강좌소개
데이터 기반 문제 해결을 위해 지식발견 머신러닝의 이론과 실제 데이터 분석 모델을 살펴볼 수 있다.
강좌 상세페이지 배경
참여기관 목록
강좌소개
학습목표
데이터 기반 문제 해결을 위해 지식발견 과정과 머신러닝의 이론 및 알고리즘을 이해하고, 다양한 실제 데이터를 분석하여 적절한 모델을 선택·평가·적용할 수 있는 능력을 기르는 것을 목표로 합니다.
강좌 운영일정
- 수강 신청 기간 : 2026년 2월 23일(월) - 6월 12일(금)
- 강좌 운영 기간 : 2026년 2월 23일(월) - 6월 30일(화)
이수 및 평가기준
- 중간 40점, 기말 40점, 퀴즈 20점(60점이상 충족 시 이수증 발급)
수업계획서
주차 | 주차명(주제) | 차시 | 차시명(학습내용) | 평가방법 |
1 | 개요 | 1 | 지식발견(KDD) 프로세스 소개 |
|
2 | 머신러닝이란 무엇인가 |
| ||
3 | 머신러닝과 KDD의 관계 및 응용 사례 |
| ||
2 | 데이터 분비 | 1 | 데이터 유형과 특성 |
|
2 | 결측지, 이상치 처리 |
| ||
3 | 정규화 및 표준화 |
| ||
3 | 특성과 차원 | 1 | 특성 선택(Feature Selection) |
|
2 | 특성 추출(Feature Extraction) |
| ||
3 | 차원 축소 기법(PCA, t-SNE 등) |
| ||
4 | 지도학습 개념 | 1 | 지도학습과 비지도학습의 비교 |
|
2 | 데이터 분할: 학습, 검증, 테스트 |
| ||
3 | 성능 평가 지표(정확도, 정밀도 등) |
| ||
5 | 결정트리와 k-NN | 1 | 결정트리 개념과 가지치기 |
|
2 | k-최근접 이웃 알고리즘 |
| ||
3 | 간단한 분류 실습 |
| ||
6 | SVM과 베이즈 | 1 | 서포트 벡터 머신(SVM) |
|
2 | 나이브 베이즈 분류기 |
| ||
3 | 분류기 성능 비교 |
| ||
7 | 앙상블 학습 | 1 | 배깅과 부스팅 |
|
2 | 랜덤 포레스트 |
| ||
3 | 그래디언트 부스팅(XGBoost 등) |
| ||
8 | 중간 | |||
9 | 회귀 분석 | 1 | 선형 회귀와 다항 회귀 |
|
2 | 정규화 회귀(Ridge, Lasso) |
| ||
3 | 회귀 성능 평가 |
| ||
10 | 군집화 기법 | 1 | K-평균 군집화 |
|
2 | 계층적 군집화 |
| ||
3 | DBSCAN과 밀도 기반 군집화 |
| ||
11 | 연관 규칙 | 1 | 연관 규칙과 지지도/신뢰도 |
|
2 | Apriori 알고리즘 |
| ||
3 | FP-Growth 알고리즘 |
| ||
12 | 추천 시스템 | 1 | 콘텐츠 기반 추천 |
|
2 | 협업 필터링 |
| ||
3 | 추천 시스템 평가 |
| ||
13 | 딥러닝 기초 | 1 | 신경망(ANN) 구조 |
|
2 | 역전파와 최적화 |
| ||
3 | 머신러닝과 딥러닝 비교 |
| ||
14 | 모델 성능 향상 | 1 | 교차 검증과 오버피팅 |
|
2 | 하이퍼파라미터 튜닝 |
| ||
3 | 앙상블 기법 적용 |
| ||
15 | 응용과 윤리 | 1 | 머신러닝 실제 응용 사례 |
|
2 | 알고리즘의 공정성과 편향 |
| ||
3 | AI 윤리와 개인정보 보호 |
| ||
16 | 기말 | |||
미리보기
강좌운영진
-
백우진 교수 -
한신영 튜터이메일: tlsdudku@kku.ac.kr
기타·문의처
kmooc@kku.ac.kr