본문 바로가기

분류 전체보기172

머신러닝 분류모델: 구글 티쳐블 머신(Teachable Machine) 티쳐블 머신(Teachable Machine)이란?티쳐블 머신(Teachable Machine)은 구글(Google)이 개발한 머신러닝 모델을 누구나 쉽게 만들고 사용할 수 있도록 지원하는 웹 기반 도구입니다. 프로그래밍이나 머신러닝에 대한 깊은 지식이 없어도 간단한 조작만으로 AI 모델을 훈련시키고 활용할 수 있습니다.   1. 티쳐블 머신의 특징✅ 초보자 친화적인 인터페이스웹 브라우저에서 실행되며, 설치 없이 바로 사용 가능GUI(그래픽 사용자 인터페이스)를 통해 간단한 조작으로 모델 훈련 가능✅ 다양한 입력 데이터 지원이미지(Image): 사진이나 웹캠으로 촬영한 이미지를 기반으로 학습오디오(Audio): 목소리, 소리 패턴을 기반으로 분류 가능포즈(Pose): 웹캠을 이용해 신체 움직임을 인식하고.. 2025. 2. 2.
머신러닝 비지도학습모델 : Hierarchical Clustering 1. 🏗️ 계층적 군집화란?계층적 군집화는 데이터를 계층적으로 묶어 나가는 방식으로, 크게 병합(Agglomerative) 과 분할(Divisive) 두 가지 방식이 있습니다.🧩 병합형(Agglomerative Clustering): 각 데이터를 개별 클러스터로 시작한 후, 가까운 것들끼리 점진적으로 병합하는 방식 (Bottom-Up)🔪 분할형(Divisive Clustering): 전체 데이터를 하나의 클러스터로 시작한 후, 점진적으로 세분화하는 방식 (Top-Down)일반적으로 병합형 군집화가 더 널리 사용됩니다.   2. 📊 덴드로그램(Dendrogram)이란?덴드로그램은 계층적 군집화에서 데이터들이 어떻게 합쳐지거나 분할되는지를 보여주는 트리 형태의 다이어그램입니다. 덴드로그램을 통해 군집.. 2025. 2. 1.
머신러닝 비지도학습모델 : K-Means 클러스터링 K-Means 클러스터링: 비지도 학습의 대표 알고리즘 🤖데이터 분석을 진행하다 보면 데이터의 패턴을 찾고 그룹으로 묶는 것이 필요할 때가 많습니다.비슷한 성향의 고객끼리 묶어줘! 이때 활용할 수 있는 대표적인 비지도 학습 알고리즘이 바로 K-Means 클러스터링입니다.이번 글에서는 K-Means 클러스터링이 무엇인지, 어떻게 동작하는지, 그리고 실전에서 어떻게 활용할 수 있는지 알아보겠습니다. 📊  비지도 학습(Unsupervised Learning) 복습! 🧠비지도 학습은 데이터에 정답(라벨)이 주어지지 않은 상태에서 패턴을 찾는 머신러닝 기법입니다. 즉, 학습 데이터에 대한 명확한 출력 값 없이, 알고리즘이 스스로 데이터의 구조를 분석하고 그룹을 찾는 방식입니다.  🤖 1. K-Means 클.. 2025. 1. 31.
머신러닝 분류 모델 : Decision Tree 1. Decision Tree란?  🌲Decision Tree는 '이것인가, 저것인가?'를 반복해서 결정해 나가며 최종 답을 도출하는 알고리즘입니다. 나무 구조(Tree Structure)처럼 여러 개의 가지가 뻗어나가는 형태로 이루어져 있으며, 이를 통해 복잡한 문제도 단계적으로 해결할 수 있습니다.📌 주요 개념루트 노드(Root Node): 가장 첫 번째 결정이 이루어지는 노드내부 노드(Internal Node): 중간 과정에서 분기되는 노드단말 노드(Leaf Node): 최종적으로 분류된 결과  2. Decision Tree의 작동 원리 🔍Decision Tree는 데이터를 분류(Classification)하거나 값을 예측(Regression)하는 데 활용됩니다. 주요 작동 방식은 다음과 같습.. 2025. 1. 31.
머신러닝 분류 모델 : Support Vector Machine (SVM) 1.🤖 SVM이란?Support Vector Machine(SVM)은 머신러닝의 지도 학습(Supervised Learning) 알고리즘 중 하나로, 주로 분류(Classification) 문제에서 강력한 성능을 발휘합니다.SVM의 기본 개념은 데이터를 선형 혹은 비선형적으로 분류하는 **최적의 결정 경계(Decision Boundary)**를 찾는 것입니다. 이 결정 경계를 **초평면(Hyperplane)**이라고 부르며, SVM은 이 초평면을 데이터의 마진을 최대화하는 방식으로 찾습니다.🍏 실생활 예제: 사과와 오렌지 구분하기 🍊사과와 오렌지를 구분하는 문제를 생각해봅시다. 우리는 크기, 색깔, 무게 등의 특징을 이용해 이 둘을 구별할 수 있습니다.만약 크기와 색깔을 기준으로 한다면, 2차원 공.. 2025. 1. 31.
머신러닝 분류 모델 : K-Nearest Neighbor (KNN) K-Nearest Neighbor (KNN) 알고리즘이란? 🤔KNN 알고리즘은 쉽게 말해 "가까운 친구들끼리 의견을 모아서 결정하는 방식"입니다. 예를 들어, 새로운 음식점을 가려는데 어디가 맛있는지 모를 때 보통 어떻게 하나요? 주변 친구들에게 물어보겠죠!A 친구: "여기 맛있어!"B 친구: "여기도 좋아!"C 친구: "난 여기 추천!"대부분이 추천하는 곳으로 가게 되는 것처럼, KNN도 비슷한 원리로 작동합니다. 즉, 새로운 데이터가 주어지면 가장 가까운 K개의 데이터를 찾아서 다수결로 결정을 내리는 방식입니다. 😊  KNN 알고리즘의 동작 원리 🏃‍♂️KNN은 데이터의 유사도를 기준으로 분류하거나 예측을 수행합니다. 기본적인 과정은 다음과 같습니다.  1️⃣ 거리 측정: 새로운 데이터와 기존 .. 2025. 1. 30.
머신러닝 분류 모델 : Logistic Regression Logistic Regression이란? 🤔Logistic Regression은 머신러닝에서 분류 문제를 해결하는 데 사용되는 통계적 기법입니다.이름에 "Regression"이 들어가지만, 실제로는 데이터를 특정 클래스(예: 0 또는 1)로 분류하는 데 사용됩니다. 이 알고리즘은 시그모이드 함수(Sigmoid Function)를 사용하여 결과를 0과 1 사이의 확률 값으로 변환합니다. 이렇게 계산된 확률 값을 기준으로, 특정 기준(보통 0.5)을 넘으면 1, 그렇지 않으면 0으로 분류합니다.  간단한 예제 💡예를 들어, 나이와 연봉 데이터를 기반으로 사람이 제품을 구매할지(1) 구매하지 않을지(0)를 예측한다고 가정해봅시다.Logistic Regression은 이 데이터를 학습하여 구매 가능성을 확률.. 2025. 1. 28.
머신러닝 회귀모델 : Linear Regression, RandomForest,Xgboost 🔍 회귀(Regression)  분석과 실제 서비스화 🌟🔹Regression 란?회귀는 결과값(타겟)이 연속적인 수치로 표현되는 문제를 해결하기 위한 머신러닝 방법입니다.예를 들어, 직원의 경력을 바탕으로 연봉을 예측하거나 주택의 크기로 가격을 예측하는 문제가 이에 해당합니다.  머신러닝을 활용하여 경력이 주어졌을때 연봉을 예측하는 모델을 만드는 방법을 단계별로 설명해 보겠습니다.   🛠️ 데이터 처리 단계데이터를 회귀 모델에 활용하기 위해 아래와 같은 전처리 과정이 필요합니다.📌 NaN비어있는 데이터 확인데이터셋에서 결측값(Missing Values)이 있는지 확인하고, 이를 처리해야 합니다.isna() 함수로 결측값을 확인합니다.결측값이 많다면 특정 값으로 대체하거나 제거해야 합니다.📌 데.. 2025. 1. 27.
머신러닝 분류(Classification) 모델 만들기: 구매 예측 모델 예시 머신러닝을 활용하여 "구매할 것인가, 안 할 것인가"를 예측하는 모델을 만드는 방법을 단계별로 설명해 보겠습니다.    1. 필요한 라이브러리 설치 및 불러오기먼저 머신러닝 작업을 위해 필요한 라이브러리인 sklearn을 설치합니다. 이를 통해 다양한 머신러닝 알고리즘을 사용할 수 있습니다.pip install scikit-learn다음으로 Python에서 필요한 라이브러리를 임포트합니다.import pandas as pdimport numpy as npfrom sklearn.preprocessing import LabelEncoder, OneHotEncoderfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model imp.. 2025. 1. 27.

티스토리툴바