머신러닝은 인공지능의 한 분야로, 데이터에서 패턴을 학습하여 예측이나 결정을 내리는 기술입니다.
선형회귀는 연속적인 값을 예측하기 위해 사용되는 기본적인 머신러닝 기법으로, 직선 형태의 모델을 사용합니다.
로지스틱 회귀는 이진 분류 문제를 해결하기 위해 사용되는 통계적 모델로, 확률을 기반으로 예측합니다.
선형회귀 모델은 1800년대에 처음 등장하였으며, 아버지와 아들의 키 관계를 분석한 연구에서 시작되었습니다.
다중선형회귀는 여러 입력 변수를 사용하여 예측하는 기법으로, 고차원 데이터에서 효과적으로 작동합니다.
비용함수는 예측값과 실제값의 차이를 측정하는 함수로, 이를 최소화하는 것이 모델 학습의 목표입니다.
경사하강법은 비용함수를 최소화하기 위해 파라미터를 반복적으로 업데이트하는 최적화 기법입니다.
모델의 성능을 극대화하기 위해 다양한 최적화 기법이 존재하며, 경사하강법이 그 중 하나입니다.
경사하강법에서 알파 값은 업데이트의 크기를 결정하며, 적절한 조정이 필요합니다.
강의에서는 파이썬을 사용하여 선형회귀 모델을 구현하는 방법을 설명합니다.
