[KT AIVLE] 7주차 정리(3차 미니프로젝트, 딥러닝)

0. 개요

---

이번주에는 딥러닝 심화학습과 세번째 미니 프로젝트를 진행하였습니다.

월	화	수	목	금
딥러닝 심화학습	딥러닝 심화학습	3차 미니프로젝트	3차 미니프로젝트	3차 미니프로젝트

1. 딥러닝 심화학습

---

저번주에 이어서 딥러닝 강의를 이어서 진행하였습니다.

기초 학습

• 기본 알고리즘 정리

  • 선형회귀, 로지스틱 회귀, KNN, Decision Tree, Random Forest, Gradient Boost와 같은 모델의 핵심 원리 및 활용 조건 학습.
  • 각 알고리즘의 전제 조건(NaN 처리, 가변수화, 스케일링) 및 주요 하이퍼파라미터 정리.

• 과적합 방지 기법

  • Early Stopping: patience, monitor, min_delta 옵션을 활용해 과적합 방지.
  • Dropout: 신경망의 일부 뉴런을 학습 시 비활성화하여 복잡한 의존성 제거.
  • Regularization(L1, L2): 과적합을 방지하기 위한 가중치 규제.

Functional API 학습

• 복잡한 모델 구성
  • Functional API로 다중 입력/출력 모델 구현.
  • 데이터 특성별 분리 학습 및 병합을 활용해 다양한 입력 데이터를 통합 학습.

시계열 모델링

• 모델링 기법 비교
  • 통계적, 머신러닝 기반, 딥러닝 기반 시계열 데이터 분석.
  • 시계열 데이터에서 시간 흐름 구간(timesteps)을 고려한 RNN, LSTM 모델 설계.
• 전처리
  • 스케일링, 데이터 3차원 변환, train/validation 분할.
• RNN/LSTM 설계
  • return_sequences 활용으로 출력 데이터의 크기 조절.
  • 장기 의존성 문제를 해결하기 위한 LSTM 구조 학습.

2. 3차 미니프로젝트

---

프로젝트 개요

• 목표
  • 스마트폰 센서 데이터로 동작(Activity)을 분류하는 딥러닝 모델 개발.
  • 데이터는 561개 피처로 구성, 동적(1)과 정적(0)으로 이진 분류 후 세부 분류 진행.

주요 내용

• 특성 중요도 추출
  • Random Forest로 피처 중요도 분석.
  • 상위 150개 피처만 활용하여 학습 속도와 성능 향상 확인.
• 모델링 접근
  • 단순 레이어 쌓기
    • 2의 배수로 레이어 구성, 중간에 Dropout과 Regularization을 추가해 과적합 방지.
    • 높은 정확도(98% 이상)를 기록.
• Function API
  • 센서별 주요 데이터를 구분하여 다중 입력 모델 구성.
  • 기능별 분리 학습 후 통합 학습으로 높은 성능 달성(약 99%).
• 파이프라인 구축
  • 전체 모델을 통합하는 파이프라인 설계.
  • 단계별로 정확도를 확인하며 약 99%의 최종 정확도를 기록.
• 성과
  • 높은 정확도와 창의적인 접근 방식으로 강사님 극찬.
  • PCA 및 K-Fold 기법 활용 사례를 통해 다양한 학습 방법 이해.

2 ) 실습 코드

---

3차 프로젝트와 딥러닝 코드는 git에 업로드 하였습니다.
3차 미니 프로젝트
딥러닝