머신러닝 단기집중과정

Google의 실용적인 머신러닝 입문 과정으로, 동영상 강의, 대화형 시각화, 실습이 포함된 일련의 수업이 제공됩니다.
단기집중과정 시작하기 과정 모듈 둘러보기 기본 요건 보기

과정 모듈

머신러닝 단기집중과정 모듈은 모두 독립되어 있으므로 이전에 머신러닝 경험이 있는 경우 배우고 싶은 주제로 바로 건너뛸 수 있습니다. 머신러닝을 처음 접하는 경우 아래 순서대로 모듈을 완료하는 것이 좋습니다.

ML 모델

이 모듈에서는 회귀 및 분류 빌드의 기본사항을 다룹니다. 모델을 학습시키는 작업도 반복해야 합니다

선형 회귀를 소개하며 선형 모델, 손실, 경사하강법, 초매개변수 조정을 다룹니다.
주어진 결과의 확률을 예측하도록 ML 모델을 설계하는 로지스틱 회귀를 소개합니다.
임곗값, 혼동 행렬과 정확성, 정밀도, 재현율, AUC 등의 측정항목을 다루는 이진 분류 모델을 소개합니다.

데이터

이 모듈에서는 머신러닝 데이터 작업에 사용되는 기본적인 기법과 권장사항을 다룹니다.

숫자 데이터를 분석하고 변환하여 ML 모델을 보다 효과적으로 학습시키는 방법을 알아봅니다.
범주형 데이터 작업의 기본사항을 알아봅니다. 범주형 데이터를 수치 데이터와 구분하는 방법, 원-핫 인코딩, 특성 해싱, 평균 인코딩을 사용하여 범주형 데이터를 수치로 표현하는 방법, 특성 교차를 수행하는 방법을 알아봅니다.
머신러닝 데이터 세트의 특성과 모델을 학습시키고 평가할 때 고품질 결과를 보장하기 위해 데이터를 준비하는 방법을 소개합니다.

고급 ML 모델

이 모듈에서는 고급 ML 모델 아키텍처를 다룹니다.

퍼셉트론, 히든 레이어, 활성화 함수를 포함한 신경망 아키텍처의 기본 원칙을 소개합니다.
임베딩을 사용하여 대규모 특성 벡터에서 머신러닝을 수행하는 방법을 알아봅니다.
신규
토큰부터 Transformer까지 대규모 언어 모델을 소개합니다. LLM이 텍스트 출력을 예측하는 방법과 LLM의 설계 및 학습 방법에 관한 기본사항을 알아보세요.

실제 ML

이 모듈에서는 프로덕션화 권장사항, 자동화, 책임감 있는 엔지니어링 등 실제 환경에서 ML 모델을 빌드하고 배포할 때 고려해야 할 중요한 사항을 다룹니다.

다양한 구성요소에서 머신러닝 프로덕션 시스템이 작동하는 방식을 알아보세요.
신규
자동화된 머신러닝 사용에 관한 원칙과 권장사항을 알아봅니다.
데이터의 편향을 식별하고 완화하기 위한 전략을 포함하여 ML 모델의 공정성을 감사하기 위한 원칙과 권장사항을 알아봅니다.