머신 러닝 기초: 사례 연구 접근 방식

머신 러닝(ML)은 어디에나 있지만 종종 은밀하게 작동합니다. <p>이 전문화 과정에 대한 소개는 머신 러닝의 힘과 수료 시 개인적으로 개발 및 배포할 수 있는 다양한 지능형 애플리케이션에 대한 통찰력을 제공합니다.</p>또한 우리가 누구인지, 어떻게 여기까지 왔는지, 지능형 애플리케이션의 미래에 대한 관점에 대해서도 논의합니다.

이번 주에는 데이터에서 예측을 수행하는 첫 번째 지능형 애플리케이션을 구축할 것입니다.<p>우리는 첫 번째 사례 연구의 맥락에서 이 아이디어를 탐구하여 주택 가격을 예측할 것입니다. 여기서 입력 특성(면적, 침실 및 욕실 수 등)에서 연속적인 값(가격)을 예측하는 모델을 생성합니다. <p>이는 회귀를 적용할 수 있는 많은 분야 중 하나일 뿐입니다. 다른 적용 분야는 의학의 건강 결과, 금융의 주가, 고성능 컴퓨팅의 전력 사용량 예측부터 유전자 발현에 중요한 조절기 분석에 이르기까지 다양합니다.</p>또한 예측 모델의 성능을 분석하고 Jupyter 노트북을 사용하여 실제로 회귀를 구현하는 방법을 검토합니다.

한 사람이 쓴 짧은 리뷰에서 경험에 대해 긍정적인 감정을 느꼈는지 부정적인 감정을 느꼈는지 어떻게 추측합니까?

감정을 분석하는 두 번째 사례 연구에서는 입력 특성(리뷰 텍스트, 사용자 프로필 정보 등)에서 클래스(긍정/부정 감정)를 예측하는 모델을 생성합니다. 이 작업은 분류의 예입니다. 광고 타겟팅, 스팸 감지, 의료 진단 및 이미지 분류 등의 광범위한 적용 분야에서 가장 널리 사용되는 머신 러닝 영역입니다. 분류기의 정확도를 분석하고 Jupyter 노트북에서 실제 분류기를 구현하며 캡스톤에 구축 및 배포할 지능형 애플리케이션의 핵심 부분을 먼저 살펴봅니다.

독자가 특정 뉴스 기사에 관심이 있으며 추천할 만한 유사 기사를 찾고 싶어합니다. 유사성에 대한 올바른 개념은 무엇입니까? 문서를 자동으로 검색하여 가장 유사한 문서를 찾으려면 어떻게 합니까? 처음에 문서를 어떻게 정량적으로 표현합니까?<p>이 세 번째 사례 연구인 문서 검색에서는 다양한 문서 표현과 가장 유사한 하위 집합을 검색하는 알고리즘을 검사합니다. 또한 유사성(예: 문서 주제)에 의해 문서를 자동으로 그룹화하는 문서의 구조화된 표현을 고려합니다.</p>실제로 Jupyter 노트북에서 Wikipedia 항목에 대한 지능형 문서 검색 시스템을 구축합니다.