비지도 학습의 대표적인 기법인 군집화(K-Means, DBSCAN)와 차원 축소(t-SNE, UMAP)

앙상블 학습의 배깅(Bagging)과 부스팅(Boosting), 그리고 대표적인 알고리즘인 랜덤포레스트(Random Forest), XGBoost, LightGBM

새로운 변수 생성 기법과 텍스트 및 시계열 데이터 처리 방법

상관 분석과 차원 축소(PCA)를 활용한 피처 선택 기법

평가 지표(정확도, 정밀도, 재현율, F1 점수)와 혼동 행렬(Confusion Matrix)의 개념과 활용 방법

머신러닝의 분류와 회귀 문제를 이해하고, 주요 알고리즘(의사결정나무, KNN, SVM 등)을 살펴봅니다.

머신러닝에서 선형 회귀와 로지스틱 회귀의 기본 개념, 구현 방법, 활용 사례를 다룹니다.

데이터 탐색을 위한 도구와 기법, 시각화를 통한 데이터 패턴 이해에 대해 다룹니다.

머신러닝 모델의 성능을 최적화하기 위해 필수적인 데이터 전처리 기법에 대해 다룹니다. 결측값 처리, 이상치 탐지와 처리, 데이터 정규화와 표준화, 데이터 분할 방법을 자세히 설명합니다.

머신러닝에서 데이터의 중요성과 데이터셋의 종류 및 품질 관리 방법에 대해 다룹니다.