트리 분석(Tree Analysis) 알고리즘은 데이터를 분류(Classification)하거나 예측(Prediction)하기 위한 방법 중 하나입니다. 트리 분석 알고리즘은 일련의 결정 규칙들로 이루어진 트리(Tree)를 만들어 데이터를 분류하거나 예측합니다. 이 트리는 뿌리(Root)에서 시작하여 분기(Branch)를 반복하며 종단 노드(Leaf node)에 이르는데, 각 분기마다 하나의 변수를 선택하고 그 변수를 기준으로 데이터를 분류합니다. 트리 분석 알고리즘은 다양한 종류가 있습니다. 대표적으로는 의사결정나무(Decision Tree)와 랜덤포레스트(Random Forest)가 있습니다. 의사결정나무는 단일 트리로 구성되어 있으며, 랜덤포레스트는 여러 개의 의사결정나무를 조합하여 구성된 앙상블(..

from sklearn import datasets irisData = datasets.load_iris() x_total = irisData.data y_total = irisData.target # 데이터 분할 from sklearn.model_selection import train_test_split, cross_val_score x_train, x_test, y_train, y_test = train_test_split(x_total, y_total, random_state=10) # 모형 학습 from sklearn.neighbors import KNeighborsClassifier kNN = KNeighborsClassifier() kNN.fit(x_train, y_train) # 학습 결과..

import seaborn as sb # 데이터로드 mpgData = sb.load_dataset('mpg') mpgData = mpgData.dropna() indVarNames = ['cylinders','displacement','horsepower','weight','acceleration','model_year'] x_total = mpgData[indVarNames] depVarName = 'mpg' y_total = mpgData[depVarName] from sklearn.model_selection import train_test_split x_total_np = x_total.to_numpy() y_total_np = y_total.to_numpy() x_train, x_test, y_..

from sklearn import datasets irisData = datasets.load_iris() x_total = irisData.data y_total = irisData.target # 데이터 분할 from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x_total, y_total, test_size=0.50, random_state=10) # 모형 학습 from sklearn.naive_bayes import GaussianNB gNB = GaussianNB() gNB.fit(x_train, y_train) # 학습 결과 및 성능 평가 predictedC..

import seaborn as sns tipsData = sns.load_dataset('tips') h1 = sns.histplot(data=tipsData, x='tip', bins=10) h1.set_xlabel('Tip($)') tipsData['tip_percent'] = (tipsData['tip']/tipsData['total_bill']) * 100 h2 = sns.histplot(data = tipsData, x='tip_percent', kde = True, bins=20) h2.set_xlabel('Tip/Total Bill(%)') # ked=True : 커널밀도함수추정 b1 = sns.boxplot(x='sex', y='tip', data=tipsData) b1.set_xlabe..

import numpy as np a = np.array([2,4,6]) aa = np.array([[1,2],[3,4]]) bb = np.array([[20,40],[60,80]]) cc = aa + bb dd = aa - bb 3 * aa (1/2) * bb # 행렬의 곱셈 aa@bb # 1 x 20 + 2 x 60 = 140 np.matmul(aa, bb) # numpy에서 A*B 연산은 아다마르 곱 aa * bb

인공지능에 대한 관심이 높아지고 있는데 국내 대학 학사학위 과정으로 인공지능 전공(AI 전공)도 하나둘씩 생겨나고 있다. 그 중 한국방송통신대학교 프라임칼리지 AI전공의 을 소개한다. 1) 나름 체계적으로 보이고 2) 꼭 들어야 할 핵심 교과목 표기 (진한 파란색 / 전공 필수 개념은 없다) 3) 선수학습과목 표시가 되어있어서 특정 과목을 듣기 위해서 사전에 어떤 과목을 공부해야하는지 쉽게 파악할 수 있어서 좋았다. 4) 이 과목이 전공기초, 데이터분석 AI, AI활용, 데이터공학 분야 중 어디에 해당되는지 표시되어있다. 커리큘럼 기획하신 분이 고민 많이한 흔적이 느껴진다. 서울사이버대학교 AI 소프트웨어전공보다 한국방송통신대학교의 커리큘럼이 더 좋다. 편입 첫 학기에 6과목을 들을 수 있어서 통계학 개..