패스트캠퍼스 환급챌린지 41일차 : Part3. 인공지능의 이해 Lv2 : 숲을 보는 인공지능

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스

Ch05-10 알고 있으면 쓸모있는 AI지식 - 시스템 관점의 인공지능의 이해
1) 머신러닝 라이프사이클
- 문제정의 -> 수집 & 전처리 -> 학습 -> 배포
ㄱ. 문제 정의
: 머신 러닝으로 해결이 가능한가
: 데이터 수집이 가능한가
: 하드웨서/소프트웨어, 인력, 일정이 가용가능한가
: 평가기준은 어떻게 잡을 것인가
ㄴ. 수집 & 전처리
: 적합한 데이터의 수집, 라벨링, 비주얼라이제이션
ㄷ. 학습
: 모델의 설계, 데이터 학습, 모델평가, 모델의 성능평가
ㄹ. 배포
: 모델의 배포, 모델링, 모델 유지보수
2) AI프로젝트 구성
- AI 서비스 기획
- 데이터 관리/분석
- AI모델러
- AI서비스 개발

Part4. 인공지능의 이해 Lv3 : 인공지능의 이해를 바탕으로 한 실습
Ch01-01 실습환경 이해하기
- Google의 Colab을 사용 (크롬 권장)
: 클라우드 기반의 노트북 환경 (노트북 환경은 텍스트 이미지 동영상 등 다양한 포맷의 데이터을 입력하고 실행할 수 있는 환경)
: GPU / TPU 무료 사용
: 머신러닝 / 딥러닝 기본 패키지가 설치되있음
: Github, 구글 드라이브와 연동 가능
- 노트북 환경은 코드를 작성하고 실행할 수 있는 코드셀과 마크다운 언어를 사용할 수 있는 마크다운 셀로 구분됨
- .py vs .ipyn
: py는 파이썬의 기본 확장자로, ipyn은 노트북 환경에수 작성된 파이썬 코드를 말함. 마크다운셀은 주석으로 표현됨
- 파일 업로드가 가능하지만 세션이 유지되는 동안만 파일이 유지됨

Ch02-01 제조데이타의 분류기 실습- 문제점의 정의 및 데이터의 이해
- 이진 분류 모델을 사용
- sklearn 모델 사용 및 분류기에서 사용가능한 주요 성능 지표의 이해를 목표로함
- 기본적으로 ai 모델을 만들 때 numpy, pandas, matplotlib, seaborn을 임포트해서 사용
: numpy 는 numpy, numpy array의 생성 및 연산에 사용
: pandas는 데이터 프레임구조를 사용, 데이터 조작과 관련된 api를 제공함
: matplotlib, seaborn은 데이터 시각화에 사용
- 머신러닝 개발과정
1) 데이터 분할 : trainset, testset으로 분할해야하는데 sklearn의 train_test_split 을 사용하면 됨
2) 모델 인스턴스 생성 : 의사결정트리분류사용
3) 모델학습 : fit(x,y) -> x 독립변수를 y타겟에 맞춤
4) 모델평가 : accuracy -> 정답을 맞힌 수 사용