일자

교육 내용

세부 내용

시간

1일차

머신러닝은 왜 필요할까?

 4차 산업혁명과 스마트 팩토리, 머신러닝의 필요성

09:30~10:20

머신러닝 분석을 위한 준비

 나의 분석 주제에 맞는 분석 기법 찾기,
 변수 선정, 선택하는 방법 등

10:30~11:20

R이 뭔지 RG?

 머신러닝을 위한 가장 대중적인 언어(R)

11:30~12:20

점심 식사

12:30~13:30

머신러닝을 위한 필수
R 패키지 연구

 데이터 전처리(dplyr) 패키지, 결측값 처리

13:40~14:30

머신러닝에 바로
활용하는 그래프

 불량 원인을 한눈에 알기 쉽게 : 히트맵(Heatmap)

14:40~15:40

공정 recipe 최적화를 위한
가장 손쉬운 연구

 수치 예측 및 분류 트리 :
 CART(Classificiation And Regression Tree)

15:40~16:30

CART의 단점을 보완한
고성능 트리

 불량 가능성을 확률로 나타내기 :
 랜덤포레스트(Random Forests)

16:40~17:30

2일차

공정 변수 간 관계를
방정식으로 표현

 목표 값이 연속형인 경우 :
 선형회귀분석(Linear Regression)

09:30~10:20

 목표 값이 이항인 경우 :
 로지스틱 회귀분석(Logistic Regression)

10:30~11:20

분류를 위한 알고리즘 소개

 이쪽일까 저쪽일까 :
 SVM(Support Vector Machine)

11:30~12:20

점심 식사

12:30~13:30

분류를 위한 알고리즘 소개

 주변의 비슷한 이웃들로 분류 :
 KNN(K-Nearest Neighbor) 알고리즘

13:40~14:30

모형 성능 향상을 위한 방법론

 우불량 비율 차이가 너무 많이 나는 경우,
 데이터 사이즈가 너무 작은 경우??

14:40~15:40

기타 적용 가능한
머신러닝 기법

 기타 머신러닝 알고리즘 소개

15:40~16:30

최적의 분석 기법
선택을 위한 방법론

 모형 성능 비교 : 로지스틱? 랜덤포레스트? SVM?
 어떤 기법이 적절할까?

16:40~17:30