LEVEL 4 AI/머신러닝 입문 코스

닮은꼴 찾기: 관계 로직

파이썬의 핵심을 찌르는 단계별 퀴즈를 풀어보세요.

섹션 완료도 0%
획득 가능 포인트 270 P
COURSE 1. 파이썬 스타터 142
COURSE 2. 파이썬 베이직 106
COURSE 3. 데이터 사이언스 67
COURSE 4. AI/머신러닝 입문 59
COURSE 4 AI/머신러닝 입문
데이터 구조화: AI 전처리 0/17 데이터의 규칙: 예측 로직 0/14 예와 아니오: 판단 로직 0/6 닮은꼴 찾기: 관계 로직 0/7 최적의 경로: 강화 로직 0/7 층층이 지능: 신경망 로직 0/7 옷의 시너스: 판단 로직 0/1
전체 7 빈칸 채우기 6 객관식 1
01
객관식
KNN 알고리즘의 K

K-Nearest Neighbors(KNN) 알고리즘에서 "K"가 의미하는 것은?

미션 시작
02
빈칸 채우기
유클리드 거리 계산 구현

두 데이터 사이의 직선 거리를 구하는 유클리드 거리 공식은 관계 로직의 기초입니다. 피타고라스 정리를 이용한 거리 계산 함수를 완성하세요.

미션 시작
03
빈칸 채우기
KNN(K-최근접 이웃)의 투표 원리

가장 가까운 K개의 이웃 중 가장 많은 라벨을 선택하는 KNN의 의사결정 과정을 완성하세요.

미션 시작
04
빈칸 채우기
사이킷런 KNN 분류기 활용

Scikit-learn을 사용하여 K-최근접 이웃 분류 모델을 만들고 학습시키는 코드를 완성하세요.

05
빈칸 채우기
K-Means: 스스로 그룹 찾기(Clustering)

정답(y)이 없는 상태에서 데이터끼리 닮은꼴을 찾아 그룹을 묶는 K-평균(K-Means) 알고리즘을 실습해 보세요.

06
빈칸 채우기
거리 기반 모델의 필수 과정: 스케일링

데이터의 단위가 다르면 거리 계산에 오류가 생깁니다. 모든 값을 0~1 사이로 맞추는 Min-Max 스케일링 공식을 완성하세요.

07
빈칸 채우기
코사인 유사도(Cosine Similarity) 개념

방향성만으로 닮음을 측정하는 코사인 유사도 원리입니다. 두 벡터의 내적을 이용해 유사도를 구하는 빈칸을 완성하세요.

용어사전