1장 머신러닝에서 데이터로 의사 결정을 내리는 방법
_1.1 목표 및 사용 사례 파악하기
_1.2 엔터프라이즈 ML 워크플로
_1.3 요약
2장 데이터의 중요성
_2.1 사용 사례 및 데이터셋 개요
_2.2 데이터 및 파일 유형
_2.3 깃허브와 구글 코랩 개요
_2.4 요약
3장 머신러닝 라이브러리 및 프레임워크
_3.1 노코드 AutoML
_3.2 AutoML의 작동 방식
_3.3 서비스형 머신러닝
_3.4 로우코드 ML 프레임워크
_3.5 요약
4장 AutoML로 광고 미디어 채널의 매출 예측하기
_4.1 비즈니스 사용 사례: 미디어 채널의 매출 예측하기
_4.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기
_4.3 AutoML로 선형 회귀 모델 학습시키기
_4.4 요약
5장 AutoML로 사기 거래 탐지하기
_5.1 비즈니스 사용 사례: 금융 거래 사기 탐지
_5.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기
_5.3 분류 모델 및 지표
_5.4 AutoML로 분류 모델 학습시키기
_5.5 요약
6장 빅쿼리 ML로 선형 회귀 모델 학습시키기
_6.1 비즈니스 사용 사례: 전력 생산량
_6.2 빅쿼리 SQL로 데이터셋 정리하기
_6.3 선형 회귀 모델
_6.4 설명 가능한 AI
_6.5 빅쿼리 ML에서의 신경망
_6.6 심층 분석: 클라우드 셸로 클라우드 스토리지 파일 보기
_6.7 요약
7장 파이썬으로 사용자 정의 ML 모델 학습시키기
_7.1 비즈니스 사용 사례: 고객 이탈 예측
_7.2 노코드, 로우코드, 사용자 정의 코드 중 알맞은 ML 솔루션 선택하기
_7.3 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기
_7.4 사이킷런으로 로지스틱 회귀 모델 구축하기
_7.5 케라스로 신경망 구축하기
_7.6 버텍스 AI로 맞춤형 ML 모델 구축하기
_7.7 요약
8장 사용자 정의 모델의 성능 개선하기
_8.1 비즈니스 사용 사례: 중고차 경매 가격
로우코드로 시작하는 AI/ML 입문
비즈니스 활용을 위한 머신러닝 프로젝트 구현하기
로우코드 AI를 활용한 데이터 우선 접근법과 사례 중심 접근법으로 머신러닝과 딥러닝 개념을 이해해 보세요. 이 실용적인 안내서는 ① AutoML을 이용한 노코드 ML, ② 빅쿼리 ML을 이용한 로우코드, ③ 사이킷런과 케라스를 이용한 커스텀 코드 등 3가지 문제 해결 중심의 ML 학습 방법을 제시하고, 각각 실제 데이터셋과 현실적인 문제를 활용해 핵심 ML 개념을 학습합니다.
비즈니스 및 데이터 분석가들은 상세하고도 데이터 중심적인 접근 방식을 통해 AI/ML을 프로젝트 기반으로 학습할 수 있습니다. 여기에는 데이터 로딩 및 분석, ML 모델에 데이터 입력, 모델 구축·훈련·테스트, 모델의 실제 환경 배포 등이 포함됩니다. 이 책은 소매업, 의료, 금융 서비스, 에너지, 통신 분야를 위한 머신러닝 모델 구축 방법을 함께 제시합니다.
이 책의 주요 내용:
정형 데이터와 비정형 데이터를 구별하고 그에 따른 문제 파악하기
데이터 시각화 및 분석하기
머신러닝 모델 입력을 위한 데이터 전처리하기
지도학습의 회귀 모델과 분류 모델 구별하기
노코드부터 로우코드, 커스텀 트레이닝까지 다양한 ML 모델 유형 및 아키텍처 비교하기
ML 모델의 설계, 구현 및 조정하기
AI를 만나다: 로우코드로 시작하는 머신러닝 입문
머신러닝(ML은 프로그래머가 직접 알고리즘을 제공하지 않고, 컴퓨터가 주어진 데이터로부터 스스로 알고리즘을 학습하는 방법입니다. 전문가 시스템은 도메인 전문가가 직접 규칙을 작성해야 하지만, 머신러닝은 데이터를 사용하여 그 규칙을 찾아내는 방식이라고 할 수 있습니다.
이러한 머신러닝은 오늘날 거의 모든 산업에 영향을 미칩니다. 소매업에서는 ML을 사용해 제품이나 서비스의 예상 판매량을 몇 달 전에 예측합니다. 여행 업계에서는 고객의 과거 여행 기록과 같은 정보를 기반으로 여행 지역과 관광 명소를 추천해줍니다. 의료 분야에서는 ML로 엑스레이
