모델 목록

결정 트리 여러 개의 투표로 분류하는 scikit-learn 앙상블 모델. 여기서는 MediaPipe가 뽑은 손 좌표 63개를 입력으로 받아 바위·가위·보를 분류

사용 목적웹캠으로 직접 모은 손 좌표 데이터로 가위바위보 분류기를 학습하고, 저장한 모델을 실시간 웹캠 예측에 쓰는 흐름을 익히려고 사용

CLIP과 같은 이미지-텍스트 임베딩 모델로, softmax 대신 sigmoid 손실로 학습한 Google의 SigLIP 2 (base, patch16, 224px)

사용 목적CLIP과 같은 실습(zero-shot 분류, 텍스트로 이미지 검색)을 SigLIP2로 해 보고 점수 계산 방식 차이를 익히려고 사용

이미지와 텍스트를 같은 임베딩 공간에 매핑해 유사도를 계산하는 OpenAI의 이미지-텍스트 모델 (ViT-B/32)

사용 목적학습 없이 텍스트 라벨로 이미지를 분류(zero-shot)하고, 텍스트로 이미지 폴더를 검색하는 방법을 익히려고 사용

텍스트 프롬프트로 지정한 개념에 해당하는 객체를 모두 찾아 분할하는 Meta의 분할 파운데이션 모델 (SAM 3)

사용 목적텍스트 프롬프트("a person")로 객체를 찾아 분할하는 파운데이션 모델을 GPU에서 실행해 보려고 사용

클래스 구분 없이 이미지 속 객체 영역을 모두 빠르게 분할하는 경량 Segment Anything 모델 (small, C2f 기반 CNN)

사용 목적클래스 없이 객체를 모두 뽑고, 텍스트(CLIP 유사도)로 원하는 객체만 좁히는 법을 익히려고 사용

탐지 박스에 객체 윤곽 마스크까지 함께 예측하는 YOLO26 nano 세그멘테이션 모델 (COCO 80클래스)

사용 목적학습 없이 사전학습 세그멘테이션 모델의 출력(boxes, masks)을 읽고, 마스크로 객체만 잘라내는 법을 익히려고 사용

이미지 한 장을 한 번에 훑어 객체의 위치(박스)와 종류를 동시에 예측하는 1단계 탐지 모델의 가장 작은(nano) 버전

사용 목적사전학습 탐지 모델로 예측 결과(박스·신뢰도·클래스)를 읽는 법과, 직접 라벨링한 데이터로 파인튜닝하는 과정을 익히려고 사용

손그림을 임베딩해 상품 사진과 코사인 유사도로 찾는 검색 파이프라인 (0.3 × CLIP + 0.7 × DINOv3 앙상블, 추가 학습 없음)

사용 목적정답률이 낮은 손그림 검색에서 엉뚱한 결과(오답)를 줄이려고, 최종 모델에 배경 제거와 카테고리 분리를 각각 더해 오답률을 비교

처음 보는 카테고리에도 쓸 수 있는 제로샷 스케치 기반 이미지 검색 모델 (CVPR 2023, Lin et al.)

사용 목적손그림 검색 후보 모델로, 재학습 없이 DINOv3·S3BIR-DINOv2와 같은 조건에서 비교

짝지어진 스케치 데이터 없이 자기지도로 학습한 스케치 기반 이미지 검색 모델 (DINOv2 ViT-B/14 + 이미지/스케치 모달리티 프롬프트)

사용 목적손그림 검색 전용으로 학습된 공개 모델이 범용 모델(DINOv3)보다 나은지 재학습 없이 비교

라벨 없이 자기지도로 사전학습한 Meta의 ViT-L/16 비전 모델로, 이미지 임베딩의 코사인 유사도로 검색

사용 목적손그림으로 상품 사진을 찾는 검색(SBIR)에서 재학습 없이(zero-shot) 쓸 수 있는지 다른 후보 모델과 비교

OpenAI CLIP ViT-B/32 이미지 임베딩으로 검색하고, 상품 사진을 PiDiNet 엣지 검출로 스케치화해 손그림과 도메인을 맞추는 방식

사용 목적상품 사진을 스케치화(PiDiNet)하는 게 CLIP 손그림 검색에 실제로 도움이 되는지 단독 비교로 확인

잔차 연결을 쓰는 50층 ImageNet 사전학습 CNN. fc만 6개 클래스로 바꿔 학습한 뒤 백본 전체를 풀어 미세조정하도록 설계

사용 목적수업 딥러닝 미니대회에서 ConvNeXt와 고전 CNN(ResNet50)을 같은 조건으로 비교하려고 시작

ResNet 구조에 트랜스포머의 설계(큰 커널, LayerNorm, 단계 구성)를 가져와 현대화한 ImageNet 사전학습 CNN. tiny는 가장 작은 크기

사용 목적수업 딥러닝 미니대회(Kaggle Intel Image Classification)에서 정확도를 높이려고, 분류기만 학습 → 마지막 단계 미세조정 → 규제 추가 순으로 실험

ConvNeXt의 small 크기(tiny보다 깊음). 분류기만 학습한 뒤 마지막 단계(features.7)를 아주 낮은 lr로 미세조정

사용 목적수업 딥러닝 미니대회에서 tiny보다 큰 모델이 정확도를 더 올리는지 비교하려고, 노트북 밖 터미널 스크립트로 밤새 돌림

잔차 연결(skip connection)을 쓰는 34층 ImageNet 사전학습 CNN. 백본을 모두 얼리고 마지막 fc만 3개 클래스로 바꿔 학습

사용 목적이미지 검색 사이트에서 직접 모은 사진으로 커스텀 데이터셋(ImageFolder)을 만들고 전이학습으로 분류하는 흐름을 익히려고 사용

3×3 합성곱을 깊게 쌓은 ImageNet 사전학습 CNN. 특징 추출부(features)를 얼리고 마지막 분류층만 10개 클래스로 바꿔 학습

사용 목적사전학습 모델을 가져와 분류기만 바꿔 쓰는 전이학습 흐름과, 데이터셋 평균·표준편차 직접 계산, 검증셋·early stopping·TensorBoard 기록을 익히려고 사용

합성곱 3층 + 완전연결 2층, tanh 활성화로 된 고전 CNN(LeCun 1998). 32×32 흑백 숫자 이미지를 0~9로 분류

사용 목적논문 구조를 보고 CNN을 직접 구현해 학습하고, TensorBoard 기록과 Grad-CAM으로 모델이 어디를 보고 판단하는지 확인하려고 사용

완전연결층 4개와 ReLU로 만든 작은 회귀 신경망. 배달 거리·라이더 수·날씨·출퇴근 시간 4개 값으로 배달 시간(분)을 예측

사용 목적데이터 로드 → 스케일링 → 텐서·DataLoader → 모델 정의 → 학습 루프 → 평가 → 모델·스케일러 저장까지 PyTorch 딥러닝 전체 흐름을 익히려고 사용

피처의 선형 결합을 시그모이드로 확률로 바꾸는 이진 분류 모델. 여기서는 강한 L2 규제(C 0.01)와 balanced 가중치

사용 목적수업 ML 미니대회 분류 트랙에서 CatBoost 튜닝이 한계에 부딪힌 뒤, 시간 분할·5-fold 두 검증에서 모두 앞선 모델로 최종 제출하려고 사용

부트스트랩 샘플로 만든 결정 트리 여러 개의 투표로 분류하는 배깅 앙상블. class_weight balanced

사용 목적수업 ML 미니대회 분류 트랙에서 배깅 모델을 비교하고, 깊이 제한과 Optuna 튜닝이 이탈 탐지를 얼마나 바꾸는지 확인하려고 사용

피처 조건으로 데이터를 나눠 가며 분류하는 단일 트리 모델. max_depth 4, class_weight balanced

사용 목적수업 ML 미니대회 분류 트랙(60일 내 구독 이탈)에서 배깅·부스팅과 비교할 첫 기준 모델로 사용

이전 트리의 오차를 다음 트리가 보정해 가는 부스팅 모델. auto_class_weights Balanced로 소수 클래스에 가중치

사용 목적수업 ML 미니대회 분류 트랙에서 가장 강했던 모델을 튜닝·시드 앙상블로 끌어올리며 리더보드 점수를 비교하려고 사용

표준화·원-핫 인코딩 전처리와 선형 회귀를 하나의 Pipeline으로 묶은 모델. 가격에 log1p를 씌워 학습

사용 목적수업 ML 미니대회 회귀 트랙(중고차 재판매 가격)에 낼 베이스라인을 만들고, 결측 처리·시간 순 검증·Pipeline 저장 흐름을 익히려고 사용

선형 회귀에 가중치 크기 제곱(L2) 벌점을 더해 계수가 과하게 커지지 않게 하는 규제 회귀 모델

사용 목적유튜브 조회수 회귀 과제에서 규제가 다중공선성이 있는 피처의 선형 회귀를 개선하는지 비교하려고 사용

부트스트랩 샘플로 만든 회귀 트리 여러 개의 예측을 평균하는 배깅 앙상블. 여기서는 트리 300개

사용 목적유튜브 조회수 회귀 과제에서 배깅 트리 모델이 선형 모델보다 나은지 비교하려고 사용

피처마다 가중치를 곱해 더한 직선(초평면)으로 숫자를 예측하는 가장 기본적인 회귀 모델

사용 목적유튜브 영상 정보로 7일 조회수를 예측하는 회귀 과제의 기준 모델로 쓰고, 지표(MAE·RMSE·R²)를 해석하는 보고서를 쓰려고 사용

얕은 회귀 트리를 하나씩 더하면서 직전까지의 오차(잔차)를 줄여 가는 부스팅 모델

사용 목적유튜브 조회수 회귀 과제에서 부스팅 트리 모델이 선형 모델·배깅보다 나은지 비교하려고 사용

부트스트랩 샘플로 만든 결정 트리 여러 개의 투표로 분류하는 배깅 앙상블. 여기서는 트리 100개, max_depth 4

사용 목적고객 이탈 분류 과제에서 배깅 방식이 단일 결정 트리보다 나은지 비교하려고 사용

피처 조건으로 데이터를 나눠 가며 분류하는 단일 트리 모델. 여기서는 max_depth 4로 깊이를 제한

사용 목적같은 고객 이탈 데이터에 결정 트리·랜덤 포레스트·CatBoost를 각각 학습해 지표를 비교하는 과제의 첫 번째 모델로 사용

이전 트리의 오차를 다음 트리가 보정해 가는 부스팅 모델. 범주형 피처를 원-핫 없이 직접 다룰 수 있음

사용 목적고객 이탈 분류 과제에서 부스팅 방식을 비교하고, 문제풀이에서 범주형 직접 입력과 임계값 조정으로 이탈 탐지가 얼마나 나아지는지 확인하려고 사용

가장 가까운 학습 샘플 k개(여기서는 5개)의 다수결로 분류하는 scikit-learn 모델. 거리로 판단하므로 피처 단위(스케일)에 민감함

사용 목적피처 스케일링(StandardScaler)이 거리 기반 모델 결과를 얼마나 바꾸는지 직접 확인하려고 사용 (ML 기초 숙제)