첫 번째 장에서는 Kaggle 대회의 전반적인 진행 과정을 살펴봅니다. 모델을 학습하고 제출용 csv 파일을 준비해 볼 거예요. Public과 Private 테스트 분할의 차이, 그리고 과적합을 방지하는 방법도 배우게 됩니다.

대회 개요

train 데이터 탐색하기

테스트 데이터 살펴보기

첫 제출 파일을 준비해 봅시다

문제 유형 결정하기

간단한 모델 학습하기

제출 파일 준비하기

Public과 Private 리더보드

어떤 모델이 과적합인가요?

XGBoost 모델 학습하기

과적합 살펴보기: XGBoost

Kaggle 대회의 진행 과정

Kaggle 대회의 기초를 익혔다면, 이제 주어진 문제를 어떻게 분석할지 배워볼 차례예요. EDA를 연습하고 올바른 로컬 검증 전략을 수립해 봅니다. 데이터 누수에 대해서도 학습합니다.

문제 이해하기

문제 유형 이해하기

대회 평가지표 정의하기

초기 EDA

EDA 통계

EDA 시각화 I

EDA 플롯 II

로컬 검증

K-fold 교차 검증

Stratified K-fold

검증 사용법

Time K-fold

전체 검증 점수

대회에 본격적으로 뛰어들기

이제 다양한 유형의 특성을 살펴봅니다. 기존 특성을 변형하고 새로운 특성을 만들어 볼 거예요. 또한 결측치를 적절히 처리하는 방법도 다룹니다.

Feature Engineering

산술적 특성

날짜 특징

범주형 특성

라벨 인코딩

원-핫 인코딩

타깃 인코딩

Mean target encoding

이진 분류를 넘어서

결측치

결측치 찾기

결측치 대체하기

이제 모든 내용을 종합해 모델을 만들어 봅시다! 마지막 장에서는 기본 모델을 구축하고, 하이퍼파라미터를 튜닝한 뒤 앙상블로 결과를 향상시킵니다. 끝으로 대회에 더 효율적으로 참여할 수 있도록 실전 팁과 요령도 전해 드립니다.

베이스라인 모델

검증 점수 복제하기

날짜 기반 베이스라인

Gradient Boosting 기반 베이스라인

하이퍼파라미터 튜닝

그리드 서치

2D 그리드 서치

모델 앙상블

모델 블렌딩

모델 스태킹 I

Model stacking II

마지막 팁

Kaggle 포럼 아이디어 테스트하기

최종 제출 선택하기

마무리 생각

모델링

Demand forecasting (train)

House prices (train)

House prices (test)

Demand forecasting (test)

Taxi rides (train)

Taxi rides (test)

Kaggle은 가장 유명한 Data Science 대회 플랫폼입니다. 이런 대회에 참여하면 실제 데이터셋을 다루고, 다양한 Machine Learning 문제를 탐색하며, 다른 참가자들과 경쟁하고, 무엇보다 값진 실전 경험을 쌓을 수 있어요. 이 강의에서는 어떤 Data Science 대회든 접근하고 구조화하는 방법을 배웁니다. 올바른 로컬 검증 방식을 선택하고 과적합을 피하는 법을 익히게 돼요. 또한 고급 특성 공학과 모델 앙상블 기법도 마스터합니다. 이 모든 기술은 Kaggle 대회 데이터셋으로 직접 실습해 볼 거예요.

Extreme Gradient Boosting with XGBoost

Kaggle 대회에서 승리하려면 올바른 접근법과 적절한 검증 방식을 선택해야 합니다.

결측치

Create Your Free Account