ML-For-Beginners/translations/ko

🌐 다국어 지원

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

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

커뮤니티에 참여하세요

초보자를 위한 머신 러닝 - 커리큘럼

🌍 세계 문화를 통해 머신 러닝을 탐구하며 세계를 여행하세요 🌍

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

우리는 세계 여러 지역의 데이터를 활용하여 이러한 클래식 기술을 적용하며 세계를 여행합니다. 각 강의에는 강의 전후 퀴즈, 강의 완료를 위한 작성 지침, 솔루션, 과제 등이 포함되어 있습니다. 프로젝트 기반 학습법을 통해 배우면서 구축하는 방식은 새로운 기술을 효과적으로 익히는 검증된 방법입니다.

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

🎨 삽화가들에게도 감사 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 감사!

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 과정에 대한 추가 리소스를 Microsoft Learn 컬렉션에서 찾으세요

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

• 강의 전 퀴즈로 시작하세요.
• 강의를 읽고 활동을 완료하며 각 지식 확인에서 멈추고 반성하세요.
• 솔루션 코드를 실행하기보다는 강의를 이해하며 프로젝트를 만들어보세요. 그러나 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. PAT는 학습을 심화하기 위해 작성하는 루브릭으로, 학습 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. 이러한 비디오는 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 교육 방법론을 선택했습니다: 프로젝트 기반 학습과 빈번한 퀴즈 포함. 또한, 커리큘럼에 공통 테마를 포함하여 일관성을 유지했습니다.

프로젝트와 연계된 콘텐츠를 보장함으로써 학습 과정이 학생들에게 더 흥미롭고 개념의 유지력이 향상됩니다. 또한, 수업 전 저위험 퀴즈는 학생이 주제를 학습할 의도를 설정하게 하며, 수업 후 두 번째 퀴즈는 개념의 추가 유지력을 보장합니다. 이 커리큘럼은 유연하고 재미있게 설계되었으며 전체 또는 일부로 수강할 수 있습니다. 프로젝트는 작게 시작하여 12주 과정이 끝날 때 점점 복잡해집니다. 이 커리큘럼은 또한 ML의 실제 응용에 대한 후기를 포함하며, 이는 추가 학점으로 사용하거나 토론의 기초로 활용할 수 있습니다.

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

각 강의에는 다음이 포함됩니다

• 선택적 스케치노트
• 선택적 보충 비디오
• 비디오 워크스루 (일부 강의만 해당)
• 강의 전 워밍업 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, 많은 강의가 R로도 제공됩니다. R 강의를 완료하려면 /solution 폴더로 이동하여 R 강의를 찾으세요. 이들은 .rmd 확장자를 포함하며, 이는 코드 청크(R 또는 기타 언어)와 YAML 헤더(PDF와 같은 출력 형식을 안내)를 Markdown 문서에 포함하는 것을 나타냅니다. 따라서 데이터 과학을 위한 뛰어난 저작 프레임워크로 작동하며, 코드, 출력, 생각을 Markdown에 작성할 수 있도록 합니다. 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, quiz-app 폴더의 지침을 따라 로컬에서 실행하거나 Azure에 배포할 수 있습니다.

강의 번호	주제	강의 그룹	학습 목표	링크된 강의	저자
01	머신 러닝 소개	소개	머신 러닝의 기본 개념을 배웁니다	강의	Muhammad
02	머신 러닝의 역사	소개	이 분야의 역사적 배경을 배웁니다	강의	Jen과 Amy
03	머신 러닝과 공정성	소개	학생들이 ML 모델을 구축하고 적용할 때 고려해야 할 공정성에 관한 중요한 철학적 문제는 무엇인가요?	강의	Tomomi
04	머신 러닝 기술	소개	ML 연구자들이 ML 모델을 구축할 때 사용하는 기술은 무엇인가요?	강의	Chris와 Jen
05	회귀 분석 소개	Regression	회귀 모델을 위해 Python과 Scikit-learn 시작하기

• [Python](2-Regression/1-Tools/README.md)
• [R](../../2-Regression/1-Tools/solution/R/lesson_1.html)

|

• Jen
• Eric Wanjau

| | 06 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 머신러닝 준비를 위해 데이터 시각화 및 정리 |

• [Python](2-Regression/2-Data/README.md)
• [R](../../2-Regression/2-Data/solution/R/lesson_2.html)

|

• Jen
• Eric Wanjau

| | 07 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 선형 및 다항 회귀 모델 구축 |

• [Python](2-Regression/3-Linear/README.md)
• [R](../../2-Regression/3-Linear/solution/R/lesson_3.html)

|

• Jen and Dmitry
• Eric Wanjau

| | 08 | 북미 호박 가격 🎃 | [Regression](2-Regression/README.md) | 로지스틱 회귀 모델 구축 |

• [Python](2-Regression/4-Logistic/README.md)
• [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html)

|

• Jen
• Eric Wanjau

| | 09 | 웹 앱 🔌 | [Web App](3-Web-App/README.md) | 학습된 모델을 사용하는 웹 앱 구축 | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | 분류 소개 | [Classification](4-Classification/README.md) | 데이터 정리, 준비 및 시각화; 분류 소개 |

• [Python](4-Classification/1-Introduction/README.md)
• [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) |
  • Jen and Cassie
  • Eric Wanjau
  | | 11 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 분류기 소개 |
  • [Python](4-Classification/2-Classifiers-1/README.md)
  • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) |
    • Jen and Cassie
    • Eric Wanjau
    | | 12 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 추가 분류기 |
    • [Python](4-Classification/3-Classifiers-2/README.md)
    • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) |
      • Jen and Cassie
      • Eric Wanjau
      | | 13 | 맛있는 아시아 및 인도 요리 🍜 | [Classification](4-Classification/README.md) | 모델을 사용하여 추천 웹 앱 구축 | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | 클러스터링 소개 | [Clustering](5-Clustering/README.md) | 데이터 정리, 준비 및 시각화; 클러스터링 소개 |
      • [Python](5-Clustering/1-Visualize/README.md)
      • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) |
        • Jen
        • Eric Wanjau
        | | 15 | 나이지리아 음악 취향 탐구 🎧 | [Clustering](5-Clustering/README.md) | K-Means 클러스터링 방법 탐구 |
        • [Python](5-Clustering/2-K-Means/README.md)
        • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) |
          • Jen
          • Eric Wanjau
          | | 16 | 자연어 처리 소개 ☕️ | [Natural language processing](6-NLP/README.md) | 간단한 봇을 구축하며 NLP 기본 학습 | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | 일반적인 NLP 작업 ☕️ | [Natural language processing](6-NLP/README.md) | 언어 구조를 다룰 때 필요한 일반적인 작업을 이해하며 NLP 지식 심화 | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | 번역 및 감정 분석 ♥️ | [Natural language processing](6-NLP/README.md) | 제인 오스틴과 함께 번역 및 감정 분석 | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | 유럽의 로맨틱 호텔 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰를 활용한 감정 분석 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | 유럽의 로맨틱 호텔 ♥️ | [Natural language processing](6-NLP/README.md) | 호텔 리뷰를 활용한 감정 분석 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | 시계열 예측 소개 | [Time series](7-TimeSeries/README.md) | 시계열 예측 소개 | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ 세계 전력 사용 ⚡️ - ARIMA를 활용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | ARIMA를 활용한 시계열 예측 | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ 세계 전력 사용 ⚡️ - SVR을 활용한 시계열 예측 | [Time series](7-TimeSeries/README.md) | 서포트 벡터 회귀를 활용한 시계열 예측 | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | 강화 학습 소개 | [Reinforcement learning](8-Reinforcement/README.md) | Q-Learning을 활용한 강화 학습 소개 | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | 피터가 늑대를 피하도록 도와주세요! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | 강화 학습 Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | 실제 머신러닝 시나리오 및 응용 | [ML in the Wild](9-Real-World/README.md) | 고전적인 머신러닝의 흥미롭고 유익한 실제 응용 | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | RAI 대시보드를 활용한 ML 모델 디버깅 | [ML in the Wild](9-Real-World/README.md) | 책임 있는 AI 대시보드 구성 요소를 활용한 머신러닝 모델 디버깅 | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |

          이 과정의 추가 리소스를 Microsoft Learn 컬렉션에서 확인하세요

          오프라인 액세스

          Docsify를 사용하여 이 문서를 오프라인에서 실행할 수 있습니다. 이 저장소를 포크하고, 로컬 머신에 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:

          • Generative AI for Beginners
          • Generative AI for Beginners .NET
          • Generative AI with JavaScript
          • Generative AI with Java
          • AI for Beginners
          • Data Science for Beginners
          • ML for Beginners
          • Cybersecurity for Beginners
          • Web Dev for Beginners
          • IoT for Beginners
          • XR Development for Beginners
          • Mastering GitHub Copilot for Paired Programming
          • Mastering GitHub Copilot for C#/.NET Developers
          • Choose Your Own Copilot Adventure

          ---

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