00:00 청중 조사 00:10 목차 01:05 발표자 맹윤호 소개 01:29 발표 목적 - 데이터 분석 및 파이썬으로 API 만들기 02:40 소스코드 Github 경로 02:42 모든 기업들이 AI를 외치고 있는데, 현재 가장 큰 문제는 제품으로 이어지는 것이다. 03:15 AI 논문 vs AI 특허 vs AI 제품 03:52 머신러닝(Machine Learning)의 구분 - 지도학습 vs 비지도 학습 (Supervised Learning vs Unsupervised Learning) 05:10 머신러닝(Machine Learning)과 딥러닝(Deep Learning)의 차이 05:25 딥러닝이 더 좋으면 왜 머신러닝을 배워요? 06:15 데이터가 불균형한 상태일 때, 혼동행렬(Confusion Matrix)과 F1-Measure 07:25 K-폴드 테스트(K-fold Test)와 과적합(Overfitting) 09:00 F1-Measure code 09:05 K-fold Validation code 09:25 머신러닝(Machine Learning) 시작 10:19 분류 Classification 10:54 선형회귀 Linear Regression 11:21 개발자가 데이터 분석을 할 때 가장 흔히 하는 실수 11:55 양적 변수의 잘못된 사용 예시: 데이터의 성격을 알아야 한다. 13:31 클러스터링 Clustering - 군집탐지 알고리즘 13:32 소프트 클러스터링 (Soft Clustering) vs 하드 클러스터링 (Hard Clustering) 13:47 K 평균 클러스터링 알고리즘 K-Means Clustering Algorithm 14:12 탐색적 데이터 분석으로 데이터 분포를 보아야 하는 이유 14:29 K 평균 클러스터링 알고리즘 코드 K-Means Clustering Algorithm Code 14:58 딥러닝 (Deep Learning) 시작 15:05 ANN(Artificial Neural Network, 인공신경망) 개념 설명 15:42 인공신경망의 수학적 이해 16:15 텐서플로우 이름의 유래 16:27 인공신경망의 수학적 이해 (이어서) 17:55 엑셀로 실행해보고 이해하는 딥러닝 19:03 심층신경망(Deep Neural Network, DNN) & 딥러닝(Deep Learning) 설명 19:15 텐서플로우 (Tensorflow) 와 케라스 (Keras) 19:44 ANN(Artificial Neural Network, 인공신경망) with MNIST - 딥러닝으로 손글씨 인식 예제 20:18 인공지능 개발자가 하루 종일 하는 일 - 인공신경망 성능 향상 (하이퍼 파라미터 튜닝 Hyper Parameter Tuning) 21:15 CNN(Convolutional Neural Network, 합성곱 신경망) 22:32 영상으로 살펴보는 딥러닝의 원리 23:07 엔비디아 Nvidia의 General-Purpose Graphics Processing Unit (GPGPU) 기술 24:44 강화학습 (Reinforcement Learning) 시작 25:34 멀티암드 밴딧 모델 (The Multi-armed Bandit Model) 26:23 맥락 밴딧 모델 (The Contextual Bandits Model) 26:48 플라스크를 활용한 딥러닝 API 만들기 (Flask API with Deep Learning Model) 27:01 API 란? 27:24 플라스크를 활용한 딥러닝 API 만들기 코드 (Flask API with Deep Learning Model Code) 28:55 딥러닝 모델 파일 열어보기 29:35 보스턴 딥러닝 아파트 값 예측 모형 (Flask API with Keras & Tensorflow) 코드 설명 30:51 보스턴 딥러닝 아파트 값 예측 모형 (Flask API with Keras & Tensorflow Demo) 데모 시연 31:50 딥러닝 모델 서빙 (Deep Learning Model Serving) - 케라스(Keras) vs 사이킥런(sklearn) 32:11 딥러닝 모델 서빙 (Deep Learning Model Serving) - 도커(Docker)를 활용한 텐서플로우 모델 서빙 32:28 IBM AutoAI 시작 33:18 AutoAI vs AutoML 34:26 데이터만 잘 넣어주면 동작하는 AutoAI 35:28 AutoAI 결과 해석 36:13 AutoAI API로 모델 서빙하기 37:51 AI도 대체하지 못하는 사람의 영역 1, 데이터 - Garbage in, Garbage out 38:09 AI도 대체하지 못하는 사람의 영역 2, 인과관계와 상관관계의 차이 38:36 AI도 대체하지 못하는 사람의 영역 3, Survivorship Bias (생존자 편향의 오류) Github github.com/yunho0130/devday_python_api 발표자료 www.slideshare.net/YunhoMaeng/python-api-feat-autoai
![[딥러닝, 머신러닝, 인공지능] 이 영상 하나로 끝내드립니다 | 네이버 AI 부트캠프 멘토출신 이종혁 - 메타코드M](http://i.ytimg.com/vi/WeHFmpDN_ks/mqdefault.jpg)
![[딥러닝, 머신러닝, 인공지능] 이 영상 하나로 끝내드립니다 | 네이버 AI 부트캠프 멘토출신 이종혁 - 메타코드M](/img/tr.png)
영상을 한번에 바로 전체를 보는것은 어렵지만 천천히 보면서 배워갑니다!
00:00 청중 조사
00:10 목차
01:05 발표자 맹윤호 소개
01:29 발표 목적 - 데이터 분석 및 파이썬으로 API 만들기
02:40 소스코드 Github 경로
02:42 모든 기업들이 AI를 외치고 있는데, 현재 가장 큰 문제는 제품으로 이어지는 것이다.
03:15 AI 논문 vs AI 특허 vs AI 제품
03:52 머신러닝(Machine Learning)의 구분 - 지도학습 vs 비지도 학습 (Supervised Learning vs Unsupervised Learning)
05:10 머신러닝(Machine Learning)과 딥러닝(Deep Learning)의 차이
05:25 딥러닝이 더 좋으면 왜 머신러닝을 배워요?
06:15 데이터가 불균형한 상태일 때, 혼동행렬(Confusion Matrix)과 F1-Measure
07:25 K-폴드 테스트(K-fold Test)와 과적합(Overfitting)
09:00 F1-Measure code
09:05 K-fold Validation code
09:25 머신러닝(Machine Learning) 시작
10:19 분류 Classification
10:54 선형회귀 Linear Regression
11:21 개발자가 데이터 분석을 할 때 가장 흔히 하는 실수
11:55 양적 변수의 잘못된 사용 예시: 데이터의 성격을 알아야 한다.
13:31 클러스터링 Clustering - 군집탐지 알고리즘
13:32 소프트 클러스터링 (Soft Clustering) vs 하드 클러스터링 (Hard Clustering)
13:47 K 평균 클러스터링 알고리즘 K-Means Clustering Algorithm
14:12 탐색적 데이터 분석으로 데이터 분포를 보아야 하는 이유
14:29 K 평균 클러스터링 알고리즘 코드 K-Means Clustering Algorithm Code
14:58 딥러닝 (Deep Learning) 시작
15:05 ANN(Artificial Neural Network, 인공신경망) 개념 설명
15:42 인공신경망의 수학적 이해
16:15 텐서플로우 이름의 유래
16:27 인공신경망의 수학적 이해 (이어서)
17:55 엑셀로 실행해보고 이해하는 딥러닝
19:03 심층신경망(Deep Neural Network, DNN) & 딥러닝(Deep Learning) 설명
19:15 텐서플로우 (Tensorflow) 와 케라스 (Keras)
19:44 ANN(Artificial Neural Network, 인공신경망) with MNIST - 딥러닝으로 손글씨 인식 예제
20:18 인공지능 개발자가 하루 종일 하는 일 - 인공신경망 성능 향상 (하이퍼 파라미터 튜닝 Hyper Parameter Tuning)
21:15 CNN(Convolutional Neural Network, 합성곱 신경망)
22:32 영상으로 살펴보는 딥러닝의 원리
23:07 엔비디아 Nvidia의 General-Purpose Graphics Processing Unit (GPGPU) 기술
24:44 강화학습 (Reinforcement Learning) 시작
25:34 멀티암드 밴딧 모델 (The Multi-armed Bandit Model)
26:23 맥락 밴딧 모델 (The Contextual Bandits Model)
26:48 플라스크를 활용한 딥러닝 API 만들기 (Flask API with Deep Learning Model)
27:01 API 란?
27:24 플라스크를 활용한 딥러닝 API 만들기 코드 (Flask API with Deep Learning Model Code)
28:55 딥러닝 모델 파일 열어보기
29:35 보스턴 딥러닝 아파트 값 예측 모형 (Flask API with Keras & Tensorflow) 코드 설명
30:51 보스턴 딥러닝 아파트 값 예측 모형 (Flask API with Keras & Tensorflow Demo) 데모 시연
31:50 딥러닝 모델 서빙 (Deep Learning Model Serving) - 케라스(Keras) vs 사이킥런(sklearn)
32:11 딥러닝 모델 서빙 (Deep Learning Model Serving) - 도커(Docker)를 활용한 텐서플로우 모델 서빙
32:28 IBM AutoAI 시작
33:18 AutoAI vs AutoML
34:26 데이터만 잘 넣어주면 동작하는 AutoAI
35:28 AutoAI 결과 해석
36:13 AutoAI API로 모델 서빙하기
37:51 AI도 대체하지 못하는 사람의 영역 1, 데이터 - Garbage in, Garbage out
38:09 AI도 대체하지 못하는 사람의 영역 2, 인과관계와 상관관계의 차이
38:36 AI도 대체하지 못하는 사람의 영역 3, Survivorship Bias (생존자 편향의 오류)
Github github.com/yunho0130/devday_python_api
발표자료 www.slideshare.net/YunhoMaeng/python-api-feat-autoai
17:40 아이구야~ 40프로나 주무시다닝~ ㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋ 너무웃겨
발표 정말 잘하시네요 재밌게 봤어요 유익했습니다
와우 덧글은 발표자를 춤추게 합니다! :) 감사합니다 좋은 하루 되세요~~
결국 데이터기반으로 나온 수치에 대한 해석은 사람의 경험, 비즈니스에 대한 경험이 중요하다는 것에 많은 공감 느끼고 갑니다.
좋은 발표 영상으로 공유해주셔서 감사합니다.
안녕하세요 덧글 감사합니다. 말씀하신 것 처럼 도메인 지식을 빼놓고 데이터 분석을 생각할 수 없습니다. 분석의 트렌드가 자동화로 나아가고 있는 상황에서도 중요한 걸 놓치지 않길 바라는 마음을 담았습니다.
영상감사합니다♡! 청중분들이 졸아서(ㅂㄷㅂㄷ) 중간중간 건너뛸때마다 아쉬웠습니다ㅠㅠ... 저는 듣고싶었거든요ㅠㅋㅋㅋ 제가 만약 거기 있었다면 손번쩍번쩍 들었을꺼예요>
우왓!! 덧글 감사합니다 ☺️ 그랬으면 참 좋았을 것 같아요!!
좋은 영상 감사합니다 :)
좋은 덧글도 감사합니다 ☺️
형~!!! ㅜㅜ드디어 시각화로 이해햇어~!! 고마워형 ~~~
도움이 되셨다니 다행입니다!
캬.. 이런 멋진 강의를 볼 수 있다니.. ㄷㄷㄷ 손발이 떨리네욤 ㅋ.ㅋ
오오...! 감사합니다 😊 앞으로도 양질의 강의로 찾아뵙겠습니다
먼저 파이썬을 공부해여겠군염 ??!!!
파이썬 공부하시기 어려우시면 AutoAI 먼저 시작하시는 것도 좋습니다 :)
이런 프로젝트 하나를하는데 소요하는 시간은 얼마나 걸리나요?
데이터 수집과 모델링 가능성 여부에 따라 많이 달라지는데요. 아무리 작은 모델도 적어도 6개월은 잡으셔야 합니다
아..좀
편집때 주의하겠습니다