요약☆

1. 머신러닝의 기초
   • 머신러닝의 기본, 개념
2. 회귀분석
   • 가장 설명을 잘하는 직선을 그리는 법 - 선형회귀
   • 실제 값과 예측 값의 오차를 계산하라 - Mean Squared Error
3. 분류분석
   • 특정 범주에 대한 확률 예측하기 - 로지스틱회귀
   • 맞춘 것에 대한 지표: 정확도, f1_score
4. 데이터 분석 프로세스
   • 데이터 수집 → 전처리 → 모델링 → 평가
5. 회귀, 분류 모델링 심화
   • 의사결정을 기반으로 한 모델 - 의사결정나무
   • 나무를 여러 개 만들어서 다수결 원칙을 사용하자 - 랜덤포레스트
   • 유유사종의 원리로 예측하자 - KNN
   • 약한 학습기를 여러 개 합치자 - 부스팅 모델
6. 비지도학습
   • 만약 Y(정답이 없다면) 특성을 이용해 그룹화 하자 - K-means 군집화
7. 인공 신경망
   • 사람의 신경세포를 모방한 네트워크 - 인공 신경망

데이터 직군별 머신러닝 활용 방안

1. Data Engineer
   • 역할
     • 데이터 Extract(추출), transform(변환), Load(적재) 및 데이터 파이프라인 관리
     • Workflow 과정 자동화
   • ML/DL 활용 낮음
2. Machine Learning Engineer
   • 역할
     • 데이터를 기반으로 모델 최적화
     • 개발한 모델을 실제 운영에 배포, 성능 평가, 유지 보수
   • ML/DL 활용 필수
3. AI Researcher
   • 역할
     • 머신러닝/딥러닝 모델을 논문을 통해 읽고 구현
     • 논문 작성 및 발표
   • ML/DL 활용 필수
4. Data Analyst
   • 역할
     • 데이터 분석 및 인사이트 도출
     • 보고서 작성 및 데이터 시각화
     • ex) A/B test, 유저분석을 통해서 PM/PO/대표를 보고&설득
   • ML/DL 활용 중간: 고객 세분화(클러스터링), 고객 이탈 분석(판매량 예측), 텍스트 분석(자연어 처리를 이용한 리뷰 분석)