머신러닝9 2월 21일 발표 대비 https://www.kaggle.com/code/hellbuoy/carprice-prediction-mlr-rfe-vif CarPrice Prediction MLR+RFE+VIF Explore and run machine learning code with Kaggle Notebooks | Using data from Car Price Prediction Multiple Linear Regression www.kaggle.com 1. TransformerMixin - fit_transform()이나 fit(), transform()을 사용하지 않고 커스터마이즈된 transformer(예를 들어 min-max, normal distribution으로 전환 등) 하고 싶을 때 사용 a. 공식문서 b. 참고링.. 2023. 2. 20. 머신러닝 실무 프로젝트 p.27 머신러닝 프로젝트 과정 1. 비즈니스 문제를 머신러닝 문제로 정의한다 2. 논문을 중심으로 유사한 문제를 조사한다. 3. 머신러닝을 사용하지 않는 방법은 없는지 검토한다. 4. 시스템 설계를 고려한다. 5. 특징량, 훈련 데이터와 로그를 설계한다. 6. 실제 데이터를 수집하고 전처리한다. 7. 탐색적 데이터 분석과 알고리즘을 선정한다. 8. 실제 데이터를 수집하고 전처리한다. 9. 시스템에 통합한다. 10. 예측 정확도, 비즈니스 지표를 모니터링한다. p.27 머신러닝으로 해결한 문제 사례를 찾으려면 다음 세 가지 사항을 중점적으로 살펴보는 것이 좋다. 1. 어떤 알고리즘을 사용했는가? 2. 어떤 데이터를 특징량으로 사용했는가? 3. 머신러닝 부분을 어떻게 통합했는가? p.28 일반적인 비즈니스.. 2022. 5. 14. 머신러닝 시스템 디자인 패턴 p.8 머신러닝의 진정한 가치는 추론 결과에 있다. 추론 결과가 애플리케이션의 사용자나 비즈니스 프로세스에 대해 효과를 발휘해야만 도움이 되는 머신러닝이라 말할 수 있을 것이다. 학습 시 아무리 높은 정확도를 낼 수 있는 머신러닝 모델이라 할지라도 실전에서 사용되지 않으면 의미가 없기 때문이다. 머신러닝의 연구 분야에서는 학습한 모델의 평가 결과나 학습을 더욱 빠르게 하는 방법, 이전에 없던 새로운 것들을 생성하는 콘텐츠 등이 주로 이목을 끌지만, 프로덕트로서 사용자에게 가치를 제공하기 위해서는 머신러닝을 프로덕트에 포함해 제공할 필요가 있다. p.9 Google은 프로덕트 개발 과정에서 인간과 AI의 연관성에 관한 프랙티스를 정리한 가이드북인 'PAIR (People + AI Research)'를 공개.. 2022. 5. 10. 이전 1 2 다음
