선형 판별 분석(LDA)이란? AI에서 클래스의 분포로 분류하고 차원을 줄이는 방법
선형 판별 분석은 클래스별 정규분포와 공통 공분산을 가정해 분류하고 차원을 줄이는 방법입니다. PCA·QDA·로지스틱 회귀와의 차이, 출력 차원·solver·수축 추정의 뜻, 데이터 누수와 확률 해석의 주의점을 설명합니다.
K-최근접 이웃(KNN)이란? AI에서 가까운 사례의 정답으로 새 입력을 예측하는 방법
K-최근접 이웃은 새 입력과 가까운 학습 사례의 정답을 모아 분류하거나 수치를 예측하는 방법입니다. k·거리·가중치의 뜻, ANN·K-means와의 차이, 스케일링·동점·확률 해석과 평가의 주의점을 설명합니다.
로지스틱 회귀(Logistic Regression)란? AI에서 선형 점수를 확률로 바꿔 분류하는 방법
로지스틱 회귀는 입력의 선형 점수를 확률로 바꿔 클래스를 예측하는 모델입니다. 시그모이드·로그 손실·규제의 뜻, 일반 회귀·나이브 베이즈·SVM과의 차이, 클래스 순서·임계값·확률 검증의 주의점을 설명합니다.
나이브 베이즈(Naive Bayes)란? AI에서 특징별 확률로 클래스를 예측하는 방법
나이브 베이즈는 클래스가 주어졌을 때 특징들이 독립이라는 가정으로 확률을 계산하는 분류 방법입니다. 사전확률·평활화·로그 점수의 뜻, MultinomialNB·BernoulliNB·GaussianNB의 차이, 확률 해석과 데이터 점검법을 설명합니다.
서포트 벡터 머신(SVM)이란? AI에서 마진으로 분류 경계를 학습하는 방법
서포트 벡터 머신은 마진과 학습 손실을 함께 고려해 분류 경계를 찾는 모델입니다. 서포트 벡터·커널·C·gamma의 뜻, SVC·LinearSVC·SVR과의 차이, 점수와 확률·전처리·계산 비용의 주의점을 설명합니다.
컨포멀 예측(Conformal Prediction)이란? AI에서 정답을 포함할 예측 구간과 집합을 만드는 방법
컨포멀 예측은 보정 데이터의 오차 순위로 정답을 포함할 예측 구간이나 후보 집합을 만드는 방법입니다. 교환가능성·주변적 포함률의 뜻, 확률 캘리브레이션과의 차이, 데이터 분리·구간 폭·분포 변화의 주의점을 설명합니다.
OPTICS란? AI에서 도달 가능 거리로 여러 밀도의 군집 구조를 찾는 방법
OPTICS는 표본의 처리 순서와 도달 가능 거리를 기록해 여러 밀도 수준의 군집 구조를 찾는 방법입니다. DBSCAN·LOF와의 차이, xi와 eps의 역할, 거리 그림과 결과 배열을 읽는 법, 노이즈·계산 비용의 주의점을 설명합니다.
친화도 전파(Affinity Propagation)란? AI에서 실제 대표 사례를 골라 데이터를 묶는 방법
친화도 전파는 데이터 쌍의 수치 메시지를 반복 갱신해 실제 표본 중 대표를 고르는 군집화 방법입니다. 책임도·가용도·선호도·감쇠의 뜻, K-means·평균 이동과의 차이, 유사도 입력·수렴·계산 비용의 점검법을 쉽게 설명합니다.
평균 이동(Mean Shift)이란? AI에서 밀도가 높은 중심을 찾아 데이터를 묶는 방법
평균 이동은 주변 데이터의 평균 쪽으로 중심 후보를 옮겨 밀도가 높은 위치를 찾는 군집화 방법입니다. 대역폭·시드·외딴 점의 뜻, K-means·KDE·DBSCAN과의 차이, 계산 비용과 새 데이터 예측의 점검법을 쉽게 설명합니다.
스펙트럴 클러스터링(Spectral Clustering)이란? AI에서 그래프의 연결 구조로 데이터를 묶는 방법
스펙트럴 클러스터링은 유사도 그래프의 라플라시안과 고유벡터로 새 좌표를 만든 뒤 군집을 찾는 방법입니다. K-means·계층적 군집화·DBSCAN과의 차이, 군집 수·이웃 수·거리 행렬·새 데이터 처리 점검법을 쉽게 설명합니다.
감자나라 AI 강의보기 5,000 
