Machine Learning은 다양한 산업과 분야에서 활용됩니다. 올바르게 적용하면 비즈니스를 근본적으로 개선할 수 있어요. 이 장에서는 Machine Learning의 활용 사례, 직무 역할, 그리고 데이터 니즈 피라미드에서 이들이 어떻게 맞물리는지 개괄합니다.

Machine learning과 데이터 피라미드

용어 정리

데이터 피라미드의 필요 요소 순서 정하기

데이터 피라미드에서 작업 매칭하기

Machine learning의 핵심 원칙

모델링 유형

Supervised와 Unsupervised 사례 찾기

직무 역할, 도구와 기술

직무별 책임

데이터 프로젝트와 직무 매칭

팀 구조 유형

Machine Learning과 데이터 활용 사례

이 장에서는 다양한 Machine Learning 유형을 살펴봅니다. 인과(추론) 모델과 예측 모델의 차이를 비교하고, 지도 학습과 비지도 학습을 탐구한 뒤, 지도 학습의 하위 유형인 분류와 회귀를 이해합니다.

예측 vs. 추론 딜레마

추론과 예측의 차이

추론 vs. 예측 사례 구분하기

추론(인과) 모델

실험과 인과 모델

실행 불가능한 변수 식별하기

예측 모델(지도 학습)

Supervised 모델링의 핵심 원리

분류와 회귀 모델 구분하기

예측 모델(비지도 학습)

비지도 모델링 활용 사례

Classification, Regression 또는 Unsupervised 모델

Machine Learning 유형

이 장에서는 비즈니스 요구사항 범위를 정의하는 핵심 단계, Machine Learning 기회 발굴과 규모 산정, 모델 성능 평가, 그리고 과정 전반의 성능 리스크 식별 방법을 다룹니다.

비즈니스 요구사항

상황, 기회, 실행 항목 식별하기

성공적인 실험 식별하기

Model training

모델 학습 프로세스

Training, validation and test

모델 성능 측정

성능이 부적절한 예시

성능 지표 식별하기

Machine learning의 위험

성능이 나오지 않는 모델 수정하기

실행 불가능한 모델

실행 가능한 권장 사항 식별하기

비즈니스 요구사항과 모델 설계

이 장에서는 Machine Learning 프로젝트를 관리할 때의 모범 사례와 피해야 할 관행을 살펴봅니다. 가장 흔한 실수를 파악하고, 비즈니스 팀과 ML 팀 간 커뮤니케이션을 어떻게 관리할지 배우며, 마지막으로 모델을 프로덕션에 배포할 때의 과제를 다룹니다.

Machine Learning에서 흔히 하는 실수

Machine learning 실수 식별하기

데이터 니즈 피라미드

Options

Not enough data

Late testing, no impact

Feature selection

ML 실수를 유형별로 매칭하세요

커뮤니케이션 관리

비즈니스 커뮤니케이션의 초점

ML 시장 테스트 프로세스

시장 테스트

프로덕션 환경에서의 Machine Learning

운영 시스템

프로덕션에서의 Machine Learning 사용 사례

고객 관계 관리(Customer Relationship Management)

사기 방지 시스템

자율주행차

프로덕션 시스템의 ML 사용 사례

Data Science 프로세스

ML의 프로덕션 출시

마무리

Machine Learning 프로젝트 관리

이 강의는 비즈니스 리더를 대상으로 Machine Learning의 핵심 요소를 소개합니다. Machine Learning 팀과 함께 비즈니스 질문을 모델링 프로젝트로 구조화하는 핵심 통찰과 기본 실무에 초점을 맞춥니다. 다양한 유형의 모델이 어떤 비즈니스 질문에 답하는지, 어떤 기회를 발굴할 수 있는지 이해하고, 동일하게 중요한 Machine Learning을 적용하지 말아야 할 상황도 식별할 수 있게 됩니다. 또한 추론과 예측의 차이, 확률과 수치를 예측하는 방법, 비지도 학습을 활용해 의미 있는 고객 세분화 전략을 수립하는 방법을 이해하게 됩니다.

머신러닝의 기본 원리와 비즈니스 세계에서의 적용 방법을 이해하세요.

비즈니스를 위한 Machine Learning

머신 러닝의 기본 원리와 비즈니스 현장에서의 적용 방식을 이해합니다.

데이터 과학자 in Python

데이터 과학자 in R

Head of Machine Learning & Science, Amazon

머신 러닝의 실수

실수

머신 러닝부터 시작

데이터 부족

타깃 변수 정의

특성 선택

늦은 테스트, 영향 없음

연습해 봅시다!

Machine Learning 프로젝트 관리 - Machine Learning에서 흔히 하는 실수

Machine Learning에서 흔히 하는 실수

Create Your Free Account