MIT Data Science 강의 Chapter 15. Statistical Sins and Wrap Up에 오신 여러분 환영합니다!

이번 강의에선 저번 시간에 강의한 통계적 죄악을 조금 더 공부하고 강의 전반을 정리합니다! :)
그동안 강의 듣느라 고생하셨습니다 :)

핵심 키워드

• 통계적 죄악
• 강의 정리

학습하기

학습 내용

통계적 죄악

• y축이 0부터 시작하지 않는 차트를 조심하기
  • y 축을 축소해서 의미없는 값들을 제거
  • 실제와 다르게 보이도록 범위를 줄이면 안되고 속일 의도로 너무 늘려서도 안됨
• 변동과 경향을 혼동하지 말기
• 연속적인 데이터에서 우리가 보는 것은 항상 변동이 있음!함
• 현상이 나타날 만큼의 간격을 설정해야 한
• 숫자를 볼 때 어떤 맥락에 넣어보기
• 분모를 모를 때에는 확률적인 변화에 조심하기

강의의 주제

• 최적화 문제
• 확률론적 사고
• 세상의 측면을 모델링하는 것
• 더 나은 프로그래머 되기
• 파이썬의 추가 기능과 유용한 라이브러리
• 연습, 연습, 또 연습

강의 정리

• 탐욕 알고리즘 : 유용하지만 자주 최적해를 찾지 못함
• k평균 군집화
  • 군집을 찾기 위한 효율적 방법
  • 최적의 군집 세트를 반드시 찾진 못함
• 동적 계획법
  • 빠른 해답을 가져다주기도 함
  • 근사 해가 아닌 정확한 해를 제공
• memorization은 아주 유용한 기술
  • 공간을 시간으로 줄임
• 최적화 문제
  • 배낭 문제
  • 그래프 문제
  • 곡선 맞춤
  • 군집화
  • 로지스틱 회귀
• 세상이 확률적이라고 생각하고 세상을 모델링하려고 하면 확률적 프로그램을 작성할 방법이 필요
• 무작위 계산
  • 전혀 무작위성을 가지지 안은 문제에도 유용하게 쓰이는 계산 기법
  • 파이값을 찾기 위해 사용, 적분에도 쓰일 수 있음
• 통계적 모델
  • 시뮬레이션 모델
  • 몬테카를로 시뮬레이션
  • 표본 추출에 기반한 모델
  • 시뮬레이션에 대해 이야기할 때 결과가 얼마나 신뢰성이 있는지 체크하기
  • 신뢰 구간과 신뢰수준
    • 두 변수를 통해 답이 얼마나 믿을만한지 설명
  • 중심 극한 정리와 다른 분포
• 머신러닝 통계 모델
  • 비지도 학습
    • 군집화
      • 계층적 군집화
      • K 평균 군집화
  • 지도 학습
    • 선형 회귀
    • 분류
    • K-최근접 이웃
    • 로지스틱 회귀