±¹³»µµ¼
Àü°øµµ¼/´ëÇб³Àç
°øÇаè¿
ÄÄÇ»ÅÍ°øÇÐ
Á¤°¡ |
34,000¿ø |
---|
30,600¿ø (10%ÇÒÀÎ)
1,700P (5%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼
»óÇ°±Ç
ÀÌ»óÇ°ÀÇ ºÐ·ù
Ã¥¼Ò°³
ÀÌ Ã¥ [°¡º±°Ô ½ÃÀÛÇÏ´Â Åë°èÇнÀ]Àº ±â°èÇнÀÀÇ Çʼö ¿ä¼ÒÀÎ Åë°èÀû ÇнÀÀÇ ÀÌ·ÐÀû °³³ä°ú È°¿ë ±â¹ýÀ» ¼Ò°³ÇÏ°í ´Ù¾çÇÑ ¸ðµ¨¸µ°ú ¿¹Ãø ±â¹ýÀ» ¾î¶»°Ô Àû¿ëÇÒ ¼ö ÀÖ´ÂÁö¸¦ ¿¹Á¦¿Í LabÀ» ÅëÇØ º¸¿©ÁØ´Ù. °¢ ÀåÀÇ ³»¿ëÀº ÀÌ°ø°è ¹è°æÁö½ÄÀÌ ¾ø¾îµµ ÀÌÇØÇÏ´Â µ¥ Å« ¾î·Á¿òÀÌ ¾ø´Ù. LabÀº RÀ» »ç¿ëÇÏ¿© ½ÇÇàÇÏ¸ç °¢ Àå¿¡¼ ¼³¸íÇÑ ¸ðµç Åë°èÀû ¹æ¹ý¿¡ ´ëÇÑ ÄÚµå´Â ÃæºÐÈ÷ ¼³¸íµÇ¾î ÀÖ´Ù. ½ÇÁ¦ µ¥ÀÌÅ͸¦ »ç¿ëÇÑ R ÇÁ·Î±×·¡¹Ö ¿¹Á¦´Â ½ÇÁúÀûÀÎ °æÇèÀ» Á¦°øÇϸç Åë°èÇнÀ°ú ±â°èÇнÀÀ» ¾î¶»°Ô ±¸ÇöÇÏ´ÂÁö¿¡ ´ëÇÑ ¸íÈ®ÇÏ°í Á÷°üÀûÀÎ °¡À̵带 Á¦°øÇÑ´Ù.
ÃâÆÇ»ç ¼Æò
ÀÌ Ã¥Àº 10ÀåÀ¸·Î ±¸¼ºµÇ¾î ÀÖ´Ù.
1ÀåÀº Åë°èÀû ÇнÀÀÇ ¸î °¡Áö ÀÀ¿ëÀ» º¸¿©ÁÖ´Â µ¥ »ç¿ëµÇ´Â ½ÇÁ¦ ÀÚ·áÀÎ Wage ÀÚ·á, ÁֽĽÃÀå ÀÚ·á, ±×¸®°í À¯ÀüÀÚ ¹ßÇö ÀÚ·á¿¡ ´ëÇØ ¼Ò°³ÇÏ°í Ã¥ Àü¹Ý¿¡ °ÉÃÄ »ç¿ëµÉ Ç¥±â¹ý°ú °£´ÜÇÑ Çà·Ä ´ë¼ö¸¦ »ìÆ캻´Ù.
2ÀåÀº Åë°èÇнÀÀÇ ±âº» °³³äÀ» »ìÆ캸°í ¸ðµ¨ÀÇ ÃßÁ¤¹æ¹ý°ú ¿¹Ãø Á¤È®µµ, ±×¸®°í ¸ðµ¨ÀÇ Á¤È®µµ Æò°¡¿¡ ´ëÇØ ¾Ë¾Æº»´Ù. ¶ÇÇÑ, R¿¡ ´ëÇÑ ±âº»ÀûÀÎ »ç¿ë¹ý¿¡ ´ëÇØ °£·«È÷ ¼Ò°³ÇÑ´Ù.
3Àå¿¡¼´Â ´Ü¼øÇÑ ÁöµµÇнÀ ±â¹ýÀÎ ¼±Çüȸ±ÍÀÇ ÁÖ¿ä °³³ä°ú ¸ðµ¨ÀÇ ÀûÇÕ¿¡ ÀÌ¿ëµÇ´Â ÃÖ¼ÒÁ¦°ö¹ý¿¡ ´ëÇØ ¾Ë¾Æº¸°í ÁúÀû ¼³¸íº¯¼öÀÇ Ã³¸®¿Í ¼±Çü¸ðµ¨ÀÇ È®Àå¿¡ ´ëÇØ ´Ù·é´Ù.
4ÀåÀº ÁúÀû ¹ÝÀÀº¯¼ö¸¦ ¿¹ÃøÇÏ´Â ¹æ¹ýÀÎ ºÐ·ù¿¡ ´ëÇØ ´Ù·ç¸ç ±¤¹üÀ§ÇÏ°Ô »ç¿ëµÇ´Â ºÐ·ù±âÀÎ ·ÎÁö½ºÆ½ ȸ±Í, ¼±ÇüÆǺ°ºÐ¼®, k-ÃÖ±ÙÁ¢ÀÌ¿ô¿¡ ´ëÇØ »ìÆ캻´Ù.
5ÀåÀº ÈÆ·Ã µ¥ÀÌÅÍÀÇ ÀϺθ¦ »ç¿ëÇÏ¿© µ¿ÀÏÇÑ Åë°èÀû ¹æ¹ýÀ» ¿©·¯ ¹ø ÀûÇÕÇÏ¿© Á¤º¸¸¦ ¾ò´Â ÀçÇ¥º»ÃßÃâ ¹æ¹ý¿¡ ´ëÇØ ´Ù·é´Ù. ¿©±â¼´Â °¡Àå ÀϹÝÀûÀ¸·Î »ç¿ëµÇ´Â 2°¡Áö ÀçÇ¥º»ÃßÃâ ¹æ¹ýÀÎ ±³Â÷°ËÁõ°ú º×½ºÆ®·¦¿¡ ´ëÇØ »ó¼¼È÷ »ìÆ캻´Ù.
6ÀåÀº ÃÖ¼ÒÁ¦°öÀûÇÕÀ» ´Ù¸¥ ÀûÇÕÀýÂ÷·Î ¹Ù²Ù¾î ´Ü¼ø¼±Çü¸ðµ¨À» °³¼±ÇÒ ¼ö ÀÖ´Â ¹æ¹ý¿¡ ´ëÇØ ´Ù·é´Ù. ¿©±â¼´Â ¹ÝÀÀº¯¼ö¿Í °ü·ÃÀÌ ÀÖ´Â ¼³¸íº¯¼öµéÀÇ ¼ºê¼ÂÀ» ã´Â ºÎºÐÁýÇÕ ¼±ÅÃ, °è¼ö ÃßÁ¤Ä¡µéÀ» Á¦ÇÑÇÏ¿© ÃßÁ¤Ä¡µéÀÇ ºÐ»êÀ» ÁÙÀÏ ¼ö ÀÖ´Â ¼öÃà¹æ¹ý, ¿ø·¡ÀÇ ¼³¸íº¯¼öº¸´Ù ÀÛÀº ¼öÀÇ º¯È¯µÈ º¯¼öµéÀ» »ç¿ëÇÏ´Â Â÷¿øÃà¼Ò¿¡ ´ëÇØ ÀÚ¼¼È÷ »ìÆ캻´Ù.
7Àå¿¡¼´Â ¼±Çü¸ðµ¨ÀÇ Çؼ®·ÂÀº ³ô°Ô À¯ÁöÇÏ¸é¼ ¼±Çü¼º¿¡ ´ëÇÑ °¡Á¤Àº ¿ÏÈÇÏ´Â ¼±Çü¸ðµ¨ÀÇ È®Àå¿¡ ´ëÇØ ´Ù·ç¸ç, ´ÙÇ×½Äȸ±Í¿Í °è´ÜÇÔ¼ö¿Í °°Àº ´Ü¼øÇÑ ¼±Çü¸ðµ¨ÀÇ È®Àå»Ó¸¸ ¾Æ´Ï¶ó ½ºÇöóÀÎ, ±¹¼Òȸ±Í, ±×¸®°í ÀϹÝÈ°¡¹ý¸ðµ¨°ú °°Àº Á¤±³ÇÑ ±â¹ý¿¡ ´ëÇؼµµ »ìÆ캻´Ù.
8ÀåÀº ¼³¸íº¯¼öÀÇ °ø°£À» ´Ù¼öÀÇ ¿µ¿ªÀ¸·Î ºÐÇÒÇϴ ȸ±Í¿Í ºÐ·ù¿¡ ´ëÇÑ Æ®¸® ±â¹ÝÀÇ ¹æ¹ý¿¡ ´ëÇØ ´Ù·ç¸ç, ÀÇ»ç°áÁ¤Æ®¸®¿Í Æ®¸®ÀÇ Àå´ÜÁ¡¿¡ ´ëÇØ »ìÆ캸°í ´ÙÁßÆ®¸®¸¦ ÅëÇØ ¿¹Ãø Á¤È®µµ¸¦ °³¼±ÇÏ´Â ¹è±ë, ·£´ý Æ÷¸®½ºÆ®, ºÎ½ºÆÿ¡ ´ëÇØ ¾Ë¾Æº»´Ù.
9ÀåÀº ´Ù¾çÇÑ ¼³Á¤¿¡¼ ÃÖ»óÀÇ ºÐ·ù±â Áß Çϳª·Î ¾Ë·ÁÁø ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å¿¡ ´ëÇØ ¼Ò°³ÇÏ°í ºñ¼±Çü °áÁ¤°æ°è¸¦ ¼ö¿ëÇϵµ·Ï È®ÀåÇÏ´Â °Í¿¡ ´ëÇØ »ìÆ캻´Ù.
10Àå¿¡¼´Â ¿¬°üµÈ ¹ÝÀÀº¯¼ö ¾øÀÌ ÃøÁ¤µÈ ¼³¸íº¯¼öµé¸¸À¸·Î µ¥ÀÌÅÍ¿¡¼ Èï¹Ì·Î¿î °ÍÀ» ¹ß°ßÇÏ°íÀÚ ÇÏ´Â ºñÁöµµÇнÀ¿¡ ´ëÇØ ´Ù·ç¸ç, µ¥ÀÌÅÍÀÇ ½Ã°¢È ¶Ç´Â Àü󸮿¡ »ç¿ëµÇ´Â ÁÖ¼ººÐºÐ¼®°ú °üÃøÄ¡µéÀÇ ¼ºê±×·ìÀ» ã¾Æ³»´Â µ¥ ÀÌ¿ëµÇ´Â Ŭ·¯½ºÅ͸µ¿¡ ´ëÇØ ÀÚ¼¼È÷ ¾Ë¾Æº»´Ù.
̵̧ȍ
Á¤ºÎȯ(µ¥ÀÌÅÍ»çÀ̾ðƼ½ºÆ® Ä«Ä«¿À)
ÀÌ Ã¥Àº ¼öÇÐ/Åë°è ¶Ç´Â ÄÄÇ»ÅÍ °øÇÐÀÌ Àü°øÀÌ ¾Æ´Ñµ¥, µ¥ÀÌÅ͸¶ÀÌ´×/¸Ó½Å·¯´×¿¡ °ü½ÉÀÌ ÀÖ´Â Ãʺ¸Àڵ鿡°Ô À¯¿ëÇÏ´Ù. ƯÈ÷ »ê¾÷°øÇÐÀ̳ª ÈÇаøÇÐ, ¹ÙÀÌ¿ÀÀÎÆ÷¸Þƽ½º µîÀÇ ÀÀ¿ëºÐ¾ß¿¡¼ µ¥ÀÌÅÍ ºÐ¼®À» ÇÏ´Â À̵鿡°Ô ÀûÇÕÇÏ´Ù. ÇкΠ¼öÁØÀÇ ±³À°À» ¹Þ¾Ò´Ù¸é(óÀ½¿¡´Â Á¶±Ý Àͼ÷Áö ¾ÊÀ» ¼öµµ ÀÖÀ¸³ª) ÃæºÐÈ÷ ÀÌÇØÇÒ ¼ö ÀÖ´Ù. ¸ðµç éÅÍ¿¡¼ °³³äÀ» ¼³¸íÇÏ´Â °Í¿¡ ´õÇؼ, éÅÍ ¸»¹Ì¿¡´Â ±× éÅÍ¿¡¼ ´Ù·é ³»¿ëÀ» RÀ» ÀÌ¿ëÇؼ ºÐ¼®ÇÏ´Â ¿¹Á¦µµ ÇÔ²² ¼ö·ÏµÇ¾ú±â ¶§¹®¿¡, ¼ö½ÄÀ̳ª ÀÌ·ÐÀ» µµÃâÇÏ´Â ¼öÇÐ/Åë°èÇÐÀÚ ¶Ç´Â »õ·Î¿î ¾Ë°í¸®Áò/¾ÖÇø®ÄÉÀ̼ÇÀ» ±¸ÇöÇØ¾ß ÇÏ´Â ÄÄ°ø Àü°øÀÚ°¡ ¾Æ´Ñ, ÀÀ¿ëºÐ¾ßÀÇ °øÇÐÀڵ鿡°Ô ¾È¼º¸ÂÃãÀÌ´Ù.
¹°·Ð ´ÜÁ¡µµ ÀÖ´Ù. MurphyÀÇ Ã¥¿¡¼ ´Ù·çµíÀÌ ÀÌ ºÐ¾ßÀÇ °ÅÀÇ Àüü¸¦ ´Ù·çÁö´Â ¾Ê´Â´Ù. ½ÉÈÇнÀÀÌ ÇÊ¿äÇÑ À̵鿡°Ô´Â º°·Î ÃßõÇÏÁö ¾Ê´Â´Ù. ±×¸®°í Ã¥ÀÌ Áö³ªÄ¡°Ô Supervised, Regression, ¼±Çü¼º¿¡ ÃÊÁ¡À» ¸ÂÃçÁ® ÀÖ´Ù. Áï, unsupervised³ª ºñ¼±Çü¼º ¹®Á¦/ÇعýÀº ¸¹ÀÌ ´Ù·çÁö ¾Ê´Â´Ù. (Ãʺ¸Àڵ鿡°Ô´Â ÀÌ°Ô ´õ Å« ÀåÁ¡ÀÏ ¼öµµ ÀÖ´Ù.) ¹°·Ð À̸¦ º£À̽º·ÎÇؼ ´õ ÇнÀÇϸé ÁÁÀº °á°ú¸¦ ¾òÀ» ¼ö ÀÖÀ¸¸®¶ó ¹Ï´Â´Ù. º¸ÅëÀÇ µ¥ÀÌÅ͸¶ÀÌ´× Ã¥ÀÌ ºÐ·ù classificationÀ» º£À̽º·Î ´Ù·ç´Âµ¥, ȸ±ÍºÐ¼® regressionÀ» º£À̽º·Î ´Ù·ç´Â °ÍÀÌ Á¶±Ý ƯÀÌÇÏ´Ù. ±×¸®°í ȸ±ÍºÐ¼®¿¡¼ ÃÖ±Ù¿¡ ³ª¿Â Ridge regression°ú Lasso¸¦ ´Ù·ï¼ °³ÀÎÀûÀ¸·Î ¸¹Àº µµ¿òÀÌ µÇ¾ú´Ù. ÀϺΠ¾Ë°í¸®ÁòÀº ´õ ÀÚ¼¼È÷ ´Ù·ïÁáÀ¸¸é ÁÁ°Ú´Ù´Â »ý°¢ÀÌ µéÁö¸¸, RÀ» ÀÌ¿ëÇؼ ½ÇÀü¿¡¼ ÇØ´ç ¾Ë°í¸®ÁòÀ» »ç¿ëÇÏ´Â µ¥´Â ¹®Á¦°¡ ¾ø´Ù. ¼öÇÐ/Åë°è ¹× ÄÄÇ»ÅÍ°øÇÐ ºñÀü°øÀÚµé Áß¿¡¼ µ¥ÀÌÅ͸¶ÀÌ´×/µ¥ÀÌÅͺм®¿¡ °ü½ÉÀÌ ÀÖ´Ù¸é ½ÃÀÛÇϱ⿡ ¾È¼º¸ÂÃãÀΠåÀÌ´Ù. ´õ °øºÎÇÏ°í ½ÍÀ¸¸é MurphyÀÇ Ã¥À̳ª ´Ù¸¥ Ã¥µéÀ» ÂüÁ¶ÇÏ¸é µÈ´Ù.
¸ñÂ÷
1 µµÀÔ(introduction)
1.1 Åë°èÇнÀÀÇ °³¿ä
1.2 Åë°èÇнÀÀÇ °£´ÜÇÑ ¿ª»ç
1.3 Ç¥±â¹ý°ú °£´ÜÇÑ Çà·Ä ´ë¼ö
1.4 Lab°ú ¿¬½À¹®Á¦¿¡ »ç¿ëµÈ ÀÚ·á
2 Åë°èÇнÀ(Statistical Learning)
2.1 Åë°èÇнÀÀ̶õ?
2.1.1 f¸¦ ÃßÁ¤ÇÏ´Â ÀÌÀ¯´Â?
2.1.2 ¾î¶»°Ô f¸¦ ÃßÁ¤Çϴ°¡?
2.1.3 ¿¹Ãø Á¤È®µµ¿Í ¸ðµ¨ Çؼ®·Â »çÀÌÀÇ ÀýÃæ(Trade-Off)
2.1.4 ÁöµµÇнÀ°ú ºñÁöµµÇнÀ
2.1.5 ȸ±Í¿Í ºÐ·ù¹®Á¦
2.2 ¸ðµ¨ÀÇ Á¤È®µµ Æò°¡
2.2.1 ÀûÇÕÀÇ Ç°Áú ÃøÁ¤
2.2.2 ÆíÇâ-ºÐ»ê ÀýÃæ
2.2.3 ºÐ·ù ¼³Á¤
2.3 Lab: R¿¡ ´ëÇÑ ¼Ò°³
2.3.1 ±âº» ¸í·É¾î
2.3.2 ±×·¡ÇÁ
2.3.3 µ¥ÀÌÅÍ À妽Ì(Indexing)
2.3.4 µ¥ÀÌÅÍ ·Îµù(Loading)
2.3.5 Ãß°¡ÀûÀÎ ±×·¡ÇÁ¿Í ¼öÄ¡ ¿ä¾à
2.4 ¿¬½À¹®Á¦
3 ¼±Çüȸ±Í(Linear Regression)
3.1 ´Ü¼ø¼±Çüȸ±Í
3.1.1 °è¼ö ÃßÁ¤
3.1.2 °è¼ö ÃßÁ¤°ªÀÇ Á¤È®µµ Æò°¡
3.1.3 ¸ðµ¨ÀÇ Á¤È®µµ Æò°¡
3.2 ´ÙÁß¼±Çüȸ±Í
3.2.1 ȸ±Í°è¼öÀÇ ÃßÁ¤
3.2.2 ¸î °¡Áö Áß¿äÇÑ Áú¹®
3.3 ȸ±Í¸ðµ¨¿¡¼ ´Ù¸¥ °í·ÁÇÒ »çÇ×
3.3.1 ÁúÀû ¼³¸íº¯¼ö
3.3.2 ¼±Çü¸ðµ¨ÀÇ È®Àå
3.3.3 ÀáÀçÀû ¹®Á¦
3.4 ¸¶ÄÉÆà Ç÷£(Marketing Plan)
3.5 ¼±Çüȸ±Í¿Í K-ÃÖ±ÙÁ¢ÀÌ¿ôÀÇ ºñ±³
3.6 Lab: ¼±Çüȸ±Í
3.6.1 ¶óÀ̺귯¸®
3.6.2 ´Ü¼ø¼±Çüȸ±Í
3.6.3 ´ÙÁß¼±Çüȸ±Í
3.6.4 »óÈ£ÀÛ¿ë Ç×
3.6.5 ¼³¸íº¯¼öÀÇ ºñ¼±Çü º¯È¯
3.6.6 ÁúÀû ¼³¸íº¯¼ö
3.6.7 ÇÔ¼öÀÇÀÛ¼º
3.7 ¿¬½À¹®Á¦
4 ºÐ·ù(Cassification)
4.1 ºÐ·ùÀÇ °³¿ä
4.2 ¿Ö ¼±Çüȸ±Í¸¦ »ç¿ëÇÏÁö ¾Ê´Â°¡?
4.3 ·ÎÁö½ºÆ½ ȸ±Í(Logistic Regression)
4.3.1 ·ÎÁö½ºÆ½ ¸ðµ¨
4.3.2 ȸ±Í°è¼öÀÇ ÃßÁ¤
4.3.3 ¿¹ÃøÇϱâ
4.3.4 ´ÙÁß·ÎÁö½ºÆ½ ȸ±Í
4.3.5 ¹ÝÀÀº¯¼öÀÇ Å¬·¡½º°¡ 2°³º¸´Ù ¸¹Àº ·ÎÁö½ºÆ½ ȸ±Í
4.4 ¼±ÇüÆǺ°ºÐ¼®(Linear Discriminant Analysis)
4.4.1 ºÐ·ù¸¦ À§ÇÑ º£ÀÌÁî Á¤¸®ÀÇ »ç¿ë
4.4.2 ¼±ÇüÆǺ°ºÐ¼®(p = 1)
4.4.3 ¼±ÇüÆǺ°ºÐ¼®(p > 1)
4.4.4 ÀÌÂ÷¼±ÇüÆǺ°ºÐ¼®
4.5 ºÐ·ù¹æ¹ýÀÇ ºñ±³
4.6 Lab: ·ÎÁö½ºÆ½ ȸ±Í, LDA, QDA, KNN
4.6.1 ÁֽĽÃÀåÀÚ·á
4.6.2 ·ÎÁö½ºÆ½ ȸ±Í
4.6.3 ¼±ÇüÆǺ°ºÐ¼®
4.6.4 ÀÌÂ÷ÆǺ°ºÐ¼®
4.6.5 K-ÃÖ±ÙÁ¢ÀÌ¿ô
4.6.6 Caravan º¸Çè ÀÚ·á¿¡ Àû¿ë
4.7 ¿¬½À¹®Á¦
5 ÀçÇ¥º»ÃßÃâ ¹æ¹ý
5.1 ±³Â÷°ËÁõ(Cross-Validation)
5.1.1 °ËÁõ¼Â ±â¹ý(Validation Set Approach)
5.1.2 LOOCV(Leave-One-Out Cross-Validation)
5.1.3 k-fold ±³Â÷°ËÁõ
5.1.4 k-fold ±³Â÷°ËÁõ¿¡ ´ëÇÑ ÆíÇâ-ºÐ»ê ÀýÃæ
5.1.5 ºÐ·ù¹®Á¦¿¡ ´ëÇÑ ±³Â÷°ËÁõ
5.2 º×½ºÆ®·¦(Bootstrap)
5.3 Lab: ±³Â÷°ËÁõ°ú º×½ºÆ®·¦
5.3.1 °ËÁõ¼Â ±â¹ý
5.3.2 LOO(Leave-One-Out) ±³Â÷°ËÁõ
5.3.3 k-fold ±³Â÷°ËÁõ
5.3.4 º×½ºÆ®·¦
5.4 ¿¬½À¹®Á¦
6 ¼±Çü¸ðµ¨ ¼±Åà ¹× Regularization
6.1 ºÎºÐÁýÇÕ ¼±ÅÃ
6.1.1 ÃÖ»óÀÇ ºÎºÐÁýÇÕ ¼±ÅÃ
6.1.2 ´Ü°èÀû ¼±ÅÃ
6.1.3 ÃÖÀûÀÇ ¸ðµ¨ ¼±ÅÃ
6.2 Shrinkage ¹æ¹ý
6.2.1 ´ÉÇüȸ±Í
6.2.2 Lasso
6.2.3 Á¶À² ÆĶó¹ÌÅÍ ¼±ÅÃ
6.3 Â÷¿øÃà¼Ò ¹æ¹ý
6.3.1 ÁÖ¼ººÐȸ±Í
6.3.2 ºÎºÐÃÖ¼ÒÁ¦°ö
6.4 °íÂ÷¿øÀÇ °í·Á
6.4.1 °íÂ÷¿ø µ¥ÀÌÅÍ
6.4.2 °íÂ÷¿ø¿¡¼ ¹«¾ùÀÌ ¹®Á¦Àΰ¡?
6.4.3 °íÂ÷¿ø¿¡¼ÀÇ È¸±Í
6.4.4 °íÂ÷¿ø¿¡¼ÀÇ °á°ú Çؼ®
6.5 Lab 1: ºÎºÐÁýÇÕ(¼ºê¼Â) ¼±Åà ¹æ¹ý
6.5.1 ÃÖ»óÀÇ ¼ºê¼Â ¼±ÅÃ
6.5.2 ÀüÁø ¹× ÈÄÁø ´Ü°èÀû ¼±ÅÃ
6.5.3 °ËÁõ¼Â ±â¹ý°ú ±³Â÷°ËÁõÀ» »ç¿ëÇÑ ¸ðµ¨ ¼±ÅÃ
6.6 Lab 2: ´ÉÇüȸ±Í¿Í Lasso
6.6.1 ´ÉÇüȸ±Í
6.6.2 Lasso
6.7 Lab 3: PCR°ú PLS ȸ±Í
6.7.1 ÁÖ¼ººÐȸ±Í
6.7.2 ºÎºÐÃÖ¼ÒÁ¦°ö
6.8 ¿¬½À¹®Á¦
7 ¼±Çü¼ºÀ» ³Ñ¾î¼
7.1 ´ÙÇ×½Äȸ±Í
7.2 °è´ÜÇÔ¼ö
7.3 ±âÀúÇÔ¼ö
7.4 ȸ±Í ½ºÇöóÀÎ
7.4.1 Á¶°¢º° ´ÙÇ×½Ä
7.4.2 Á¦¾àÁ¶°Ç°ú ½ºÇöóÀÎ
7.4.3 ½ºÇöóÀÎ ±âÀú Ç¥Çö
7.4.4 ¸ÅµìÀÇ ¼ö¿Í À§Ä¡ ¼±ÅÃ
7.4.5 ´ÙÇ×½Äȸ±Í¿Í ºñ±³
7.5 ÆòÈ° ½ºÇöóÀÎ
7.5.1 ÆòÈ° ½ºÇöóÀÎÀÇ °³¿ä
7.5.2 ÆòÈ° ÆĶó¹ÌÅÍ ¥ëÀÇ ¼±ÅÃ
7.6 ±¹¼Òȸ±Í
7.7 ÀϹÝÈ°¡¹ý¸ðµ¨(Generalized Additive Models)
7.7.1 ȸ±Í¹®Á¦¿¡ ´ëÇÑ GAMs
7.7.2 ºÐ·ù¹®Á¦¿¡ ´ëÇÑ GAMs
7.8 Lab: ºñ¼±Çü¸ðµ¨¸µ
7.8.1 ´ÙÇ×½Äȸ±Í¿Í °è´ÜÇÔ¼ö
7.8.2 ½ºÇöóÀÎ(Splines)
7.8.3 GAMs
7.9 ¿¬½À¹®Á¦
8 Æ®¸® ±â¹ÝÀÇ ¹æ¹ý
8.1 ÀÇ»ç°áÁ¤Æ®¸®ÀÇ ±âÃÊ
8.1.1 ȸ±ÍÆ®¸®
8.1.2 ºÐ·ùÆ®¸®
8.1.3 Æ®¸®¿Í ¼±Çü¸ðµ¨
8.1.4 Æ®¸®ÀÇ Àå´ÜÁ¡
8.2 ¹è±ë, ·£´ý Æ÷¸®½ºÆ®, ºÎ½ºÆÃ
8.2.1 ¹è±ë(Bagging)
8.2.2 ·£´ý Æ÷¸®½ºÆ®(Random Forests)
8.2.3 ºÎ½ºÆÃ(Boosting)
8.3 Lab: ÀÇ»ç°áÁ¤ Æ®¸®
8.3.1 ºÐ·ùÆ®¸® ÀûÇÕ
8.3.2 ȸ±ÍÆ®¸® ÀûÇÕ
8.3.3 ¹è±ë(Bagging)°ú ·£´ý Æ÷¸®½ºÆ®(Random Forest)
8.3.4 ºÎ½ºÆÃ(Boosting)
8.4 ¿¬½À¹®Á¦
9 ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å(Support Vector Machines)
9.1 ÃÖ´ë ¸¶Áø ºÐ·ù±â
9.1.1 ÃÊÆò¸éÀº ¹«¾ùÀΰ¡?
9.1.2 ºÐ¸® ÃÊÆò¸é(Separating Hyperplane)À» »ç¿ëÇÑ ºÐ·ù
9.1.3 ÃÖ´ë ¸¶Áø ºÐ·ù±â
9.1.4 ÃÖ´ë ¸¶Áø ºÐ·ù±âÀÇ ±¸¼º
9.1.5 ºÐ·ù ºÒ°¡´ÉÇÑ °æ¿ì
9.2 ¼Æ÷Æ® º¤ÅÍ ºÐ·ù±â
9.2.1 ¼Æ÷Æ® º¤ÅÍ ºÐ·ù±âÀÇ °³¿ä
9.2.2 ¼Æ÷Æ® º¤ÅÍ ºÐ·ù±âÀÇ ¼¼ºÎ »çÇ×
9.3 ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å
9.3.1 ºñ¼±Çü °áÁ¤°æ°è¸¦ °¡Áø ºÐ·ù
9.3.2 ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å
9.3.3 ½ÉÀåÁúȯ ÀÚ·á¿¡ Àû¿ë
9.4 Ŭ·¡½º°¡ 2°³º¸´Ù ¸¹Àº SVM
9.4.1 ÀÏ´ëÀÏ ºÐ·ù
9.4.2 ÀÏ´ëÀüºÎ(One-Versus-All) ºÐ·ù
9.5 ·ÎÁö½ºÆ½ ȸ±Í¿¡ ´ëÇÑ »ó°ü°ü°è
9.6 Lab: ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å
9.6.1 ¼Æ÷Æ® º¤ÅÍ ºÐ·ù±â
9.6.2 ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å
9.6.3 ROC °î¼±
9.6.4 ´ÙÁßŬ·¡½º SVM
9.6.5 À¯ÀüÀÚ ¹ßÇö ÀÚ·á¿¡ Àû¿ë
9.7 ¿¬½À¹®Á¦
10 ºñÁöµµÇнÀ(Unsupervised Learning)
10.1 ºñÁöµµÇнÀÀÇ ¾î·Á¿ò
10.2 ÁÖ¼ººÐºÐ¼®
10.2.1 ÁÖ¼ººÐÀº ¹«¾ùÀΰ¡?
10.2.2 ÁÖ¼ººÐÀÇ ´Ù¸¥ Çؼ®
10.2.3 PCA¿¡ ´ëÇØ ´õ ¾Ë¾Æº¸±â
10.2.4 ÁÖ¼ººÐ¿¡ ´ëÇÑ ´Ù¸¥ »ç¿ë ¿¹
10.3 Ŭ·¯½ºÅ͸µ ¹æ¹ý
10.3.1 K-Æò±Õ Ŭ·¯½ºÅ͸µ
10.3.2 °èÃþÀû Ŭ·¯½ºÅ͸µ
10.3.3 Ŭ·¯½ºÅ͸µ¿¡¼ÀÇ ½ÇÁúÀû À̽´
10.4 Lab 1: ÁÖ¼ººÐºÐ¼®
10.5 Lab 2: Ŭ·¯½ºÅ͸µ
10.5.1 K-Æò±Õ Ŭ·¯½ºÅ͸µ
10.5.2 °èÃþÀû Ŭ·¯½ºÅ͸µ
10.6 Lab 3: NCI60 µ¥ÀÌÅÍ ¿¹Á¦
10.6.1 NCI60 µ¥ÀÌÅÍ¿¡ ´ëÇÑ PCA
10.6.2 NCI60 µ¥ÀÌÅÍÀÇ °üÃøÄ¡¿¡ ´ëÇÑ Å¬·¯½ºÅ͸µ
10.7 ¿¬½À¹®Á¦
ÀúÀÚ¼Ò°³
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
»ý³â¿ùÀÏ | - |
---|
ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.
ÁÖ°£·©Å·
´õº¸±â»óÇ°Á¤º¸Á¦°ø°í½Ã
À̺¥Æ® ±âȹÀü
Àü°øµµ¼/´ëÇб³Àç ºÐ¾ß¿¡¼ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥
ÆǸÅÀÚÁ¤º¸
»óÈ£ |
(ÁÖ)±³º¸¹®°í |
---|---|
´ëÇ¥ÀÚ¸í |
¾Èº´Çö |
»ç¾÷ÀÚµî·Ï¹øÈ£ |
102-81-11670 |
¿¬¶ôó |
1544-1900 |
ÀüÀÚ¿ìÆíÁÖ¼Ò |
callcenter@kyobobook.co.kr |
Åë½ÅÆǸž÷½Å°í¹øÈ£ |
01-0653 |
¿µ¾÷¼ÒÀçÁö |
¼¿ïƯº°½Ã Á¾·Î±¸ Á¾·Î 1(Á¾·Î1°¡,±³º¸ºôµù) |
±³È¯/ȯºÒ
¹ÝÇ°/±³È¯ ¹æ¹ý |
¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹ÝÇ°/±³È¯/ȯºÒ¡¯ ¿¡¼ ½Åû ¶Ç´Â 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¹× °í°´¼¾ÅÍ(1577-2555)¿¡¼ ½Åû °¡´É |
---|---|
¹ÝÇ°/±³È¯°¡´É ±â°£ |
º¯½É ¹ÝÇ°ÀÇ °æ¿ì Ãâ°í¿Ï·á ÈÄ 6ÀÏ(¿µ¾÷ÀÏ ±âÁØ) À̳»±îÁö¸¸ °¡´É |
¹ÝÇ°/±³È¯ ºñ¿ë |
º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã |
¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯ |
·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì ·½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆǸŰ¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡ ÇØ´çµÇ´Â °æ¿ì |
»óÇ° Ç°Àý |
°ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ Ç°Àý/Áö¿¬µÉ ¼ö ÀÖÀ½ |
¼ÒºñÀÚ ÇÇÇغ¸»ó |
·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© ó¸®µÊ ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀǼҺñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ |
(ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º´Â ȸ¿ø´ÔµéÀÇ ¾ÈÀü°Å·¡¸¦ À§ÇØ ±¸¸Å±Ý¾×, °áÁ¦¼ö´Ü¿¡ »ó°ü¾øÀÌ (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º¸¦ ÅëÇÑ ¸ðµç °Å·¡¿¡ ´ëÇÏ¿©
(ÁÖ)KGÀ̴Ͻýº°¡ Á¦°øÇÏ´Â ±¸¸Å¾ÈÀü¼ºñ½º¸¦ Àû¿ëÇÏ°í ÀÖ½À´Ï´Ù.
¹è¼Û¾È³»
±³º¸¹®°í »óÇ°Àº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óÇ°À» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óÇ°À» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÕ´Ï´Ù.
¹è¼Ûºñ´Â ¾÷ü ¹è¼Ûºñ Á¤Ã¥¿¡ µû¸¨´Ï´Ù.