이번에는 녹소토와 펄라이트를 3:7 비율로 섞어서 측정해보았습니다.

아래는 데이터와 fit결과입니다.

데이터들이 직선으로 잘 늘어서 있습니다. fit결과는,

입니다. x는 상대습도(%), y는 센서값입니다. 역함수는,

입니다.

이번에는 다른 혼합비에서 측정한 결과와 겹쳐보겠습니다. 오늘 측정결과는 노란색으로 표시되어 있습니다. 실선은 가중치합산 예측식이고 점선은 측정결과입니다.

예상대로 녹소토의 비율을 낮추고 펄라이트 비율이 높을 수록 순수한 펄라이트의 결과에 접근함을 알 수 있습니다. 이번에도 역시 실선과 점선이 일정하게 떨어져 있는 것을 볼 수 있습니다.

어쨋든 2종류의 흙이 혼합된 혼합흙은 가중치 합산방법으로 예측해 볼수 있으며, 실제 습도와의 오차는 약 15 ~ 20%정도임을 알 수 있습니다.

지난번 글에서 데이터 과학 강의를 소개했는데, 이번에는 이어서 기계학습 강의에 대해서 소개를 하겠습니다. Udemy에서 역시 같은 강사가 올린 강의입니다. 제목은 "Machine Learning A-Z: AI, Phython & R + ChatGPZ Prize [2025]"입니다.

강의 주소(https://www.udemy.com/course/machinelearning/learn/lecture/20015232?start=195#overview)

이 강의에서는 각종 기계학습 방법에 대해서 배울 수 있습니다. 기계학습이란, 어떤 데이터가 입력이 되었을 때, 데이터가 무엇을 의미하는지를 판정해주는 방법 혹은 모델이라고 할 수 있습니다. 기계학습의 대표적인 기법 중의 하나기 딥러닝입니다만, 딥러닝 이외에도 다양한 기법이 있습니다.

본 강의에서는 그러한 각 기법들의 개념을 먼저 설명하여, 수강자들이 먼저 개념을 이해하도록 돕고, 그런후 python을 이용하여 실습할 수 있도록 하고 있습니다. 따라서 강의에서 설명하는대로 코드를 직접 작성하여 실행해 볼 수 있습니다.

그럼 강의 설명을 요약해 올려보겠습니다.

----------------------------------------------------

이 강의는 머신러닝 분야에 관심이 있는 사람들을 위한 과정입니다. 데이터 과학자와 머신러닝 전문가가 설계한 이 강의는 복잡한 이론, 알고리즘, 코드 라이브러리를 간단하게 배우고 이해할 수 있도록 돕습니다. 전 세계 100만 명 이상의 학생들이 이 강의를 신뢰하고 있으며, 단계별로 머신러닝의 세계로 안내합니다. 각 튜토리얼을 통해 새로운 기술을 배우고 이 도전적이면서도 보람 있는 데이터 과학 분야를 깊이 이해하게 됩니다.

이 강의는 파이썬 또는 R 튜토리얼 중 하나를 선택하여 학습할 수 있으며, 둘 다 공부할 수도 있습니다. 여러분의 경력에 맞는 프로그래밍 언어를 선택하면 됩니다. 강의는 재미있고 흥미롭지만 동시에 머신러닝에 대해 깊이 탐구합니다. 강의는 다음과 같은 구조로 진행됩니다.

  1. 데이터 전처리
  2. 회귀 분석: 단순 선형 회귀, 다중 선형 회귀, 다항 회귀, 서포트 벡터 회귀, 결정 트리 회귀, 랜덤 포레스트 회귀
  3. 분류 분석: 로지스틱 회귀, K-NN, 서포트 벡터 머신(SVM), 커널 SVM, 나이브 베이즈, 결정 트리 분류, 랜덤 포레스트 분류
  4. 클러스터링: K-평균, 계층적 클러스터링
  5. 연관 규칙 학습: Apriori, Eclat
  6. 강화 학습: 상한 신뢰 구간, 톰프슨 샘플링
  7. 자연어 처리: Bag-of-words 모델과 NLP 알고리즘
  8. 딥러닝: 인공 신경망, 합성곱 신경망(CNN)
  9. 차원 축소: PCA, LDA, 커널 PCA
  10. 모델 선택 및 부스팅: k-겹 교차 검증, 파라미터 튜닝, 그리드 서치, XGBoost

각 파트 내의 섹션은 독립적으로 진행되므로, 전체 강의를 처음부터 끝까지 들을 수도 있고, 현재 자신에게 필요한 섹션만 선택하여 배울 수도 있습니다. 또한, 이 강의는 실제 사례를 바탕으로 한 실습을 포함하고 있어 이론뿐만 아니라 실제 모델을 구축하며 실습할 수 있습니다.

강의는 파이썬과 R 코드 템플릿도 제공하여, 학습한 내용을 실제 프로젝트에 적용할 수 있도록 돕습니다. 학습 후에는 머신러닝 모델을 선택하고, 예측을 정확하게 하며, 강력한 분석을 수행할 수 있게 됩니다. 또한, 강의는 강화 학습, 자연어 처리, 딥러닝, 차원 축소와 같은 고급 기술도 다룹니다. 머신러닝을 통해 비즈니스에 가치를 더하고, 데이터 과학 분야에서 경력을 쌓을 수 있는 능력을 키울 수 있습니다.

이 강의는 고등학교 수학 수준의 기초 지식만 있으면 누구나 수강할 수 있습니다. 머신러닝에 관심이 있는 사람, 기초 알고리즘을 아는 중급 수준의 사람, 코딩에 익숙하지 않지만 머신러닝을 배우고 싶어 하는 사람 등 누구나 수강 가능합니다. 데이터 과학에서 경력을 시작하고자 하는 대학생, 데이터 분석가 등에게도 적합한 강의입니다.

시들시들한 녀석의 뿌리를 물로 씻은 후, 다시 새 화분에 새 적옥토를 넣고 심어놨습니다.

물을 주면서 다시 살아날지 보겠습니다.

 

이번 시간부터 제가 직접 수강했던 데이터 과학, 기계학습, 인공지능에 관한 온라인 강의들 소개하고자 합니다.

 

기계학습 혹은 인공지능에 대해서 배우고 싶은데 어떻게 시작할지 모르는 분들을 위해서 좋은 강의라 생각하여 소개드립니다. Udemy라는 온라인 학습 사이트에 올려져 있는 유료 강의들 입니다. 가격도 수만원 정도로 그렇게 부담스럽지 않습니다. 저는 기계학습, 인공지능에 대해서 온라인 학습과정을 통해서 배웠고, 학교의 정규과목을 통해서 배우지 않았습니다. 하지만 강의의 내용이 충실하고, 강의를 따라서 실습도 해볼 수 있어서, 강의를 배운 후에는 직접 사용할 수 있을 정도입니다.

 

그럼 이번글부터 하나씩 소개해 보겠습니다.

 

데이터 과학 강의:

Udemy에 가셔서 강의 검색창에서 'Data Science A-Z: Hands-on Excersizes & ChatGPT Prize [2025]'로 검색하시면 됩니다.

요렇게 생긴 아저씨가 보이는 강의를 찾으시면 이 강의가 맞습니다.

강의는 영어로 진행되지만 한글자막도 지원됩니다. 다만 자막의 한극번역이 좀 어색한 부분도 있어서 동영상과 자막을 같이 보면서 맥락을 파악하면 될듯합니다.

 

해당 페이지의 강의 설명에 가서 설명을 chatgpt로 요약하면 아래와 같습니다.

 

데이터 사이언스 과정 소개

이 강의는 단순히 이론에만 의존하지 않고 실습 중심으로 진행됩니다. 완벽하게 모든 것이 잘 맞춰지는 수업이 아니라, 실제 데이터 사이언티스트가 매일 겪는 어려움과 고통을 생생히 체험하게 될 것입니다. 잘못된 데이터, 이상치, 불규칙성 등 수많은 문제들을 다루며, 이 과정을 통해 데이터 분석의 진짜 모습을 경험하게 됩니다.

이 과정이 특별한 이유는, 여러분이 데이터 사이언스의 모든 단계를 직접 경험하게 된다는 점입니다. 이 과정이 끝난 후, 여러분은 다음과 같은 기술들을 마스터하게 될 것입니다:

  • 데이터를 분석을 위한 형태로 정리하고 준비하는 방법
  • 기본적인 데이터 시각화 방법
  • 데이터 모델링 기술
  • 곡선 맞추기 (Curve Fitting) 방법
  • 분석 결과를 효과적으로 발표하는 기술

이 과정에서는 실제 업무 환경에서 겪을 수 있는 도전적이고 현실적인 문제들을 해결할 수 있는 능력을 키울 수 있습니다. 과제는 고난도로 생각을 자극하며, 그만큼 성취감도 클 것입니다. 여러분은 SQL, SSIS, Tableau, Gretl 등의 도구를 다루는 데 능숙해지며, 이 과정에서 배운 모든 것을 실제 업무에 바로 적용할 수 있습니다.

 

주요 학습 내용

  • 복잡한 데이터 사이언스 프로젝트의 전체 단계를 성공적으로 수행하는 방법
  • Tableau를 이용한 기본 시각화 및 데이터 마이닝 기술
  • 회귀 분석 (Linear Regression)로지스틱 회귀 분석 (Logistic Regression) 수행
  • 모델 평가 (R-squared, Adjusted R-squared 등)
  • 다중공선성을 확인하고 다루는 방법
  • SQL ServerSQL 스크립트 작성
  • 데이터 준비 및 이상치 처리 방법
  • 모델의 유지보수 및 개선 방법

 

강의 대상

  • 데이터 사이언스에 관심 있는 누구나
  • 데이터 마이닝 및 통계 모델링 기술을 향상시키고 싶은 사람
  • 데이터 준비 및 발표 기술을 향상시키고 싶은 사람

이 과정은 단순히 데이터를 다루는 기술만을 배우는 것이 아닙니다. 여러분은 실제 데이터를 가지고 문제를 해결하는 과정을 통해, 실제 업무에서 겪을 수 있는 상황들을 대비하게 될 것입니다. 이 강의를 통해 데이터 사이언스의 세계로 한 걸음 더 나아가세요!

지금 바로 수업에 참여하여 실제 업무에서 유용한 데이터 사이언스 기술을 배워보세요!

 

저자는 Kirill Eremenko로 기계학습과 인공지능 강의를 위한 자체적인 홈페이지(https://www.superdatascience.com/)도 운영하고 있습니다.

 

다음 글에서는 기계학습 과정에 대해서 소개하겠습니다.

 

 

지난번 글에서 2개의 호야 카르노사 화분에 대해서 말씀드렸습니다. 그 두 화분의 현재 상태입니다.

오른쪽 화분은 건강하게 잘 자라고 있습니다. 그리고 아래 사진에서 보이는 것처럼 새잎이 나기까지 합니다.

하지만 왼쪽화분은 죽어가고 있습니다. 잘 모르겠지만, 이 현상이 바로 그 '과습'인 것같습니다. 그래서 유튜브의 전문가님이 올리신 과습의 원인과 대처에 대해서 찾아 보았습니다.

 

'홈가든넷' 님께서 올리신 과습원인에 대한 영상

https://www.youtube.com/watch?v=PuH2xEYOz1Q을 보니 과습의 원인에 대해서 잘 설명을 해주십니다. (아래의 내용은 자막을 요약한 것입니다.)

  • ​뿌리 과습의 정의 (00:37): 뿌리가 과도한 수분에 노출되어 산소 공급이 부족해지고, 이로 인해 뿌리가 썩는 현상을 말합니다.​
  • ​과습의 주요 원인 (01:15):​
    • ​과도한 물 주기: 필요 이상으로 자주 물을 주는 경우.​
    • ​배수 불량: 화분의 배수구가 막혀 있거나 배수 능력이 떨어지는 경우.​
    • ​통풍 부족: 실내 공기의 흐름이 원활하지 않아 흙이 마르는 데 시간이 오래 걸리는 경우.​
  • ​과습으로 인한 증상 (02:45):​
    • ​잎의 변색: 잎이 노랗게 변하거나 갈색 반점이 생김.​
    • ​성장 지연: 새로운 잎이나 가지의 성장이 둔화됨.​
    • ​흙의 악취: 흙에서 썩은 냄새가 나는 경우.​
  • ​대처 방법 (04:10):​
    • ​물 주기 조절: 흙의 표면이 건조해졌을 때만 물을 주는 것이 중요합니다.​
    • ​배수 개선: 배수구를 확인하고, 필요 시 화분의 배수층을 추가하여 물이 잘 빠지도록 합니다.​
    • ​통풍 강화: 실내 공기의 흐름을 개선하여 흙이 빨리 마를 수 있도록 합니다.​
  • ​예방 방법 (06:05):​
    • ​적절한 흙 선택: 배수가 잘되는 흙을 사용하여 과도한 수분이 머무르지 않도록 합니다.​
    • ​규칙적인 점검: 식물의 상태를 주기적으로 확인하여 과습의 초기 증상을 빠르게 발견합니다.​
    • ​환경 조절: 실내 습도와 온도를 적절하게 유지하여 식물에게 최적의 환경을 제공합니다.​

 

한 문장으로 요약하자면, '물을 너무 자주 주면 과도한 수분으로 인해서 산소공급이 부족해지고, 그래서 뿌리가 썩는다'입니다.

 

그래서 과습대처 방안을 찾아보았습니다. 위의 영상은 과습이 심각할 때의 대처방법이 없어서 다른 영상을 찾아보니, '엄마의가드닝'님이 올리신 영상이 있습니다.

https://www.youtube.com/watch?v=cd97o7f_T4Y

과습이 심한 경우 식물을 꺼내어 뿌리를 물에 담가서 세척하고 다시 새 화분에 새 흙과 넣는 대처법이 있습니다.

 

그래서 이 방법을 시도 중입니다. 호야를 화분에서 꺼내서 물에 담가두었습니다.

며칠 담가두었다가 뿌리를 말리고 다시 새 화분에 새 흙(적옥토)에 넣을 생각입니다.

 

 

 

지난번 녹소토 + 펄라이트 글(습도센서 교정 12)에서 두 흙을 반씩 섞었는데, 이번에는 7:3(부피기준)으로 섞었습니다. 그래서 이번 측정 결과는 지난번 5:5결과 보다는 순수한 녹소토 쪽에 좀 더 가깝게 나타날 것으로 예상했습니다. 아래는 측정 결과 입니다. 혼합 흙의 무게는 약 150g이었습니다.

대체로 직선으로 잘 분포하고 있습니다. 위의 데이터를 fit한 결과는,

여기서 x는 상대습도(%), y는 센서의 값입니다. 이식을 뒤집으면,

이렇습니다.

 

그럼 이전의 순수한 녹소토, 순수한 펄라이트, 그리고 이 둘을 5:5로 섞은 결과와 비교해 보겠습니다.

순수한 녹소토: y = 17.68*x + 1065.60

순수한 펄라이트: y = 3.91*x + 803.11

5:5 측정결과: y = 10.47*x + 791.88

7:3 측정결과: y = 14.43*x + 713.45

5:5 가중예측식: 10.79*x + 934.36

7:3 가중예측식: 13.55*x + 986.85

위의 식들로 그래프를 그려보면 아래와 같습니다.

 

가로축, x는 상대습도(%), 세로축, y는 센서값입니다.

빨간색은 순수한 녹소토, 파란색은 순수한 펄라이트입니다.

보라색 실선은 녹소토와 펄라이트 식으로부터 반씩 가중평균한 식(예측식)이고, 보라색 점선은 측정결과입니다.

마지막으로, 녹색 실선은 녹소토와 펄라이트 식으로부터 7:3로 가중 평균한 식(예측식)이고, 녹색 점선은 측정 결과입니다.

 

그래프를 보면 녹색과 보라색 모두 예측한 값(실선)과 측정값(점선)이 약간씩 그러나 일정하게 차이(같은 센서값일 경우 습도가 약 10 ~ 15%정도의 차이)가 나는것을 볼 수 있습니다. (차이가 어디에서 올까요?) 그러니까 예측식을 사용하면 실제 습도보다 약 10% ~ 15정도 적게 예측합니다.

 

그리고 예측한 대로 7:3으로 섞은 결과(녹색)가 순수한 녹소토(빨강)에 좀 더 근접하는 것을 볼 수 있습니다. 그러니까, 혼합 흙의 경우 좀더 비율이 높은 종류의 흙 쪽으로 식이 이동하는 것을 볼 수 있습니다. 다음 번에는 거꾸로 3:7로 한번 더 해보도록 하겠습니다.

 

그래서 결론은, 가중평균한 식이 측정결과와 좀 차이가 있지만, 어느 정도 예측에 사용할 수 있겠다입니다.

 

우연한 기회에 식물 관리기기를 발견하여 소개합니다.

 

이름은 'OKO'라고 하는데, 토양습도, 대기온도와 습도, 그리고 pH를 측정합니다.

주소는 https://www.get-oko.com/입니다.

아래 사진처럼 제품의 몸체는 화분 가장자리에 걸치는 형태이고 센서를 흙에 꽂아 줍니다.

또한 아래 사진처럼 앱을 통해서 상태를 모니터할 수 있습니다.

앱을 통해서 각종 수치를 볼 수 있고, 알림을 받을 수 있고, 전문가 조언도 받을 수 있습니다. 재미있는 것은 다른 사람의 화분 상태도 볼 수 있다는 점입니다.

 

가격은 파운드화로 60파운드이니 한화로 약 10만원 정도입니다.

아직 판매는 시작하지 않았고, 판매 예약을 받고 있습니다.

 

'식물관리 제품 리뷰' 카테고리의 다른 글

식물관리 제품 리뷰: 플랜트두  (2) 2025.03.01

 

이번에는 최근 약 수년간 직장, 중소기업에서 일하면서 느낀점을 얘기해 보겠습니다.

 

지난 번 글에서 제가 미국 대학원에서 약 10년간 일했다는 것을 말씀드린 적이 있습니다. 그 경험과 비교하여 제 직장을 보면, 일단 먼저 드는 생각은, 직장에서의 인간관계, 그리고 전반적으로 한국에서의 인간관계가 매우 수직적이라는 것입니다. 저는 미국유학 전 약 27년간 한국에서 살았습니다. 그래서 한국에서도 학부, 대학원을 다녔습니다. 그래서 한국의 대학교, 대학원의 선후배관계, 그리고 최근 직장에서의 직급에 따른 위계를 겪어오고 있습니다.

 

그래서 드는 생각은, 한국에서는 인간관계가 '위나 아래는 있어도 옆이 없다'는 것을 느끼고 있습니다. 제가 이런 말을 하면 '직장은 직급이 있으니 위아래가 있는 게 당연한게 아닌가'라는 말을 하실 수 있겠습니다. 하지만 제가 말씀드리는 것은 직급에 대한 얘기가 아닙니다. 당연히 어느 조직이든 직급이 있고, 필요도 하기도 합니다. 그러나, 제 말의 뜻은 '서로 존중하자'라는 의미입니다.

 

직급이 높다고 그 위치를 이용해서 아래 사람을 부려먹거나 행세부리지 말자입니다. 어느 조직의 그룹이든 그 그룹의 목표가 있기 마련입니다. 그렇다면 직급이나 나이에 따른 서열을 없애고, 목표를 이루는데 장애가 있으면, 그 장애를 없애고 문제를 해결하기 위한 의견이 있으면 누구든 자유롭게 말할 수 있어야 합니다.

 

그러나 보통 직급이 높거나, 나이가 많거나, 선배거나 하면 일단 그 사람의 의견이 우선시 되고, 반대로 낮거나, 적거나, 후배면 의사 표현의 기회가 매우 적습니다. 또한 심지어, 자신이 아래 사람이라고 느끼면 시키지 않아도 나서서 아래 사람 행세를 합니다. 간단한 예를 들자면, 문을 열려고 다가가면, 먼저 나서서 종종 걸음으로 뛰어가서 문을 열어준다는지, 음식점에서 식사를 하기전에 수저를 제것까지 미리 단정히 깔아 든다지 하는 사소한 것들이 있는데 '과연 이렇게 까지 해야되나' 싶을 정도로 은근히 신경쓰이고 거부감마저 들때가 있습니다. 왜 스스로 아래사람 행세를 하는 걸까요?

 

제가 미국 대학원에 있을 때, 포닥 혹은 연구교수로 일할 때, 학부생들과 같이 프로젝트를 할 때가 있었습니다. 그 때 그 친구들은 저와 나이차이가 많이 남에도 불구하고 자기 의견을 말함에 거리낌이 없습니다. 미국문화 때문입니다. 미국에서는 한국보다는 인간관계가 좀 더 '옆'에 있습니다. 학생이 교수를 이름으로 부를 수도 있고, 자식을 부모를 이름으로 부를 수 도 있습니다. 제 지도 교수는 자기를 'professor'로 부르지 말고 이름으로 부르라고 했습니다. 왜냐면 그렇게 불러주면 자기는 오히려 격식차리는 게 느껴져 더 불편하기 때문이랍니다. 이렇듯 미국에서는 인간관계가 좀 더 '옆'을 지향하고 있습니다.

 

제가 말씀드리는 것은 단순히 호칭을 이름으로 부른다 그런 것이 아니고, 대화 상대의 직급, 나이를 가리지 않고 '자기 의견을 말할 수 있다'입니다. 물론 미국이라고 상황이나 조건을 무시하고 무조건 서로 맞먹으려 든다는 게 아니라 한국보다 상대적으로 좀 더 인간 관계가 수평적이라는 것을 말씀드리는 것입니다.

 

그럼 좀 더 인간관계가 수평적이라는 게 왜 좋을까요? 그 이유는 바로 '구성원들이 가지고 있는 재능, 아이디어를 좀 더 잘 활용할 수 있게 해주기 때문'이라고 대답할 수 있습니다. 거리낌없이 의견을 말할 수 있으니, 조직의 문제점이 무엇인지 쉽게 꺼내어 얘기할 수 있고, 그래서 의견을 나누다 보면 해결책도 쉽게 찾을 수 있기 때문입니다. 한국은 이런 점에서 너무나 경직되어 있고, 의견을 주고 받을 '옆 상대'가 없습니다. 일단 기본적으로 대화에서 경어를 써야되고, 서로 상대방을 부를때 직책을 붙여서 부르니 (김부장, 이차장하는 식으로), 대화 시작부터 위계질서를 기본으로 깔고 시작합니다. 그러니 항상 위 또는 아래만 있을 수 밖에요. 여기서 그치지 않고, 이런 '위아래' 스트레스가 결국 조직을 이탈하고 싶은 욕구를 불러 일어킵니다.

 

그래서 어쩌자는 것이냐라고 물으시면,

일단 호칭에서 직급을 빼고 "~씨"나 "~님"으로 불렀으면 합니다. 한 그룹이 있으면 그룹의 리더는 제외하고 나머지 그룹원은 모두 호칭을 그렇게 바꿉니다. 또한 나이에 관계없이 경어만 사용합니다. 회의를 할 경우에는 발언하는 사람의 나이가 적거나 직급이 낮아도 그 사람의 의견을 경청하고, 듣는 사람의 직급이나 나이 등으로 그 사람을 무시하지 않습니다. 다만, 능력이나 경험의 차이에서오는 차이는 존중 할 필요가 있습니다.

 

쓰고 보니 다소 내용이 왔다갔다하고 푸념 비슷하게 되었네요. 네 맞습니다, 오늘 좀 회사에서 열받는일이 있었거든요.

 

 

+ Recent posts