🏆 ABC Boot Camp: 머신러닝 및 딥러닝 프로젝트

부트캠프에서 진행한 실습 및 프로젝트 저장소 목적: TensorFlow, Keras, 머신러닝, 딥러닝을 활용한 다양한 실습 진행 및 프로젝트 구현

---

프로젝트 개요

본 프로젝트는 ABC Boot Camp에서 진행한 머신러닝 및 딥러닝 모델 개발 실습 및 프로젝트를 포함하고 있다.
다양한 데이터셋을 활용하여 신경망 모델, CNN, 회귀 분석, 분류 모델 등을 구축하고 최적화하는 과정이 포함되어 있다.
주요 프로젝트는 다음과 같다.

---

🛠 주요 프로젝트 및 기술 스택

1.TensorFlow & Keras 기반 신경망 모델 개발

03_TensorFlow Keras를 활용한 신경망 모델 기본적인 신경망 구조 설계 및 모델 학습 손실 함수(loss function) 및 옵티마이저(optimizer) 설정 모델 성능 평가 (Accuracy, Loss)

2.CNN(합성곱 신경망) 기반 패션 MNIST 분류 모델

05_Fashion_MNIST_0~9_의류_예측하기.ipynb
Fashion-MNIST 데이터셋을 활용한 CNN 기반 이미지 분류 모델 구축
Conv2D, MaxPooling, Dropout 적용하여 모델 최적화
학습된 모델을 활용하여 의류 이미지 분류 수행

3.머신러닝을 활용한 보스턴 주택 가격 예측

06_1970년대_보스턴_지역의_주택_가격_예측.ipynb
Linear Regression, Decision Tree, Random Forest 등 다양한 모델 비교
**MSE(Mean Squared Error), RMSE(Root Mean Squared Error)**를 활용한 모델 성능 평가
주택 가격에 영향을 주는 주요 변수 분석

4.타이타닉 생존자 예측 (Classification)

신경망_모델-_타이타닉_생존자_예측.ipynb
로지스틱 회귀(Logistic Regression), SVM(Support Vector Machine), 랜덤 포레스트(Random Forest) 기반 분류 모델 개발
Feature Engineering 및 데이터 전처리 (결측치 처리, 특성 선택)
ROC-AUC, Precision-Recall Curve를 활용한 성능 평가

5.컨볼루션 신경망(Convolutional Neural Network) 기반 모델

06_TensorFlow Keras를 활용한 컨볼루션신경망.ipynb
이미지 데이터셋을 활용한 딥러닝 모델 구축
CNN 모델을 Batch Normalization, Dropout을 적용하여 일반화 성능 향상
하이퍼파라미터 튜닝을 통한 최적 모델 탐색

---

데이터셋 및 모델 성능 평가

• 사용한 데이터셋: Fashion-MNIST, Titanic, Boston Housing Prices 등
• 성능 지표:
  • 회귀 모델: MSE(Mean Squared Error), RMSE(Root Mean Squared Error)
  • 분류 모델: Accuracy, Precision, Recall, F1-Score, ROC-AUC
• 모델 비교 및 하이퍼파라미터 튜닝 진행

---

🔗 프로젝트 코드 및 상세 구현

🔗 GitHub Repository: ABC Boot Camp 프로젝트
📌 본 저장소에는 위의 프로젝트 코드 및 Jupyter Notebook이 포함되어 있다.
📌 자세한 구현 과정 및 결과는 GitHub 링크에서 확인할 수 있다.

---