉션 - 08. 컬렉션 타입 이해 - 5 (set) (5:36)
Chapter 03. 조건문과 반복문 - 01. 조건문(if, elif, else) 활용하기 (15:45)
Chapter 03. 조건문과 반복문 - 02. 조건문(if, elif, else) 활용하기 (13:37)
Chapter 03. 조건문과 반복문 - 03. 반복문 이해하기(while) - 1 (15:41)
Chapter 03. 조건문과 반복문 - 04. 반복문 이해하기(while) - 2 (15:02)
Chapter 03. 조건문과 반복문 - 05. 반복문 이해하기(for), 연습문제 - 1 (18:21)
Chapter 03. 조건문과 반복문 - 06. 반복문 이해하기(for), 연습문제 - 2 (11:10)
Chapter 03. 조건문과 반복문 - 07. 조건문, 반복문 연습 문제 풀이 (13:40)
Chapter 04. 함수 이해 및 활용 - 01. 함수의 이해 및 활용, 기본 파라미터, 키워드 파라미터 이해, 변수의 스코프 이해 - 1 (20:55)
Chapter 04. 함수 이해 및 활용 - 02. 함수의 이해 및 활용, 기본 파라미터, 키워드 파라미터 이해, 변수의 스코프 이해 - 2 (17:02)
Chapter 04. 함수 이해 및 활용 - 03. 함수의 이해 및 활용, 기본 파라미터, 키워드 파라미터 이해, 변수의 스코프 이해 - 3 (19:47)
Chapter 04. 함수 이해 및 활용 - 04. 람다(lambda) 함수의 이해 및 사용하기 (24:37)
Chapter 04. 함수 이해 및 활용 - 05. 함수 연습 문제 풀이 (17:43)
Chapter 05. 파이썬 모듈 - 01. 모듈의 이해 및 사용과 import 방법 (13:20)
Chapter 06. 클래스와 인스턴스 - 01. 클래스 & 오브젝트(object) 이해하기 (4:21)
Chapter 06. 클래스와 인스턴스 - 02. 클래스 정의 및 사용하기 (7:28)
Chapter 06. 클래스와 인스턴스 - 03. 생성자(__init__) 이해 및 사용하기 (10:12)
Chapter 06. 클래스와 인스턴스 - 04. self 키워드의 이해 및 사용하기 (7:00)
Chapter 06. 클래스와 인스턴스 - 05. method, static method 정의 및 사용하기 (12:27)
Chapter 06. 클래스와 인스턴스 - 06. 클래스 상속의 이해 (코드를 재사용하기 2) (14:39)
Chapter 06. 클래스와 인스턴스 - 07. 클래스 연산자 재정의 이해 및 사용 (17:59)
Chapter 06. 클래스와 인스턴스 - 08. 클래스 연습문제 풀이 (13:28)
Chapter 07. 정규표현식 - 01. 정규표현식과 re모듈의 사용 - 1 (21:34)
Chapter 07. 정규표현식 - 02. 정규표현식과 re모듈의 사용 - 2 (19:59)
Chapter 07. 정규표현식 - 03. 정규표현식과 re모듈의 사용 - 3 (16:58)
Chapter 07. 정규표현식 - 04. 정규표현식 연습문제 풀이 (7:29)
[Python] PART 2) 데이터 수집을 위한 Python ( Crawling )
Chapter 01. 웹 기본 지식 이해하기 - 01. 개발자도구(chrome)을 이용하여 웹 페이지 분석하기 (9:00)
Chapter 01. 웹 기본 지식 이해하기 - 02. HTTP method(GET, POST) 이해하기 (6:26)
Chapter 01. 웹 기본 지식 이해하기 - 03. HTML 엘레멘트 이해하기(태그, 속성, 값) (6:15)
Chapter 02. API의 활용 - 01. requests 모듈 사용하기(HTTP 통신) (13:58)
Chapter 02. API의 활용 - 02. Open API를 활용하여 json 데이터 추출하기(공공데이터 api) (16:21)
Chapter 03. beautifulsoup 모듈 - 01. beautifulsoup 모듈 사용하여 HTML 파싱하기(parsing) (14:38)
Chapter 03. beautifulsoup 모듈 - 02. id, class 속성을 이용하여 원하는 값 추출하기 (12:03)
Chapter 03. beautifulsoup 모듈 - 03. CSS를 이용하여 원하는 값 추출하기 (12:30)
Chapter 03. beautifulsoup 모듈 - 04. 정규표현식을 이용하여 원하는 값 추출하기 (5:59)
Chapter 04. selenium 모듈 - 01. 사이트에 로그인하여 데이터 크롤링하기 (16:12)
Chapter 04. selenium 모듈 - 02. selenium 모듈로 웹사이트 크롤링하기 (13:18)
Chapter 04. selenium 모듈 - 03. 웹사이트의 필요한 데이터가 로딩 된 후 크롤링하기 (5:47)
Chapter 04. selenium 모듈 - 04. 실전 웹 크롤링 연습문제 풀이 (20:01)
[Python] PART 3) 데이터 처리를 위한 Python ( Numpy )
Chapter 01. Numpy 모듈이해 - 01. numpy 모듈 & ndarray 이해하기 (7:12)
Chapter 01. Numpy 모듈이해 - 02. ndarray 데이터 생성하기(numpy 모듈 함수 이용) (12:59)
Chapter 01. Numpy 모듈이해 - 03. ndarray 데이터 생성하기(random 서브 모듈 함수 이용)- (14:49)
Chapter 01. Numpy 모듈이해 - 04. ndarray 인덱싱 & 슬라이싱 이해하기 (15:28)
Chapter 01. Numpy 모듈이해 - 05. ndarray 데이터 형태를 바꿔보기(reshape, flatten 등 함수 이용) (12:23)
Chapter 02. 내장함수의 활용 - 01. ndarray 기본 함수 사용하기 (17:00)
Chapter 02. 내장함수의 활용 - 02. axis(축) 이해 및 axis를 파라미터로 갖는 함수 활용하기 (13:35)
Chapter 02. 내장함수의 활용 - 03. Boolean indexing으로 조건에 맞는 데이터 선택하기 (11:00)
Chapter 02. 내장함수의 활용 - 04. broadcasting 이해 및 활용하기 (9:49)
Chapter 03 - linalg 서브모듈 사용하여 선형대수 연산하기 (7:14)
Chapter 04. 데이터 시각화 - 01. ndarray 데이터를 이용하여 다양한 그래프 표현하기 (19:37)
Chapter 04. 데이터 시각화 - 02. numpy 연습문제 풀이 (14:47)
[Python] PART 4) 데이터 분석을 위한 python (Pandas)
Chapter 01. Pandas 이해 - 01. pandas 모듈 설치 (4:14)
Chapter 02. Series 타입의 이해 - 01. Series 데이터 생성하기 (11:55)
Chapter 02. Series 타입의 이해 - 02. Series 데이터 심플 분석 (개수, 빈도 등 계산하기) (9:35)
Chapter 02. Series 타입의 이해 - 03. Series 데이터 연산하기 (5:41)
Chapter 02. Series 타입의 이해 - 04. Series 데이터 Boolean Selection으로 데이터 선택하기 (6:53)
Chapter 02. Series 타입의 이해 - 05. Series 데이터 변경 & 슬라이싱하기 (8:30)
Chapter 03. DataFrame 타입의 이해 - 01. DataFrame 데이터 살펴보기 (6:45)
Chapter 03. DataFrame 타입의 이해 - 02. DataFrame 구조 이해하기 (3:36)
Chapter 03. DataFrame 타입의 이해 - 03. DataFrame 데이터 생성하기 (5:25)
Chapter 03. DataFrame 타입의 이해 - 04. 샘플 csv 데이터로 DataFrame 데이터 생성하기 (7:35)
Chapter 03. DataFrame 타입의 이해 - 05. DataFrame 원하는 column(컬럼)만 선택하기 (4:31)
Chapter 03. DataFrame 타입의 이해 - 06. DataFrame 원하는 row(데이터)만 선택하기 (8:07)
Chapter 03. DataFrame 타입의 이해 - 07. DataFrame Boolean Selection으로 데이터 선택하기 (3:46)
Chapter 03. DataFrame 타입의 이해 - 08. DataFrame에 새 column(컬럼) 추가 & 삭제하기 (7:57)
Chapter 03. DataFrame 타입의 이해 - 09. DataFrame column(컬럼)간 상관관계 계산하기 (3:22)
Chapter 03. DataFrame 타입의 이해 - 10. DataFrame NaN 데이터 처리 (12:16)
Chapter 03. DataFrame 타입의 이해 - 11. 숫자 데이터와 범주형 데이터의 이해 (3:37)
Chapter 03. DataFrame 타입의 이해 - 12. 숫자 데이터의 범주형 데이터화 (6:40)
Chapter 03. DataFrame 타입의 이해 - 13. 범주형 데이터 전처리 하기(one-hot encoding) (6:13)
Chapter 04. DataFrame의 그룹핑 - 01. DataFrame group by 이해하기 (19:02)
Chapter 04. DataFrame의 그룹핑 - 02. transform 함수의 이해 및 활용하기 (5:09)
Chapter 04. DataFrame의 그룹핑 - 03. pivot, pivot_table 함수의 이해 및 활용하기 (8:02)
Chapter 04. DataFrame의 그룹핑 - 04. stack, unstack 함수의 이해 및 활용하기 (5:22)
Chapter 05. DataFrame의 병합과 조인 - 01. Concat 함수로 데이터 프레임 병합하기 (4:48)
Chapter 05. DataFrame의 병합과 조인 - 02. Merge & join 함수로 데이터 프레임 병합하기 (13:12)
[Machine learning] PART 1) Machine learning의 개념과 종류
Chapter 01. MachineLearning이란 무엇인가? - 01. Machine Learning의 개념 (11:22)
Chapter 01. MachineLearning이란 무엇인가? - 02. 지도학습과 비지도학습 (7:09)
Chapter 01. MachineLearning이란 무엇인가? - 03. Machine Learning의 종류 (15:39)
Chapter 01. MachineLearning이란 무엇인가? - 04. 딥러닝 주요 모델 - 1 (10:35)
Chapter 01. MachineLearning이란 무엇인가? - 05. 딥러닝 주요 모델 - 2 (15:38)
Chapter 01. MachineLearning이란 무엇인가? - 06. 모형의 적합성 평가 및 실험설계 - 1 (13:42)
Chapter 01. MachineLearning이란 무엇인가? - 07. 모형의 적합성 평가 및 실험설계 - 2 (14:06)
Chapter 01. MachineLearning이란 무엇인가? - 08. 과적합(Overfitting)이란 (11:55)
[Machine learning] PART 2) 회귀분석
Chapter 02. 회귀분석을 위한 수학 - 01. 수학적 개념 이해 - 통계학 개념, 자료의 종류, 자료의 요약 (10:34)
Chapter 02. 회귀분석을 위한 수학 - 02. 수학적 개념 이해 - 기술통계량, 추정량 (16:38)
Chapter 02. 회귀분석을 위한 수학 - 03. 수학적 개념 이해 - 확률의 기초 (15:28)
Chapter 02. 회귀분석을 위한 수학 - 04. 수학적 개념 이해 - 확률 변수, 확률 분포 (11:36)
Chapter 02. 회귀분석을 위한 수학 - 05. 수학적 개념 이해 - 이산형 확률 분포, 연속형 확률 분포 (13:48)
Chapter 02. 회귀분석을 위한 수학 - 06. 수학적 개념 이해 - 추정, 추론 (17:17)
Chapter 02. 회귀분석을 위한 수학 - 07. 수학적 개념 이해 - 유의확률 (7:29)
Chapter 02. 회귀분석을 위한 수학 - 08. 수학적 개념 이해 - 검정통계량의 분포 (8:36)
Chapter 02. 회귀분석을 위한 수학 - 09. 수학적 개념 이해 - 미분의 개념 (15:47)
Chapter 02. 회귀분석을 위한 수학 - 10. 수학적 개념 이해 - Likelihood, 확률분포함수 (9:31)
Chapter 02. 회귀분석을 위한 수학 - 11. 수학적 개념 이해 - MLE 개념 (7:56)
Chapter 02. 회귀분석을 위한 수학 - 12. 수학적 개념 이해 - MLE 계산방법 (12:52)
Chapter 02. 회귀분석을 위한 수학 - 13. Matrix 정의 및 성질 (16:26)
Chapter 02. 회귀분석을 위한 수학 - 14. 수학적 개념 이해 - Matrix 미분 기초 (12:29)
Chapter 02. 회귀분석을 위한 수학 - 15. 수학적 개념 이해 - 주요 Matrix 미분 결과 및 증명 (10:43)
Chapter 02. 회귀분석을 위한 수학 - 16. 수학적 개념 이해 - 주요 Matrix 미분 결과 정리 (10:44)
Chapter 02. 회귀분석을 위한 수학 - 17. 수학적 개념 이해 - Matrix 미분의 회귀분석에의 활용 (17:02)
Chapter 03. 단순선형회귀분석 - 01. 회귀분석이란 (7:18)
Chapter 03. 단순선형회귀분석 - 02. 회귀계수를 추정하는 방법 (13:13)
Chapter 03. 단순선형회귀분석 - 03. 회귀계수의 의미 (12:29)
Chapter 03. 단순선형회귀분석 - 04. 회귀계수에 대한 검정 (9:36)
Chapter 03. 단순선형회귀분석 - 단순선형회귀 적합 및 해석 (실습영상) (21:58)
Chapter 04. 다중선형회귀분석 - 01. 다중선형회귀분석에 대한 개념 (10:02)
Chapter 04. 다중선형회귀분석 - 02. 다중선형회귀분석의 회귀계수 (10:17)
Chapter 04. 다중선형회귀분석 - 다중회귀분석 적합 및 단순선형회귀와의 비교 (실습영상) (13:34)
Chapter 04. 다중선형회귀분석 - 03. 다중공선성이란 무엇인가 (8:23)
Chapter 04. 다중선형회귀분석 - 04. 다중공선성 진단 방법 (10:22)
Chapter 04. 다중선형회귀분석 - 05. 회귀모델의 성능지표 (7:08)
Chapter 04. 다중선형회귀분석 - 06. 모델의 성능지표 (13:08)
Chapter 04. 다중선형회귀분석 - 다중회귀 모델 해석 및 다중공선성진단 - 1 (실습영상) (16:32)
Chapter 04. 다중선형회귀분석 - 다중회귀 모델 해석 및 다중공선성진단 - 2 (실습영상) (16:40)
Chapter 04. 다중선형회귀분석 - 07. 변수선택법 (8:49)
Chapter 04. 다중선형회귀분석 - 08. 교호작용 (6:31)
Chapter 04. 다중선형회귀분석 - 09. 다중회귀모형에 대한 검증 (13:06)
Chapter 04. 다중선형회귀분석 - 10. 다항회귀분석 (6:20)
Chapter 04. 다중선형회귀분석 - 변수선택법을 통한 다중회귀분석 - 1 (실습영상) (23:27)
Chapter 04. 다중선형회귀분석 - 변수선택법을 통한 다중회귀분석 - 2 (실습영상) (23:25)
Chapter 05. 로지스틱 회귀분석 - 01. 로지스틱 회귀분석 이란 (6:53)
Chapter 05. 로지스틱 회귀분석 - 02. 로지스틱 회귀계수 추정법과 해석 (8:16)
Chapter 05. 로지스틱 회귀분석 - 로지스틱 회귀모델 적합 및 해석 (실습영상) (23:34)
Chapter 06. 회귀계수 축소법 - 01. 회귀계수를 축소하는 이유 (6:55)
Chapter 06. 회귀계수 축소법 - 02. 회귀계수 축소법의 종류와 차이점 - 1 (8:39)
Chapter 06. 회귀계수 축소법 - 03. 회귀계수 축소법의 종류와 차이점 - 2 (13:26)
Chapter 05. 로지스틱 회귀분석 - Lasso, Ridge 적합 및 로지스틱회귀와 비교 (실습영상) (16:26)
Chapter 06. 회귀계수 축소법 - 04. Feature selection 정리 (11:10)
Chapter 07. PCA - 01. 차원축소 (11:17)
Chapter 07. PCA - 02. 공분산 행렬의 이해 (9:25)
Chapter 07. PCA - 03. Principal Conponents의 이해 (6:41)
Chapter 07. PCA - 04. 수학적 개념 이해 - 행렬식, 행렬식의 기하학적 의미 (11:25)
Chapter 07. PCA - 05. 수학적 개념 이해 - 행렬식과 역행렬의 관계 (5:37)
Chapter 07. PCA - 06. 수학적 개념 이해 - Eigen vector, eigen value 정의와 의미 (6:22)
Chapter 07. PCA - 07. 수학적 개념 이해 - Eigen vector, eigen value 계산 (16:43)
Chapter 07. PCA - 08. 수학적 개념 이해 - Singular Value Decomposition (SVD) (14:42)
Chapter 07. PCA - 09. PCA 수행과정 및 수학적 개념 적용 (11:54)
Chapter 07. PCA - 10. PCA의 심화적 이해 (11:48)
Chapter 07. PCA - 11. Kernel PCA (12:37)
Chapter 07. PCA - 데이터 전처리 및 데이터 파악 (실습영상) (17:38)
Chapter 07. PCA - PCA 함수 활용 및 아웃풋 의미 파악 (실습영상) (11:48)
Chapter 07. PCA - PC를 활용한 회귀분석 (실습영상) (12:00)
[Machine learning] PART 3) 기본적인 Machine Learning 모형
Chapter 08. 나이브 베이즈 - 01. Naïve bayes classifier 배경 (8:01)
Chapter 08. 나이브 베이즈 - 02. 수학적 개념 이해 - 조건부 확률, Bayes 정리 (13:35)
Chapter 08. 나이브 베이즈 - 03. Naïve Bayes classifier 정의 (11:46)
Chapter 08. 나이브 베이즈 - 04. Naïve bayes 종류 및 이해 (7:50)
Chapter 08. 나이브 베이즈 - 05. Naïve bayes 프로그램 실습 (14:03)
Chapter 09. KNN - 01. k-Nearest Neighbor 배경 (10:50)
Chapter 09. KNN - 02. k-Nearest Neighbor 모델 정의 및 추정 (5:37)
Chapter 09. KNN - 03. 수학적 개념 이해 - Cross-validation (9:37)
Chapter 09. KNN - 04. KNN의 심화적 이해 (14:05)
Chapter 09. KNN - 05. KNN 프로그램 실습 (7:47)
Chapter 10. LDA - 01. Linear Discriminant Analysis 배경 (8:17)
Chapter 10. LDA - 02. 수학적 개념 이해 - 다변량 정규분포 (22:32)
Chapter 10. LDA - 03. LDA 모델 정의 및 추정 (9:56)
Chapter 10. LDA - 04. 수학적 개념 이해 - 사영 (Projection) (9:30)
Chapter 10. LDA - 05. 수학적 개념 이해 - 사영과 Eigen vector의 연관성 (5:49)
Chapter 10. LDA - 06. 수학적 개념 이해 - 수학적 개념과 LDA 총정리 (10:14)
Chapter 10. LDA - 07. LDA 심화적 이해 - Quadratic Discriminant Analysis (9:06)
Chapter 10. LDA - 08. LDA, QDA 프로그램 실습 (5:57)
Chapter 11. SVM - 01. Support Vector Machine 배경 (6:05)
Chapter 11. SVM - 02. 수학적 개념 이해 - Decision boundary, decision rule (3:35)
Chapter 11. SVM - 03. 수학적 개념 이해 - Lagrange multiplier (7:59)
Chapter 11. SVM - 04. SVM 정의 (12:20)
Chapter 11. SVM - 05. SVM 계산 및 Support vectors 이해 (8:53)
Chapter 11. SVM - 06. SVM 심화적 이해 (7:17)
Chapter 11. SVM - 07. One-Class SVM (7:42)
Chapter 11. SVM - 08. Support Vector Regression (6:33)
Chapter 11. SVM - 09. SVM 프로그램 실습 (8:32)
Chapter 12. 의사결정나무 - 01. 의사결정나무 배경 (10:21)
Chapter 12. 의사결정나무 - 02. 수학적 개념 이해 - 엔트로피 (10:52)
Chapter 12. 의사결정나무 - 03. 수학적 개념 이해 - Information Gain (11:22)
Chapter 12. 의사결정나무 - 04. Classification Tree 정의 및 계산 (8:42)
Chapter 12. 의사결정나무 - 05. Regression Tree 정의 및 계산 (6:49)
Chapter 12. 의사결정나무 - 06. 의사결정나무 구축 (20:42)
Chapter 12. 의사결정나무 - 07. 의사결정나무 프로그램 실습 - 1 (24:51)
Chapter 12. 의사결정나무 - 08. 의사결정나무 프로그램 실습 - 2 (19:07)
Chapter 13. 신경망 모형 - 01. 신경망 모형 배경 (8:53)
Chapter 13. 신경망 모형 - 02. 신경망 모형의 구조 이해 (7:18)
Chapter 13. 신경망 모형 - 03. 수학적 개념 이해 - 인조 뉴런 연산 (16:21)
Chapter 13. 신경망 모형 - 04. 인조 뉴런 OR 연산 구축 - 1 (5:59)
Chapter 13. 신경망 모형 - 04. 인조 뉴런 OR 연산 구축 - 2 (12:19)
Chapter 13. 신경망 모형 - 05. Backpropagation (역전파 알고리즘) - Step 0 (19:15)
Chapter 13. 신경망 모형 - 06. Backpropagation (역전파 알고리즘) - Step 1 (9:01)
Chapter 13. 신경망 모형 - 07. Backpropagation (역전파 알고리즘) - Step 2 (9:25)
Chapter 13. 신경망 모형 - 08. 딥러닝 발전 배경 - 신경망 모형의 한계점 (5:40)
Chapter 13. 신경망 모형 - 09. 딥러닝 발전 배경 - 해결책 (7:05)
Chapter 13. 신경망 모형 - 10. 신경망 모형의 심화적 이해 - 초기값, 과적합 (5:54)
Chapter 13. 신경망 모형 - 11. 신경망 모형의 심화적 이해 – 활성함수, 은닉노드 (16:55)
Chapter 13. 신경망 모형 - 12. 신경망 모형 프로그램 실습 (16:54)
[Machine learning] PART 4) 앙상블 기법의 종류와 원리
Chapter 14. Ensemble의 개념 - 01. Ensemble이란 - 1 (6:31)
Chapter 14. Ensemble의 개념 - 02. Ensemble이란 - 2 (8:06)
Chapter 14. Ensemble의 개념 - 03. Ensemble의 종류 (7:01)
Chapter 15. Bagging - 01. Bagging (7:36)
Chapter 15. Bagging - 02. Bagging 실습 ( for문을 이용하여 bagging알고리즘 작성 ) (24:32)
Chapter 15. Bagging - 03. Bagging 실습 ( 패키지를 이용한 bagging 실습 ) (17:06)
Chapter 16. RandomForest - 01. RandomForest (7:06)
Chapter 16. RandomForest - 02. RandomForest 실습 (14:18)
Chapter 17. Boosting - 01. Bootsing (5:57)
Chapter 17. Boosting - 02. Gradient Boosting (9:21)
Chapter 17. Boosting - 03. GradientBoosting의 종류 (14:29)
Chapter 17. Boosting - 04. Boosting 실습 ( Adaboost 실습 ) (8:19)
Chapter 17. Boosting - 05. Boosting 실습 ( Gradient Boosting 실습 ) (19:38)
Chapter 18. Stacking - 01. Stacking (10:26)
Chapter 18. Stacking - 02. Ensemble의 Ensemble (7:19)
Chapter 18. Stacking - 03. Ensemble의 Ensemble 실습 (10:40)
Chapter 18. Stacking - 04. Ensenble기법 review (8:48)
Chapter 19. Shap value - 01. 중요 변수 추출 방법 (11:26)
Chapter 19. Shap value - 02. Shap value 소개 (14:14)
Chapter 19. Shap value - 03. Shap value 실습 ( Shap value를 통한 모형 해석 ) (11:30)
Chapter 19. Shap value - 04. DS분야에서 Tree기반 모델이 쓰이는 이유 (12:09)
[Machine learning] PART 5) 클러스터링
Chapter 20. K-means - 01. Clustering이란 (6:22)
Chapter 20. K-means - 02. K-means clustering (5:57)
Chapter 20. K-means - 03. 최적의 K를 찾는법 (10:48)
Chapter 20. K-means - 04. K-medoid clustering (5:39)
Chapter 20. K-means - 05. K-medoid clustering 실습 (13:58)
Chapter 21. Hierarchical clustering - 01. Hierarchical clustering (7:37)
Chapter 21. Hierarchical clustering - 02. Hierarchical clustering 실습 (7:40)
Chapter 22. DBSCAN clustering - 01. DBSCAN clustering (12:07)
Chapter 22. DBSCAN clustering - 02. DBSCAN 실습 (12:48)
[Machine learning] PART 6) 불균형 데이터
Chapter 23. Class Imbalanced problem - 01. 데이터 분균형이란 (14:12)
Chapter 23. Class Imbalanced problem - 02. 데이터 불균형을 해결하기 위한 기법 (10:45)
Chapter 24. Oversampling - 01. Oversampling 기법 (8:54)
Chapter 24. Oversampling - 02. SMOTE변형 기법들 (10:36)
Chapter 24. Oversampling - 03. SMOTE 실습 - SMOTE 적용 (23:22)
Chapter 24. Oversampling - 04. SMOTE 실습 - 다양한 모델 적용 (12:12)
Chapter 24. Oversampling - 05. SMOTE 실습 - Ensemble 모델 적용 (25:46)
Chapter 25. Undersampling - 01. Undersampling 기법 (6:27)
Chapter 26. Hybrid resampling - 01. Hybrid resampling기법 (15:26)
[Machine learning] PART 7) 빅콘테스트 Review
Chapter 27. 빅데이터 경진대회 - 01. 야구 경기 예측 알고리즘 개발 ( 2015 빅콘테스트 수상 후기 ) (22:57)
Chapter 27. 빅데이터 경진대회 - 02. 대출연체자 예측 알고리즘 개발 - 1 ( 2017 빅콘테스트 수상 후기 ) (14:07)
Chapter 27. 빅데이터 경진대회 - 03. 대출연체자 예측 알고리즘 개발 - 2 ( 2017 빅콘테스트 수상 후기 ) (17:30)
Chapter 27. 빅데이터 경진대회 - 04. 게임이탈여부 예측 알고리즘 - 1 ( 2018 빅콘테스트 수상 후기 ) (21:19)
Chapter 27. 빅데이터 경진대회 - 05. 게임이탈여부 예측 알고리즘 - 2 ( 2018 빅콘테스트 수상 후기 ) (13:13)
Chapter 27. 빅데이터 경진대회 - 06. 게임이탈여부 예측 알고리즘 - 3 ( 2018 빅콘테스트 수상 후기 ) (19:05)
[Deep learning] 딥러닝
Chapter 01. Deep Learning - 01. Deep Learning의 이해 (18:01)
Chapter 01. Deep Learning - 02. Deep Learning의 시작과 현재 (19:38)
Chapter 01. Deep Learning - 03. Deep Learning Frameworks (12:54)
Chapter 01. Deep Learning - 04. 실습 환경 구축 (14:08)
Chapter 01. Deep Learning - 05. Tensorflow 2.0의 이해 (16:53)
Chapter 02. Neural Network Basics - 01. Perceptron (14:26)
Chapter 02. Neural Network Basics - 02. 활성 함수 (17:39)
Chapter 02. Neural Network Basics - 03. 손실 함수 (25:22)
Chapter 02. Neural Network Basics - 04. 신경망 구조 (12:57)
Chapter 02. Neural Network Basics - 05. Perceptron 구현 실습 (17:31)
Chapter 03. Optimization Algorithms - 01. 최적화 알고리즘의 이해 (13:02)
Chapter 03. Optimization Algorithms - 02. Gradient Descent (17:05)
Chapter 03. Optimization Algorithms - 03. 심화 최적화 알고리즘 (16:34)
Chapter 03. Optimization Algorithms - 04. Matplotlib 소개 (15:31)
Chapter 03. Optimization Algorithms - 05. Gradient Descent 최적화 구현 (9:36)
Chapter 03. Optimization Algorithms - 06. 알고리즘 결과 Visualization (14:27)
Chapter 04. Back Propagation - 01. 역전파 알고리즘의 필요성 (12:04)
Chapter 04. Back Propagation - 02. 역전파 알고리즘 - 1 (16:01)
Chapter 04. Back Propagation - 03. 역전파 알고리즘 - 2 (15:37)
Chapter 04. Back Propagation - 04. 역전파 알고리즘 - 3 (12:04)
Chapter 04. Back Propagation - 05. Vanishing Gradient Problem (13:24)
Chapter 04. Back Propagation - 06. Gradient without Back Propagation (27:44)
Chapter 04. Back Propagation - 07. Gradient with Back Propagation - 1 (12:48)
Chapter 04. Back Propagation - 08. Gradient with Back Propagation - 2 (14:53)
Chapter 05. Training Neural Network - 01. Mini-Batch 학습법 (9:12)
Chapter 05. Training Neural Network - 02. 데이터셋의 이해 (7:14)
Chapter 05. Training Neural Network - 03. 초매개변수 (9:14)
Chapter 05. Training Neural Network - 04. 뉴럴 네트워크 학습 알고리즘 구현 - 1 (15:22)
Chapter 05. Training Neural Network - 05. 뉴럴 네트워크 학습 알고리즘 구현 - 2 (18:18)
Chapter 06. Generalization - 01. 과소적합과 과대적합 (12:14)
Chapter 06. Generalization - 02. Drop-out (9:33)
Chapter 06. Generalization - 03. Overfitting 방지 실습 (22:01)
Chapter 07. Convolutional Neural Network - 01. Convolution (20:41)
Chapter 07. Convolutional Neural Network - 02. Convolutional Layer (15:49)
Chapter 07. Convolutional Neural Network - 03. Pooling Layer (11:54)
Chapter 07. Convolutional Neural Network - 04. Well-Known CNNs - 1 (8:03)
Chapter 07. Convolutional Neural Network - 05. Well-Known CNNs - 2 (13:13)
Chapter 07. Convolutional Neural Network - 06. CNN 학습 실습 (15:55)
Chapter 08. Recurrent Neural Network - 01. Vanilla RNN - 1 (12:38)
Chapter 08. Recurrent Neural Network - 02. Vanilla RNN - 2 (14:49)
Chapter 08. Recurrent Neural Network - 03. Long Short-Term Memory (16:01)
Chapter 08. Recurrent Neural Network - 04. Gated Recurrent Unit (11:48)
Chapter 08. Recurrent Neural Network - 05. LSTM 구현 실습 (16:57)
Chapter 09. Modern Neural Networks - 01. Batch Normalization (13:23)
Chapter 09. Modern Neural Networks - 02. Inception Network (9:36)
Chapter 09. Modern Neural Networks - 03. Residual Network (ResNet) (9:26)
Chapter 09. Modern Neural Networks - 04. DenseNet (8:25)
Chapter 09. Modern Neural Networks - 05. Pre-Trained Model과 Fine-Tunning (9:32)
Chapter 09. Modern Neural Networks - 06. Transfer Learning 실습 (18:35)
[실전 프로젝트] 광고 데이터를 활용한 데이터 분석 Project
Chapter 00. 정희석 강사님 소개 인터뷰 (5:24)
Chapter 01. 마케팅 데이터 분석 - 01. 마케팅 데이터 분석 툴로써의 파이썬 (11:39)
Chapter 01. 마케팅 데이터 분석 - 02. 데이터 분석을 위한 Domain Knowledge 알아보기 (8:46)
Chapter 01. 마케팅 데이터 분석 - 03. 시각화 라이브러리 matplotlib - 1 (13:58)
Chapter 01. 마케팅 데이터 분석 - 04. 시각화 라이브러리 matplotlib - 2 (14:00)
Chapter 02. 검색광고 데이터 분석 - 01. 데이터 전처리 실습 - 1 (11:50)
Chapter 02. 검색광고 데이터 분석 - 02. 데이터 전처리 실습 - 2 (13:18)
Chapter 02. 검색광고 데이터 분석 - 03. 판다스를 활용한 데이터 탐색 실습 (10:42)
Chapter 02. 검색광고 데이터 분석 - 04. 시각화를 통한 데이터 탐색 실습(선그래프) (12:04)
Chapter 02. 검색광고 데이터 분석 - 05. 검색광고데이터 - 키워드 분석 (15:49)
Chapter 02. 검색광고 데이터 분석 - 06. 검색광고데이터 - 광고그룹 분석 (21:15)
Chapter 03. 고객 데이터 분석 - 01. 데이터 소개 및 파이썬으로 데이터 불러오기 (7:59)
Chapter 03. 고객 데이터 분석 - 02. 판다스를 활용한 데이터 탐색 실습 (7:39)
Chapter 03. 고객 데이터 분석 - 03. 시각화를 통한 데이터 탐색 실습(히스토그램, 막대그래프) (15:12)
Chapter 03. 고객 데이터 분석 - 04. 데이터 분석 시나리오1 - groupby 활용 (12:20)
Chapter 03. 고객 데이터 분석 - 05. 데이터 분석 시나리오2 - pivot_table 활용 (13:31)
[실전 프로젝트] 쇼핑몰 주문 데이터를 활용한 데이터 분석 Project
Chapter 01. 미니 프로젝트 - 가상 쇼핑몰 고객 주문 데이터(컬럼, 로우) 확인하기 (13:17)
Chapter 01. 미니 프로젝트 - 매출, 가장 많이 팔린 아이템 확인하기 - 1 (11:50)
Chapter 01. 미니 프로젝트 - 매출, 가장 많이 팔린 아이템 확인하기 - 2 (10:31)
Chapter 01. 미니 프로젝트 - 매출, 가장 많이 팔린 아이템 확인하기 - 3 (12:54)
Chapter 01. 미니 프로젝트 - 우수고객 선별하기(가장 소비를 많이 한 고객), 고객 코호트 분석 - 1 (11:46)
Chapter 01. 미니 프로젝트 - 우수고객 선별하기(가장 소비를 많이 한 고객), 고객 코호트 분석 - 2 (10:41)
Chapter 01. 미니 프로젝트 - 데이터 기반으로 의사결정하기 - 푸쉬 노티피케이션 타임 (17:26)
[실전 프로젝트] 뉴욕(NYC) 택시 수요 예측 Project
Chapter 00. 강의 소개 (3:06)
Chapter 01. 모빌리티 산업의 이해 - 01. 모빌리티 산업과 다양한 회사소개 (14:10)
Chapter 01. 모빌리티 산업의 이해 - 02. 모빌리티에 존재하는 데이터 (8:23)
Chapter 01. 모빌리티 산업의 이해 - 03. 모빌리티에서 풀고 있는 다양한 문제들 (1) (12:02)
Chapter 01. 모빌리티 산업의 이해 - 04. 모빌리티에서 풀고 있는 다양한 문제들 (2) (10:48)
Chapter 02. BigQuery - 01. BigQuery 소개 및 환경설정 (16:44)
Chapter 02. BigQuery - 02. BigQuery 문법 정리 (23:24)
Chapter 03. 문제 정의 - 01. 문제 정의 (9:11)
Chapter 04. 데이터 EDA - 01. 데이터 시각화 (1) (26:11)
Chapter 04. 데이터 EDA - 02. 데이터 시각화 (2) (17:23)
Chapter 05. 데이터 전처리 - 모델링을 위한 기본 전처리 (11:21)
Chapter 06. 베이스라인 모델 - 01. 단순 회귀 (7:38)
Chapter 06. 베이스라인 모델 - 02. 반복 실험을 위한 Sacred (11:57)
Chapter 07. 추가 모델 - 01. XGBoost Regressor, LightGBM Regressor (7:26)
Chapter 07. 추가 모델 - 02. Random Forest Regressor 및 결과 분석 (11:48)
Chapter 07. 추가 모델 - 03. Feature Engineering & 모델 성능 측정 (19:58)
Chapter 08. Airflow - 01. Google Cloud Composer(Airflow) 소개 및 활용 방법 안내 (8:08)
Chapter 08. Airflow - 02. Train, Predict 코드 분리 (13:04)
Chapter 08. Airflow - 03. Google Composer 인스턴스 생성 및 Train, Predict DAG 생성하기 (21:40)
Chapter 09. 마무리 - 01. 프로젝트를 개선할 Idea (11:45)
Chapter 09. 마무리 - 02. 모빌리티 관련 논문 소개 및 공부 방향 제시 (8:21)
[실전 프로젝트] 텍스트마이닝을 활용한 카카오톡 대화분석
Chapter 01. 텍스트마이닝 - 01. 텍스트마이닝 정의 (8:03)
Chapter 02. 텍스트마이닝 훑어보기 - 01. 텍스트데이터 수집 (20:50)
Chapter 02. 텍스트마이닝 훑어보기 - 02. 텍스트데이터 전처리 (19:53)
Chapter 02. 텍스트마이닝 훑어보기 - 03. 텍스트 가공 (18:37)
Chapter 02. 텍스트마이닝 훑어보기 - 04. 텍스트 분석 (12:18)
Chapter 02. 텍스트마이닝 훑어보기 - 05. 텍스트 시각화 (14:23)
Chapter 03. 텍스트마이닝 심화 - 01. 워드 임베딩 - 1 (16:56)
Chapter 03. 텍스트마이닝 심화 - 02. 워드 임베딩 - 2 (21:42)
Chapter 04. 네이버 기사 - 01. 네이버 오픈 API 등록 (8:02)
Chapter 04. 네이버 기사 - 02. 네이버 기사 크롤러 만들기 - 1 (23:04)
Chapter 04. 네이버 기사 - 03. 네이버 기사 크롤러 만들기 - 2 (17:59)
Chapter 05. 기사 텍스트 정제 - 01. konlpy 설치하기 (MAC 용) (23:16)
Chapter 05. 기사 텍스트 정제 - 02. konlpy 설치하기 (WINDOWS 용) (33:40)
Chapter 05. 기사 텍스트 정제 - 03. konlpy가 지원하는 형태소 분석기 비교 (17:58)
Chapter 05. 기사 텍스트 정제 - 04. konlpy가 지원하는 형태소 분석기 비교 (WINDOWS 용) (21:14)
Chapter 05. 기사 텍스트 정제 - 05. 형태소 추출기 만들기 (17:58)
Chapter 06. 네이버 기사 토픽 - 01. 토픽모델링(Topic Modeling) (31:13)
Chapter 06. 네이버 기사 토픽 - 02. gensim을 이용한 토픽모델링 분석 - 1 (23:13)
Chapter 06. 네이버 기사 토픽 - 03. gensim을 이용한 토픽모델링 분석 - 2 (24:43)
Chapter 07. NSMC 데이터 - 01. Naver Sentiment Moive Corpus (NSMC) 데이터 가져오기 (9:32)
Chapter 08. NSMC 정제 - 01. nsmc 텍스트 정제하기 (18:46)
Chapter 08. NSMC 정제 - 02. wordcloud와 histogram으로 단어 분포 파악하기 (16:37)
Chapter 09. NSMC 감성분석 - 01. 감정 분석(Sentiment Analysis) (11:55)
Chapter 09. NSMC 감성분석 - 02. 텍스트 분류(Text Classification) (10:08)
Chapter 10. 머신러닝 - 01. scikit-learn의 linear classifier를 이용한 감정분석 (22:08)
Chapter 10. 머신러닝 - 02. scikit-learn의 support vector machine을 이용한 감정분석 (11:40)
Chapter 10. 머신러닝 ( 딥러닝 ) - 03. 텍스트 분석으로 딥러닝 사용하기 (9:54)
Chapter 10. 머신러닝 ( 딥러닝 ) - 04. LSTM을 이용한 감정분석 - 1 (14:40)
Chapter 10. 머신러닝 ( 딥러닝 ) - 05. LSTM을 이용한 감정분석 - 2 (21:29)
Chapter 11. 데이터 가져오기 - 01. PC 카카오톡에서 대화 내용 가져오기 (5:32)
Chapter 12. 카카오톡 대화내용 분석하기 - 01. 대화내용 정제하기 - 1 (13:15)
Chapter 12. 카카오톡 대화내용 분석하기 - 02. 대화내용 정제하기 - 2 (14:46)
Chapter 12. 카카오톡 대화내용 분석하기 - 03. 사용자별 빈도 분석 (17:17)
Chapter 12. 카카오톡 대화내용 분석하기 - 04. 시간대별 빈도 분석 (17:15)
Chapter 13. 사용자별 토픽 분석하기 - 01. LDA에서 Author Topic Model로 (8:27)
Chapter 13. 사용자별 토픽 분석하기 - 02. Author Topic Model을 이용한 사용자별 대화분석 (20:26)
Chapter 14. 시간대별 토픽 분석하기 - 01. LDA에서 Dynamic Topic Model로 (8:54)
Chapter 14. 시간대별 토픽 분석하기 - 02. Dynamic Topic Model을 이용한 시간대별 토픽 변화 분석 (19:35)
Chapter 15. 토픽 모델링 결과 검증하기 - 01. Author Topic Model 평가하기 - 1 (12:09)
Chapter 15. 토픽 모델링 결과 검증하기 - 02. Author Topic Model 평가하기 - 2 (11:08)
Chapter 15. 토픽 모델링 결과 검증하기 - 03. Dynamic Topic Model 평가하기 - 1 (16:35)
Chapter 15. 토픽 모델링 결과 검증하기 - 04. Dynamic Topic Model 평가하기 - 2 (24:23)
Chapter 15. 토픽 모델링 결과 검증하기 - 05. 토픽 모델링 방법 비교하기 (LDA vs DTM) (15:56)
Chapter 16. 딥러닝을 이용한 대화분석 - 자연어처리를 위한 딥러닝 1. RNN, LSTM (11:56)
Chapter 16. 딥러닝을 이용한 대화분석 - 자연어처리를 위한 딥러닝 2-1. word2vec, Glove (18:10)
Chapter 16. 딥러닝을 이용한 대화분석 - 자연어처리를 위한 딥러닝 2-2. FastText, ELMo (14:44)
Chapter 16. 딥러닝을 이용한 대화분석 - 자연어처리를 위한 딥러닝 3. Attention Is All You Need (20:37)
Chapter 16. 딥러닝을 이용한 대화분석 - 자연어처리를 위한 딥러닝 4. BERT (24:09)
Chapter 16. 딥러닝을 이용한 대화분석 - 자연어처리를 위한 딥러닝 5. pretrained BERT를 사용하는 방법 (17:58)
Chapter 16. 딥러닝을 이용한 대화분석 - 자연어처리를 위한 딥러닝 6. BERT를 이용한 자연어 처리 응용 사례 (16:27)
[실전 프로젝트] 의류직물 불량 검출을 위한 이미지 분석
Chapter 01. 제조공정 분야 - 01. 공정 검사의 현재 (11:16)
Chapter 01. 제조공정 분야 - 02. 공정 검사와 딥러닝 (17:16)
Chapter 01. 제조공정 분야 - 03. 딥러닝 실무 개요 (5:32)
Chapter 01. 제조공정 분야 - 04. 실습 환경 준비 (9:12)
Chapter 01. 제조공정 분야 - 05. 문제 정의하기 (11:22)
Chapter 01. 제조공정 분야 - 06. 스펙 결정하기 (14:54)
Chapter 01. 제조공정 분야 - 07. 실행 가능성 확인하기 - 1 (19:02)
Chapter 01. 제조공정 분야 - 08. 실행 가능성 확인하기 - 2 (14:06)
Chapter 01. 제조공정 분야 - 09. 알고리즘 설계하기 (14:24)
Chapter 01. 제조공정 분야 - 10. 데이터 정리하기 (17:56)
Chapter 01. 제조공정 분야 - 11. 모델 학습 및 검증하기 - 1 (11:49)
Chapter 01. 제조공정 분야 - 12. 모델 학습 및 검증하기 - 2 (14:06)
Chapter 02. Neural Network Basics - 03. 손실 함수
Lesson content locked
If you're already enrolled,
you'll need to login
.
Enroll in Course to Unlock