ML-For-Beginners/translations/ko

초보자를 위한 머신 러닝 - 커리큘럼

🌍 세계 문화를 통해 머신 러닝을 탐험하는 여행을 떠나보세요 🌍

Microsoft의 클라우드 옹호자들이 머신 러닝에 대한 12주, 26강 커리큘럼을 제공하게 되어 기쁩니다. 이 커리큘럼에서 주로 Scikit-learn 라이브러리를 사용하여 클래식 머신 러닝을 배우게 되며, 심화 학습은 초보자를 위한 AI 커리큘럼에서 다룹니다. 이 강의와 함께 '초보자를 위한 데이터 과학' 커리큘럼도 활용해보세요!

세계 각지의 데이터를 이용하여 이 클래식 기술을 적용하면서 우리와 함께 세계를 여행하세요. 각 강의에는 강의 전후의 퀴즈, 강의 완성에 필요한 서면 지침, 솔루션, 과제 등이 포함되어 있습니다. 프로젝트 기반 학습법을 통해 새로운 기술을 습득하면서 배울 수 있습니다.

✍️ 저자들에게 깊은 감사의 인사를 전합니다 Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu, 그리고 Amy Boyd

🎨 일러스트레이터들에게도 감사드립니다 Tomomi Imura, Dasani Madipalli, 그리고 Jen Looper

🙏 특별히 Microsoft Student Ambassador 저자, 리뷰어, 그리고 콘텐츠 기여자들에게 감사드립니다, 특히 Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, 그리고 Snigdha Agarwal

🤩 R 강의에 도움을 준 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, 그리고 Vidushi Gupta에게도 특별히 감사드립니다!

시작하기

다음 단계를 따르세요:

1. 저장소 포크하기: 이 페이지 오른쪽 상단의 "Fork" 버튼을 클릭하세요.
2. 저장소 클론하기: git clone https://github.com/microsoft/ML-For-Beginners.git

이 강좌에 대한 추가 리소스는 Microsoft Learn 컬렉션에서 확인하세요

학생들, 이 커리큘럼을 사용하려면 전체 저장소를 자신의 GitHub 계정으로 포크하고 혼자 또는 그룹과 함께 연습을 완료하세요:

• 강의 전 퀴즈부터 시작하세요.
• 강의를 읽고 활동을 완료하세요. 각 지식 점검에서 멈추고 생각해보세요.
• 솔루션 코드를 실행하지 않고 강의를 이해하여 프로젝트를 시도하세요. 그러나 해당 코드는 각 프로젝트 기반 강의의 /solution 폴더에 있습니다.
• 강의 후 퀴즈를 풀어보세요.
• 도전을 완료하세요.
• 과제를 완료하세요.
• 강의 그룹을 완료한 후 토론 게시판에 방문하여 적절한 PAT 루브릭을 작성하여 "소리 내어 학습"하세요. 'PAT'는 학습을 촉진하기 위해 작성하는 루브릭입니다. 다른 PAT에 반응하여 함께 학습할 수 있습니다.

추가 학습을 위해 이 Microsoft Learn 모듈과 학습 경로를 따르기를 권장합니다.

교사들, 이 커리큘럼을 사용하는 방법에 대한 몇 가지 제안을 포함시켰습니다.

---

비디오 워크스루

일부 강의는 짧은 형식의 비디오로 제공됩니다. 이 비디오는 강의 내에 인라인으로 포함되어 있거나, Microsoft Developer YouTube 채널의 초보자를 위한 머신 러닝 재생 목록에서 이미지를 클릭하여 찾을 수 있습니다.

---

팀 소개

Gif by Mohit Jaisal

🎥 위 이미지를 클릭하여 프로젝트와 창작자들에 대한 비디오를 확인하세요!

---

교육 방법론

이 커리큘럼을 만들 때 두 가지 교육 원칙을 선택했습니다: 프로젝트 기반 학습과 빈번한 퀴즈를 포함하는 것입니다. 또한, 이 커리큘럼에는 일관성을 위해 공통 주제가 있습니다.

프로젝트와 연계된 콘텐츠를 보장함으로써 학습 과정은 학생들에게 더 흥미롭고 개념의 유지율이 높아집니다. 또한, 수업 전 낮은 부담의 퀴즈는 학생이 주제를 학습할 의도를 설정하고, 수업 후 두 번째 퀴즈는 추가적인 개념 유지율을 보장합니다. 이 커리큘럼은 유연하고 재미있게 설계되었으며 전체 또는 일부를 수강할 수 있습니다. 프로젝트는 작게 시작하여 12주 사이클이 끝날 때 점점 복잡해집니다. 이 커리큘럼에는 ML의 실제 응용에 대한 후기가 포함되어 있으며, 이는 추가 학점으로 사용하거나 토론의 기초로 사용할 수 있습니다.

우리의 행동 강령, 기여, 그리고 번역 지침을 확인하세요. 건설적인 피드백을 환영합니다!

각 강의에는 다음이 포함됩니다

• 선택적 스케치 노트
• 선택적 보충 비디오
• 비디오 워크스루 (일부 강의만 해당)
• 강의 전 워밍업 퀴즈
• 서면 강의
• 프로젝트 기반 강의를 위한 단계별 가이드
• 지식 점검
• 도전 과제
• 보충 읽기 자료
• 과제
• 강의 후 퀴즈

언어에 대한 주의 사항: 이 강의는 주로 Python으로 작성되었지만, 많은 강의가 R로도 제공됩니다. R 강의를 완료하려면 /solution 폴더로 이동하여 R 강의를 찾으세요. 이들은 .rmd 확장자를 포함하며, 이는 R Markdown 파일을 나타냅니다. 이는 코드(R 또는 다른 언어)와 출력 형식을 안내하는 YAML header (PDF 등) 및 Markdown document을 포함하는 문서입니다. 따라서 데이터 과학을 위한 저작 프레임워크로서 훌륭하며, 코드를 출력과 함께 작성하고 생각을 Markdown으로 기록할 수 있습니다. 게다가, R Markdown 문서는 PDF, HTML 또는 Word와 같은 출력 형식으로 렌더링될 수 있습니다.

퀴즈에 대한 주의 사항: 모든 퀴즈는 퀴즈 앱 폴더에 포함되어 있으며, 각 퀴즈는 3개의 질문으로 구성된 52개의 퀴즈로 이루어져 있습니다. 이들은 강의 내에서 링크되어 있지만, 퀴즈 앱을 로컬에서 실행할 수 있습니다. quiz-app 폴더의 지침을 따라 로컬에서 호스트하거나 Azure에 배포하세요.

강의 번호	주제	강의 그룹	학습 목표	링크된 강의	저자
01	머신 러닝 소개	소개	머신 러닝의 기본 개념을 배우세요	강의	Muhammad
02	머신 러닝의 역사	소개	이 분야의 역사를 배우세요	강의	Jen and Amy
03	공정성과 머신 러닝	소개	학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 중요한 철학적 문제는 무엇입니까?	강의	Tomomi
04	기계 학습을 위한 기법들	Introduction	ML 연구자들이 ML 모델을 구축하기 위해 사용하는 기법은 무엇일까요?	Lesson	Chris and Jen
05	회귀 소개	Regression	회귀 모델을 위해 Python과 Scikit-learn을 시작해보세요	Python R	Jen Eric Wanjau
06	북미 호박 가격 🎃	Regression	ML 준비를 위해 데이터를 시각화하고 정리하세요	Python R	Jen Eric Wanjau
07	북미 호박 가격 🎃	Regression	선형 및 다항 회귀 모델을 구축하세요	Python R	Jen and Dmitry Eric Wanjau
08	북미 호박 가격 🎃	Regression	로지스틱 회귀 모델을 구축하세요	Python R	Jen Eric Wanjau
09	웹 앱 🔌	Web App	학습된 모델을 사용하는 웹 앱을 구축하세요	Python	Jen
10	분류 소개	Classification	데이터를 정리하고 준비하고 시각화하세요; 분류 소개	Python R	Jen and Cassie Eric Wanjau
11	맛있는 아시아 및 인도 요리 🍜	Classification	분류기 소개	Python R	Jen and Cassie Eric Wanjau
12	맛있는 아시아 및 인도 요리 🍜	Classification	더 많은 분류기	Python R	Jen and Cassie Eric Wanjau
13	맛있는 아시아 및 인도 요리 🍜	Classification	모델을 사용하여 추천 웹 앱을 구축하세요	Python	Jen
14	클러스터링 소개	Clustering	데이터를 정리하고 준비하고 시각화하세요; 클러스터링 소개	Python R	Jen Eric Wanjau
15	나이지리아 음악 취향 탐색 🎧	Clustering	K-Means 클러스터링 방법 탐구	Python R	Jen Eric Wanjau
16	자연어 처리 소개 ☕️	Natural language processing	간단한 봇을 만들어보며 NLP의 기본 개념 배우기	Python	Stephen
17	일반적인 NLP 작업 ☕️	Natural language processing	언어 구조를 다룰 때 필요한 일반적인 작업을 이해하며 NLP 지식 심화	Python	Stephen
18	번역 및 감정 분석 ♥️	Natural language processing	제인 오스틴과 함께하는 번역 및 감정 분석	Python	Stephen
19	유럽의 로맨틱 호텔 ♥️	Natural language processing	호텔 리뷰를 통한 감정 분석 1	Python	Stephen
20	유럽의 로맨틱 호텔 ♥️	Natural language processing	호텔 리뷰를 통한 감정 분석 2	Python	Stephen
21	시계열 예측 소개	Time series	시계열 예측 소개	Python	Francesca
22	⚡️ 세계 전력 사용량 ⚡️ - ARIMA를 이용한 시계열 예측	Time series	ARIMA를 이용한 시계열 예측	Python	Francesca
23	⚡️ 세계 전력 사용량 ⚡️ - SVR을 이용한 시계열 예측	Time series	서포트 벡터 회귀를 이용한 시계열 예측	Python	Anirban
24	강화 학습 소개	Reinforcement learning	Q-Learning을 통한 강화 학습 소개	Python	Dmitry
25	피터가 늑대를 피하도록 도와주세요! 🐺	Reinforcement learning	강화 학습 Gym	Python	Dmitry
Postscript	실제 세계의 ML 시나리오 및 응용 프로그램	ML in the Wild	고전적인 ML의 흥미롭고 놀라운 실제 응용 프로그램	Lesson	Team
Postscript	RAI 대시보드를 사용한 ML 모델 디버깅	ML in the Wild	Responsible AI 대시보드 구성 요소를 사용한 머신 러닝 모델 디버깅	Lesson	Ruth Yakubu

이 과정의 추가 자료는 Microsoft Learn 컬렉션에서 확인하세요

오프라인 접근

Docsify를 사용하여 이 문서를 오프라인으로 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 머신에 Docsify 설치를 한 후, 이 저장소의 루트 폴더에서 docsify serve을 입력하세요. 웹사이트는 localhost의 포트 3000에서 제공됩니다: localhost:3000.

PDFs

여기에서 링크가 포함된 커리큘럼의 PDF를 찾을 수 있습니다.

도움 요청

번역에 기여하고 싶으신가요? 번역 가이드라인을 읽고 작업량 관리를 위한 템플릿 이슈를 여기에 추가해주세요.

다른 커리큘럼

우리 팀은 다른 커리큘럼도 제작합니다! 확인해보세요:

• AI for Beginners
• Data Science for Beginners
• New Version 2.0 - Generative AI for Beginners
• NEW Cybersecurity for Beginners
• Web Dev for Beginners
• IoT for Beginners
• Machine Learning for Beginners
• XR Development for Beginners
• Mastering GitHub Copilot for AI Paired Programming

면책 조항: 이 문서는 기계 기반 AI 번역 서비스를 사용하여 번역되었습니다. 정확성을 위해 노력하고 있지만 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서는 해당 언어로 작성된 문서를 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우 전문 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 오역에 대해 당사는 책임을 지지 않습니다.