26 KiB

Raw Blame History Unescape Escape

🌐 다국어 지원

GitHub Action을 통해 지원 (자동화 및 항상 최신 상태 유지)

커뮤니티에 참여하세요

현재 Discord에서 AI 학습 시리즈가 진행 중입니다. 자세한 내용을 확인하고 2025년 9월 18일부터 30일까지 Learn with AI Series에 참여하세요. GitHub Copilot을 활용한 데이터 과학 팁과 요령을 배울 수 있습니다.

초보자를 위한 머신 러닝 - 커리큘럼

🌍 세계 문화를 통해 머신 러닝을 탐구하며 세계를 여행하세요 🌍

Microsoft의 Cloud Advocates는 머신 러닝에 관한 12주, 26강의 커리큘럼을 제공합니다. 이 커리큘럼에서는 주로 Scikit-learn 라이브러리를 사용하여 클래식 머신 러닝이라고 불리는 것을 배우며, AI for Beginners' 커리큘럼에서 다루는 딥 러닝은 제외합니다. 이 강의는 'Data Science for Beginners' 커리큘럼과 함께 학습할 수 있습니다!

세계 각지의 데이터를 활용하여 이러한 클래식 기술을 적용하며 우리와 함께 세계를 여행하세요. 각 강의에는 강의 전후 퀴즈, 강의 완료를 위한 작성된 지침, 솔루션, 과제 등이 포함되어 있습니다. 프로젝트 기반 학습 방법을 통해 새로운 기술을 배우고 이를 지속적으로 유지할 수 있습니다.

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

🎨 일러스트레이터들에게도 감사드립니다 Tomomi Imura, Dasani Madipalli, Jen Looper

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

🤩 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, Vidushi Gupta에게 R 강의에 대한 추가 감사의 마음을 전합니다!

시작하기

다음 단계를 따르세요:

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

Microsoft Learn 컬렉션에서 이 과정에 대한 추가 리소스를 모두 찾을 수 있습니다

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

강의 전 퀴즈로 시작하세요.
강의를 읽고 활동을 완료하며 각 지식 확인에서 멈추고 반성하세요.
강의 내용을 이해하며 프로젝트를 만들어보세요. 솔루션 코드를 실행하지 않아도 되지만, 해당 코드는 각 프로젝트 기반 강의의 /solution 폴더에 있습니다.
강의 후 퀴즈를 풀어보세요.
도전을 완료하세요.
과제를 완료하세요.
강의 그룹을 완료한 후 토론 게시판을 방문하여 적절한 PAT 루브릭을 작성하며 "소리 내어 학습"하세요. 'PAT'는 학습을 더욱 심화하기 위해 작성하는 루브릭인 진행 평가 도구입니다. 다른 PAT에 반응하여 함께 학습할 수도 있습니다.

추가 학습을 위해 Microsoft Learn 모듈과 학습 경로를 따르기를 권장합니다.

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

비디오 워크스루

일부 강의는 짧은 형식의 비디오로 제공됩니다. 이 비디오들은 강의 내에서 인라인으로 찾을 수 있으며, Microsoft Developer YouTube 채널의 ML for Beginners 재생 목록에서 아래 이미지를 클릭하여 확인할 수 있습니다.

팀 소개

Gif 제작자 Mohit Jaisal

🎥 위 이미지를 클릭하여 프로젝트와 제작자들에 대한 비디오를 확인하세요!

교육 방법론

이 커리큘럼을 제작하면서 두 가지 교육적 원칙을 선택했습니다: 프로젝트 기반 학습을 보장하고 빈번한 퀴즈를 포함하는 것입니다. 또한, 이 커리큘럼은 공통 테마를 포함하여 일관성을 제공합니다.

프로젝트와 콘텐츠를 일치시킴으로써 학생들에게 더 흥미로운 학습 경험을 제공하고 개념의 유지력을 높일 수 있습니다. 또한, 수업 전 저위험 퀴즈는 학생이 주제를 학습할 의도를 설정하며, 수업 후 두 번째 퀴즈는 추가적인 개념 유지력을 보장합니다. 이 커리큘럼은 유연하고 재미있게 설계되었으며 전체 또는 일부로 학습할 수 있습니다. 프로젝트는 작게 시작하여 12주 과정이 끝날 때 점점 복잡해집니다. 이 커리큘럼은 또한 ML의 실제 응용에 대한 후기를 포함하며, 추가 학점으로 사용하거나 토론의 기초로 사용할 수 있습니다.

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

각 강의에는 다음이 포함됩니다

선택적 스케치 노트
선택적 보충 비디오
비디오 워크스루 (일부 강의만 해당)
강의 전 준비 퀴즈
작성된 강의
프로젝트 기반 강의의 경우, 프로젝트를 구축하는 단계별 가이드
지식 확인
도전 과제
보충 읽기 자료
과제
강의 후 퀴즈

언어에 대한 참고 사항: 이 강의는 주로 Python으로 작성되었지만, 일부는 R로도 제공됩니다. R 강의를 완료하려면 /solution 폴더로 이동하여 R 강의를 찾으세요. 이 강의는 R Markdown 파일로 제공되며, 이는 코드 청크(R 또는 기타 언어)와 YAML 헤더(PDF와 같은 출력 형식을 안내하는)를 Markdown 문서에 포함하는 것으로 간단히 정의할 수 있습니다. 따라서 데이터 과학을 위한 뛰어난 저작 프레임워크로 작용하며, 코드, 출력, 생각을 결합하여 Markdown에 기록할 수 있습니다. 또한, R Markdown 문서는 PDF, HTML, Word와 같은 출력 형식으로 렌더링할 수 있습니다.

퀴즈에 대한 참고 사항: 모든 퀴즈는 Quiz App 폴더에 포함되어 있으며, 총 52개의 퀴즈가 각 3문제로 구성되어 있습니다. 강의 내에서 링크되어 있지만, 퀴즈 앱은 로컬에서 실행할 수 있습니다. quiz-app 폴더의 지침을 따라 로컬에서 호스팅하거나 Azure에 배포하세요.

강의 번호	주제	강의 그룹	학습 목표	연결된 강의	저자
01	머신 러닝 소개	소개	머신 러닝의 기본 개념 배우기	강의	Muhammad
02	머신 러닝의 역사	소개	이 분야의 역사 배우기	강의	Jen and Amy
03	공정성과 머신 러닝	소개	학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 중요한 철학적 문제는 무엇인가요?	수업	Tomomi
04	머신 러닝 기술	소개	ML 연구자들이 ML 모델을 구축할 때 사용하는 기술은 무엇인가요?	수업	Chris and Jen
05	회귀 분석 소개	회귀 분석	회귀 모델을 위해 Python과 Scikit-learn을 시작하기	Python • R	Jen • Eric Wanjau
06	북미 호박 가격 🎃	회귀 분석	ML 준비를 위해 데이터를 시각화하고 정리하기	Python • R	Jen • Eric Wanjau
07	북미 호박 가격 🎃	회귀 분석	선형 및 다항 회귀 모델 구축	Python • R	Jen and Dmitry • Eric Wanjau
08	북미 호박 가격 🎃	회귀 분석	로지스틱 회귀 모델 구축	Python • R	Jen • Eric Wanjau
09	웹 앱 🔌	웹 앱	학습된 모델을 사용하기 위한 웹 앱 구축	Python	Jen
10	분류 소개	분류	데이터를 정리, 준비 및 시각화하기; 분류 소개	Python • R	Jen and Cassie • Eric Wanjau
11	맛있는 아시아 및 인도 요리 🍜	분류	분류기 소개	Python • R	Jen and Cassie • Eric Wanjau
12	맛있는 아시아 및 인도 요리 🍜	분류	추가 분류기	Python • R	Jen and Cassie • Eric Wanjau
13	맛있는 아시아 및 인도 요리 🍜	분류	모델을 사용하여 추천 웹 앱 구축	Python	Jen
14	클러스터링 소개	클러스터링	데이터를 정리, 준비 및 시각화하기; 클러스터링 소개	Python • R	Jen • Eric Wanjau
15	나이지리아 음악 취향 탐구 🎧	클러스터링	K-Means 클러스터링 방법 탐구	Python • R	Jen • Eric Wanjau
16	자연어 처리 소개 ☕️	자연어 처리	간단한 봇을 구축하며 NLP의 기본을 배우기	Python	Stephen
17	일반적인 NLP 작업 ☕️	자연어 처리	언어 구조를 다룰 때 필요한 일반적인 작업을 이해하며 NLP 지식 심화	Python	Stephen
18	번역 및 감정 분석 ♥️	자연어 처리	제인 오스틴과 함께하는 번역 및 감정 분석	Python	Stephen
19	유럽의 로맨틱 호텔 ♥️	자연어 처리	호텔 리뷰를 활용한 감정 분석 1	Python	Stephen
20	유럽의 로맨틱 호텔 ♥️	자연어 처리	호텔 리뷰를 활용한 감정 분석 2	Python	Stephen
21	시계열 예측 소개	시계열	시계열 예측 소개	Python	Francesca
22	⚡️ 세계 전력 사용 ⚡️ - ARIMA를 활용한 시계열 예측	시계열	ARIMA를 활용한 시계열 예측	Python	Francesca
23	⚡️ 세계 전력 사용 ⚡️ - SVR을 활용한 시계열 예측	시계열	서포트 벡터 회귀를 활용한 시계열 예측	Python	Anirban
24	강화 학습 소개	강화 학습	Q-Learning을 활용한 강화 학습 소개	Python	Dmitry
25	피터가 늑대를 피하도록 도와주세요! 🐺	강화 학습	강화 학습 Gym	Python	Dmitry
후속편	실제 ML 시나리오 및 응용	실제 ML	흥미롭고 유익한 고전적 ML의 실제 응용	수업	Team
후속편	RAI 대시보드를 사용한 ML 모델 디버깅	실제 ML	책임 있는 AI 대시보드 구성 요소를 사용한 머신 러닝 모델 디버깅	수업	Ruth Yakubu

Microsoft Learn 컬렉션에서 이 과정에 대한 추가 리소스를 모두 찾아보세요

오프라인 접근

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

PDF

링크가 포함된 커리큘럼 PDF를 여기에서 찾을 수 있습니다.

🎒 다른 과정들

우리 팀은 다른 과정도 제작합니다! 확인해보세요:

도움 받기

AI 앱을 구축하는 데 어려움을 겪거나 질문이 있다면 다음을 방문하세요:

제품 피드백을 제공하거나 빌드 중 오류가 발생한 경우 다음을 방문하세요:

면책 조항:
이 문서는 AI 번역 서비스 Co-op Translator를 사용하여 번역되었습니다. 정확성을 위해 최선을 다하고 있으나, 자동 번역에는 오류나 부정확성이 포함될 수 있습니다. 원본 문서의 원어 버전을 권위 있는 자료로 간주해야 합니다. 중요한 정보의 경우, 전문적인 인간 번역을 권장합니다. 이 번역 사용으로 인해 발생하는 오해나 잘못된 해석에 대해 당사는 책임을 지지 않습니다.

26 KiB Raw Blame History Unescape Escape