°£Æí°áÁ¦, ½Å¿ëÄ«µå û±¸ÇÒÀÎ
ÀÎÅÍÆÄÅ© ·Ôµ¥Ä«µå 5% (29,930¿ø)
(ÃÖ´ëÇÒÀÎ 10¸¸¿ø / Àü¿ù½ÇÀû 40¸¸¿ø)
ºÏÇǴϾð ·Ôµ¥Ä«µå 30% (22,050¿ø)
(ÃÖ´ëÇÒÀÎ 3¸¸¿ø / 3¸¸¿ø ÀÌ»ó °áÁ¦)
NH¼îÇÎ&ÀÎÅÍÆÄÅ©Ä«µå 20% (25,200¿ø)
(ÃÖ´ëÇÒÀÎ 4¸¸¿ø / 2¸¸¿ø ÀÌ»ó °áÁ¦)
Close

ÆÄÀ̽ãÀ¸·Î ¹è¿ì´Â ´ë±Ô¸ð ¸Ó½Å ·¯´× : ´ë±Ô¸ð µ¥ÀÌÅÍ ºÐ¼®°ú 󸮸¦ À§ÇÑ ´Ù¾çÇÑ ¸Ó½Å ·¯´× ±â¹ý È°¿ë

¿øÁ¦ : Large Scale Machine Learning with Python
¼Òµæ°øÁ¦

2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.

°øÀ¯Çϱâ
Á¤°¡

35,000¿ø

  • 31,500¿ø (10%ÇÒÀÎ)

    1,750P (5%Àû¸³)

ÇÒÀÎÇýÅÃ
Àû¸³ÇýÅÃ
  • S-Point Àû¸³Àº ¸¶ÀÌÆäÀÌÁö¿¡¼­ Á÷Á¢ ±¸¸ÅÈ®Á¤ÇϽŠ°æ¿ì¸¸ Àû¸³ µË´Ï´Ù.
Ãß°¡ÇýÅÃ
¹è¼ÛÁ¤º¸
  • 3/19(È­) À̳» ¹ß¼Û ¿¹Á¤  (¼­¿ï½Ã °­³²±¸ »ï¼º·Î 512)
  • ¹«·á¹è¼Û
ÁÖ¹®¼ö·®
°¨¼Ò Áõ°¡
  • À̺¥Æ®/±âȹÀü

  • ¿¬°üµµ¼­(224)

  • »óÇ°±Ç

AD

Ã¥¼Ò°³

¡ºÆÄÀ̽ãÀ¸·Î ¹è¿ì´Â ´ë±Ô¸ð ¸Ó½Å ·¯´×¡»Àº ÆÄÀ̽ãÀ» È°¿ëÇØ ´ë±Ô¸ð µ¥ÀÌÅÍ ¼¼Æ®¿¡ ¸Ó½Å ·¯´×À» Àû¿ëÇÏ´Â ¹æ¹ýÀ» ¾È³»ÇÑ´Ù. ½ÇÁ¦ ÆÄÀ̽ã Äڵ带 ÀÌ¿ëÇØ ÇöÀç °¡Àå ¸¹ÀÌ »ç¿ëµÇ´Â ¸Ó½Å ·¯´× ±â¹ýµé°ú ÇÁ·¹ÀÓ¿öÅ©·Î ´ë±Ô¸ð µ¥ÀÌÅÍ ¼¼Æ®¸¦ ó¸®ÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÏ°í ÀÖ´Ù. ±âº»ÀûÀ¸·Î ÆÄÀ̽㠹®¹ý°ú ¸Ó½Å ·¯´× °³³äÀ» ¾î´À Á¤µµ ¼÷ÁöÇÑ Áß±Þ µ¶ÀÚ¸¦ À§ÇÑ Ã¥À¸·Î, Åë°è¿Í ¼öÇп¡ ´ëÇÑ ½Ç¹« Áö½ÄÀÌ ÀÖ´Ù¸é ´õ¿í ÀÌÇØÇϱ⠽¬¿ï °ÍÀÌ´Ù. ¸Ó½Å ·¯´× ºÐ¾ß¿¡¼­ ¾ð±ÞµÇ´Â ÁÖ¿ä °³³ä, ÇÁ·¹ÀÓ¿öÅ©, ¾Ë°í¸®Áò, Åø µîÀ» ÀûÀýÇÏ°Ô »ç¿ëÇÏ´Â ¿¹¸¦ Á¦½ÃÇÑ´Ù.

ÃâÆÇ»ç ¼­Æò

¡Ú ÀÌ Ã¥¿¡¼­ ´Ù·ç´Â ³»¿ë ¡Ú

¡á È®À强ÀÌ ¶Ù¾î³­ ¸Ó½Å ·¯´× ¾Ë°í¸®Áò Àû¿ë ¹æ¹ý
¡á ÃֽŠ¸Ó½Å ·¯´× ±â¹ý È°¿ë
¡á µö·¯´×°ú È®Àå °¡´ÉÇÑ µ¥ÀÌÅÍ Ã³¸® ±â¹ýÀ» È°¿ëÇÑ ¿¹Ãø Á¤È®µµ Çâ»ó
¡á ½ºÆÄÅ©¿¡¼­ ¸Ê¸®µà½º ÇÁ·¹ÀÓ¿öÅ© È°¿ë
¡á ½ºÆÄÅ© ¹× ÇϵÓÀ» È°¿ëÇÑ È¿°úÀûÀÎ ¸Ó½Å ·¯´× ¾Ë°í¸®Áò Àû¿ë ¹æ¹ý
¡á °­·ÂÇÑ ´ë±Ô¸ð ¾Ó»óºí »ý¼º
¡á µ¥ÀÌÅÍ ½ºÆ®¸²À» »ç¿ëÇØ ´ë±Ô¸ð µ¥ÀÌÅÍ ¼¼Æ®¿¡¼­ ¼±Çü ¹× ºñ¼±Çü ¿¹Ãø ¸ðµ¨ ÇнÀ

¡Ú ÀÌ Ã¥ÀÇ ´ë»ó µ¶ÀÚ ¡Ú

µ¥ÀÌÅÍ °úÇÐ ºÐ¾ßÀÇ ½Ç¹«ÀÚ, °³¹ßÀÚ, ±×¸®°í Å©°í º¹ÀâÇÑ µ¥ÀÌÅÍ ¼¼Æ®¸¦ ´Ù·ç·Á´Â ¸ðµç »ç¶÷µé¿¡°Ô ÀûÇÕÇÏ´Ù. °¡´ÉÇÑ ÇÑ ¸¹Àº µ¶ÀÚµéÀ» ´ë»óÀ¸·Î ÇÏ·Á°í ³ë·ÂÇß´Ù. ±×·¯³ª ÀÌ Ã¥ÀÌ ´Ù·ç´Â ÁÖÁ¦°¡ »ó´çÈ÷ °í±Þ °úÁ¤À̶ó´Â Á¡À» °¨¾ÈÇßÀ» ¶§ °­Á¦ »çÇ×Àº ¾Æ´ÏÁö¸¸ ºÐ·ù, ȸ±Í, ¿ÀÂ÷ ÃÖ¼ÒÈ­ ÇÔ¼ö, ±³Â÷ °ËÁõ °°Àº ±âº»ÀûÀÎ ¸Ó½Å ·¯´×ÀÇ °³³ä¿¡ Àͼ÷ÇÒ °ÍÀ» ±ÇÀåÇÑ´Ù. ¶ÇÇÑ ÀÌ Ã¥¿¡¼­ Á¦¾ÈÇÏ´Â ´Ù¾çÇÑ ÇØ°á ¹æ½ÄÀÇ °³³äÀ» ÀÌÇØÇϱâ À§ÇØ ÀÏÁ¤ ¼öÁØ ÀÌ»óÀÇ ¼öÇÐ Áö½Ä°ú ÇÔ²² ÆÄÀ̽ã, ÁÖÇÇÅÍ ³ëÆ®ºÏ ¹× ¸í·ÉÇà ½ÇÇà¿¡ ¾î´À Á¤µµ °æÇèÀÌ ÀÖ´Â µ¶ÀÚ¸¦ °¡Á¤Çß´Ù. ÄÚµå´Â ´Ù¸¥ ¾ð¾î(R, Java ¹× MATLAB) ÇÁ·Î±×·¡¸Ó°¡ µû¶ó°¥ ¼ö ÀÖ´Â ¾ç½ÄÀ¸·Î ÀÛ¼ºÇß´Ù. ÀÌ·ÐÀûÀ¸·Î´Â ¸Ó½Å ·¯´×¿¡ Àͼ÷Çϸç, ÄÄÇ»ÅÍ ¿¬»ê, ¸Þ¸ð¸® ¹× I/O ¼º´É ¹®Á¦·Î ÆÄÀ̽ãÀ» È°¿ëÇØ R ¶Ç´Â MATLAB °°Àº ´Ù¸¥ ¾ð¾î¸¦ ´Ù·ç´Â °Í¿¡ °ü½ÉÀÌ ÀÖ´Â µ¥ÀÌÅÍ °úÇÐÀÚ¿¡°Ô ÀûÇÕÇÏ´Ù(±×·¯³ª ÀÌ¿¡ ±¹ÇѵÇÁö´Â ¾Ê´Â´Ù).

¡Ú ÀÌ Ã¥ÀÇ ±¸¼º ¡Ú

1Àå, ¡®È®À强À» ÇâÇÑ Ã¹ °ÉÀ½¡¯¿¡¼­´Â ¸Ó½Å ·¯´×À» È®ÀåÇÏ´Â ¹®Á¦¸¦ Á¤È®ÇÑ °üÁ¡¿¡¼­ ¼³Á¤ÇÏ°í, »ç¿ëÇÒ µµ±¸¿¡ Àͼ÷ÇØÁöµµ·Ï ¾È³»ÇÑ´Ù.
2Àå, ¡®Scikit-learnÀ¸·Î È®Àå °¡´ÉÇÑ ÇнÀ¡¯¿¡¼­´Â ¸Þ¸ð¸® ¼Òºñ°¡ ÀûÀº È®·üÀû °æ»ç ÇÏ°­¹ý(Stochastic gradient descent, SGD)¿¡ ´ëÇÑ Àü·«À» ¼³¸íÇÑ´Ù. À̵éÀº Äھ ±¸¾Ö ¹ÞÁö ¾Ê´Â out-of-core ÇнÀÀ» ±â¹ÝÀ¸·Î ÇÑ´Ù. ¶ÇÇÑ ÇØ½Ì ±â¹ýó·³ ´Ù¾çÇÑ µ¥ÀÌÅ͸¦ ó¸®ÇÒ ¼ö ÀÖ´Â µ¥ÀÌÅÍ Àüó¸® ±â¼úµµ ´Ù·ê °ÍÀÌ´Ù.
3Àå, ¡®ºü¸¥ SVM ±¸Çöü¡¯¿¡¼­´Â ¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å(support vector machines) ÇüÅ·Πºñ¼±Çü¼ºÀ» ã¾Æ³¾ ¼ö ÀÖ´Â ½ºÆ®¸®¹Ö ¾Ë°í¸®ÁòÀ» ´Ù·é´Ù. LIBLINEAR ¹× Vowpal Wabbit °°Àº Scikit-learnÀÇ ´ë¾ÈÀ» Á¦½ÃÇÒ °ÍÀÌ´Ù. À̵éÀº ¿ÜºÎ ¼Ð ¸í·ÉÀ¸·Î µ¿ÀÛÇÏÁö¸¸, ÆÄÀ̽㠽ºÅ©¸³Æ®·Î ½±°Ô ·¡Çεǰí È£ÃâµÉ ¼ö ÀÖ´Ù.
4Àå, ¡®½Å°æ¸Á°ú µö·¯´×¡¯¿¡¼­´Â H2O¸¦ È°¿ëÇÑ ´ë±Ô¸ð ¾ÖÇø®ÄÉÀ̼ǰú ÇÔ²² Theano ÇÁ·¹ÀÓ¿öÅ©¿¡¼­ ½ÉÃþ ½Å°æ¸ÁÀ» Àû¿ëÇÏ´Â À¯¿ëÇÑ ¹æ¹ýµéÀ» ¼Ò°³ÇÑ´Ù. ÁÖ¸ñ ¹Þ´Â ¹æ¹ýÀ» ¼º°øÀûÀ¸·Î Àû¿ëÇÏ´Â °Í°ú È®Àå °¡´ÉÇÑ ¼Ö·ç¼ÇÀ¸·Î Á¦°øÇÏ´Â °ÍÀº ¶Ç ´Ù¸¥ ¹®Á¦ÀÏ ¼ö ÀÖ´Ù. theanets ÆÐÅ°Áö·Î ¿ÀÅäÀÎÄÚ´õ¸¦ ÅëÇÑ ºñÁöµµ »çÀü ÈÆ·Ã ¹æ¹ýµµ »ç¿ëÇÒ °ÍÀÌ´Ù.
5Àå, ¡®ÅÙ¼­Ç÷θ¦ È°¿ëÇÑ µö·¯´×¡¯¿¡¼­´Â ½Å°æ¸ÁÀ» À§ÇÑ ¿Â¶óÀÎ ¹æ¹ý°ú ÇÔ²² ÁÖ¸ñ ¹Þ´Â µö·¯´× ±â¹ýµéÀ» ´Ù·é´Ù. ÇöÀç ÅÙ¼­Ç÷δ Ãʱ⠴ܰ迡 ºÒ°úÇÏÁö¸¸, ÇÁ·¹ÀÓ¿öÅ©°¡ Á¦°øÇÏ´Â ¸Ó½Å ·¯´× ¹æ¹ýÀº ¸íÄèÇÏ´Ù. ÅÙ¼­Ç÷Πȯ°æ¿¡¼­ Äɶ󽺸¦ »ç¿ëÇÑ ÇÕ¼º°ö ½Å°æ¸Á(Convolutional Neural Networks)µµ È°¿ëÇÒ °ÍÀÌ´Ù.
6Àå, ¡®ºÐ·ù¿Í ȸ±Í Æ®¸® È®À塯¿¡¼­´Â ·£´ý Æ÷·¹½ºÆ®(random forest), °æ»ç ºÎ½ºÆÃ(gradient boosting), XGboost¸¦ È®ÀåÇÏ´Â ¹æ¹ýÀ» ¼³¸íÇÑ´Ù. ºÐ·ù ¹× ȸ±Í Æ®¸®ÀÇ ¾à¾îÀÎ CART´Â ÀϹÝÀûÀ¸·Î ¾Ó»óºí ¹æ½ÄÀÇ ÇÁ·¹ÀÓ¿öÅ©¿¡ Àû¿ëµÇ´Â ¸Ó½Å ·¯´× ±â¹ýÀÌ´Ù. ¶ÇÇÑ H2O¸¦ »ç¿ëÇÏ´Â ´ë±Ô¸ð ¾ÖÇø®ÄÉÀ̼ÇÀÇ ¿¹¸¦ Á¦½ÃÇÒ °ÍÀÌ´Ù.
7Àå, ¡®´ë±Ô¸ð µ¥ÀÌÅÍ¿¡ ´ëÇÑ ºñÁöµµ ÇнÀ¡¯¿¡¼­´Â ºñÁöµµ ÇнÀÀ» ÀÚ¼¼È÷ »ìÆ캸´Â °ÍÀº ¹°·Ð PCA, Ŭ·¯½ºÅÍ ºÐ¼®, ÁÖÁ¦ ¸ðµ¨¸µ°ú À̵éÀ» È®ÀåÇÏ´Â ¿Ã¹Ù¸¥ Á¢±Ù ¹æ¹ý¿¡ ´ëÇØ »ìÆ캼 °ÍÀÌ´Ù.
8Àå, ¡®ºÐ»ê ȯ°æ-ÇϵӰú ½ºÆÄÅ©¡¯¿¡¼­´Â ´ÜÀÏ ¸Ó½Å¿¡¼­ ¿¬»ê ³×Æ®¿öÅ©·Î Æз¯´ÙÀÓÀÌ À̵¿ÇÔ¿¡ µû¶ó °¡»ó ¸Ó½Å ȯ°æ¿¡¼­ ½ºÆÄÅ©¸¦ ¼³Á¤ÇÏ´Â ¹æ¹ýÀ» »ìÆ캻´Ù. ÆÄÀ̽ãÀ¸·Î ¸Ó½Å Ŭ·¯½ºÅÍÀÇ ¿ëÀÌÇÑ °áÇÕ°ú ¼º´É Çâ»óÀÌ °¡´ÉÇØÁö¸é¼­ ¾î·ÆÁö ¾Ê°Ô ÇÏµÓ Å¬·¯½ºÅÍÀÇ ÈûÀ» È°¿ëÇÒ ¼ö ÀÖ°Ô µÆ´Ù.
9Àå, ¡®½ºÆÄÅ©¸¦ È°¿ëÇÑ ½Ç¹«¿¡¼­ÀÇ ¸Ó½Å ·¯´×¡¯¿¡¼­´Â ½ºÆÄÅ©¸¦ »ç¿ëÇØ Áï°¢ÀûÀ¸·Î µ¥ÀÌÅ͸¦ Á¶ÀÛÇÏ°í ´ë±Ô¸ð µ¥ÀÌÅÍ ¼¼Æ®·Î ¿¹Ãø ¸ðµ¨À» ¸¸µé±â À§ÇØ ÇÊ¿äÇÑ ¸ðµç ³»¿ëÀ» ´Ù·é´Ù.

¸ñÂ÷

1Àå. È®À强À» ÇâÇÑ Ã¹°ÉÀ½

__È®À强¿¡ ´ëÇÑ ÀÚ¼¼ÇÑ ¼³¸í
____´ë±Ô¸ð °´Ã¼ »ý¼ºÇϱâ
____ÆÄÀ̽㠼Ұ³
____ÆÄÀ̽ãÀ» ÅëÇÑ ½ºÄÉÀÏ ¾÷
____ÆÄÀ̽ãÀ» ÅëÇÑ ½ºÄÉÀÏ ¾Æ¿ô
__´ë±Ô¸ð ¸Ó½Å ·¯´×À» À§ÇÑ ÆÄÀ̽ã
____ÆÄÀ̽ã 2¿Í ÆÄÀ̽ã 3 Áß ¾î´À °ÍÀ» ¼±ÅÃÇÒ °ÍÀΰ¡?
____ÆÄÀ̽㠼³Ä¡
____´Ü°èÀû ¼³Ä¡
____ÆÐÅ°Áö ¼³Ä¡
____ÆÐÅ°Áö ¾÷±×·¹À̵å
____°úÇÐ¿ë ¹èÆ÷ÆÇ
____ÁÖÇÇÅÍ / IPython ¼Ò°³
__ÆÄÀ̽ã ÆÐÅ°Áö
____NumPy
____SciPy
____Pandas
____Scikit-learn
__¿ä¾à


2Àå. Scikit-learnÀ¸·Î È®Àå °¡´ÉÇÑ ÇнÀ
__Äھ ±¸¾Ö ¹ÞÁö ¾Ê´Â ÇнÀ(Out-of-core learning)
____½ÇÇà °¡´ÉÇÑ ¹æ¹ýÀ¸·Î¼­ ÀçÇ¥º»ÃßÃâ
____ÇÑ ¹ø¿¡ ÇϳªÀÇ °´Ã¼¸¸À¸·Î ÃÖÀûÈ­¸¦ ÇÏ´Â ¹æ¹ý
____Äھ ±¸¾Ö ¹ÞÁö ¾Ê´Â(out-of-core) ÇнÀ ½Ã½ºÅÛ ±¸Ãà
__¼Ò½º·ÎºÎÅÍ µ¥ÀÌÅ͸¦ ½ºÆ®¸®¹ÖÇϱâ
____Çö½ÇÀ» ¹Ý¿µÇÏ´Â µ¥ÀÌÅÍ ¼¼Æ®
____ù ¹ø° ¿¹Á¦ - ÀÚÀü°Å ´ë¿© µ¥ÀÌÅÍ ¼¼Æ® ½ºÆ®¸®¹ÖÇϱâ
__È®·üÀû ÇнÀ(Stochastic learning)
____¹èÄ¡ °æ»ç ÇÏ°­¹ý(Batch gradient descent)
____È®·üÀû °æ»ç ÇÏ°­¹ý
____Scikit-learnÀÇ SGD ±¸Çöü
____SGD ÇнÀ ÆĶó¹ÌÅÍ Á¤ÀÇÇϱâ
__µ¥ÀÌÅÍ ½ºÆ®¸²À» ÅëÇÑ Æ¯Â¡ °ü¸®
____¸ñÇ¥ ¼³¸í
____ÇØ½Ì ±â¹ý
____±× ¿Ü ±âº»ÀûÀÎ º¯È¯µé
____½ºÆ®¸²¿¡¼­ Å×½ºÆ®¿Í °ËÁõ
____SGDÀÇ ½ÇÁ¦ µ¿ÀÛ
__¿ä¾à


3Àå. ºü¸¥ SVM ±¸Çöü

__½ÇÇè¿ë µ¥ÀÌÅÍ ¼¼Æ®
____ÀÚÀü°Å ´ë¿© µ¥ÀÌÅÍ ¼¼Æ®
____»ê¸² À¯Çü µ¥ÀÌÅÍ ¼¼Æ®
__¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å
____°æø ¼Õ½Ç ¹× º¯Çü
____Scikit-learn SVM ±¸Çöü¿¡ ´ëÇÑ ÀÌÇØ
____ÀçÇ¥º»ÃßÃâ¿¡ ÀÇÇÑ ºñ¼±Çü SVM
____SGD·Î SVM È®ÀåÇϱâ
__Á¤±ÔÈ­¸¦ ÅëÇÑ Æ¯Â¡ ¼±ÅÃ
__SGD¿¡ ºñ¼±Çü¼º Æ÷ÇÔ½ÃÅ°±â
____¸í½ÃÀû °íÂ÷¿ø ¸ÅÇÎ ½ÃµµÇϱâ
__ÇÏÀÌÆÛÆĶó¹ÌÅÍÆ©´×
____ºü¸¥ SVM ÇнÀÀ» À§ÇÑ ¹æ¹ýµé
__¿ä¾à


4Àå. ½Å°æ¸Á°ú µö·¯´×

__½Å°æ¸Á ¾ÆÅ°ÅØó
____½Å°æ¸ÁÀÌ ÇнÀÇÏ´Â ³»¿ë°ú ¹æ¹ý
____ÀûÇÕÇÑ ¾ÆÅ°ÅØó ¼±ÅÃÇϱâ
__½ÇÁ¦·Î µ¿ÀÛÇÏ´Â ½Å°æ¸Á
____sknn º´·Ä ó¸®
__½Å°æ¸Á°ú Á¤±ÔÈ­
__½Å°æ¸Á°ú ÇÏÀÌÆÛÆĸ®¹ÌÅÍ ÃÖÀûÈ­
__½Å°æ¸Á°ú °áÁ¤ °æ°è
__H2O¸¦ ÅëÇÑ µö·¯´×ÀÇ È®Àå
____H2O¸¦ È°¿ëÇÑ ´ë±Ô¸ð µö·¯´×
____H2O¿¡¼­ÀÇ ±×¸®µå °Ë»ö
__µö·¯´×°ú ºñÁöµµ »çÀü ÇнÀ
__theanets¸¦ È°¿ëÇÑ µö·¯´×
__¿ÀÅäÀÎÄÚ´õ¿Í ºñÁöµµ ÇнÀ
____¿ÀÅäÀÎÄÚ´õ
__¿ä¾à


5Àå. ÅÙ¼­Ç÷θ¦ È°¿ëÇÑ µö·¯´×

__ÅÙ¼­Ç÷Π¼³Ä¡
__SkFlow¸¦ È°¿ëÇÑ ÅÙ¼­Ç÷ο¡¼­ÀÇ ¸Ó½Å ·¯´×
____´ëÇü ÆÄÀÏÀ» È°¿ëÇÏ´Â µö·¯´×-Á¡ÁøÀû ÇнÀ
__Keras¿Í ÅÙ¼­Ç÷Π¼³Ä¡
____Keras¸¦ ÅëÇÑ ÅÙ¼­Ç÷ο¡¼­ÀÇ ÇÕ¼º°ö ½Å°æ¸Á
__ÇÕ¼º°öÃþ
____Ç®¸µÃþ
____¿ÏÀü ¿¬°áÃþ
__Á¡ÁøÀû ¹æ½ÄÀ» »ç¿ëÇÏ´Â CNNs
__GPU ÄÄÇ»ÆÃ
__¿ä¾à


6Àå. ºÐ·ù¿Í ȸ±Í Æ®¸® È®Àå

__ºÎÆ®½ºÆ®·¦ ¸ðÀ½
__·£´ý Æ÷·¹½ºÆ® ¹× ±Ø´ÜÀûÀÎ ·£´ý Æ÷·¹½ºÆ®
__¹«ÀÛÀ§ °Ë»öÀ» ÅëÇÑ ºü¸¥ ÆĶó¹ÌÅÍ ÃÖÀûÈ­
____±Ø´ÜÀûÀÎ ·£´ý Æ®¸®¿Í ´ëÇü µ¥ÀÌÅÍ ¼¼Æ®
__CART¿Í ºÎ½ºÆÃ
____°æ»ç ºÎ½ºÆà ¸Ó½Å
__XGBoost
____XGBoost ȸ±Í
____´ëÇü µ¥ÀÌÅÍ ¼¼Æ®¸¦ ½ºÆ®¸®¹ÖÇÏ´Â XGBoost
____XGBoost model persistence
__H2O¸¦ ÅëÇÑ Äھ ±¸¾Ö ¹ÞÁö ¾Ê´Â ¹æ½ÄÀÇ CART
____H2O¿¡¼­ÀÇ ·£´ý Æ÷·¹½ºÆ®¿Í ±×¸®µå °Ë»ö
____H2O¿¡¼­ÀÇ È®·üÀû °æ»ç ºÎ½ºÆðú ±×¸®µå °Ë»ö
__¿ä¾à


7Àå. ´ë±Ô¸ð µ¥ÀÌÅÍ¿¡ ´ëÇÑ ºñÁöµµ ÇнÀ

__ºñÁöµµ ¹æ½Ä
__Ư¡ ºÐÇØ(Feature decomposition) - PCA
____¹«ÀÛÀ§ PCA
____ÁõºÐ PCA
____Èñ¼Ò PCA
__H2O¸¦ È°¿ëÇÑ PCA
__Ŭ·¯½ºÅ͸µ? K-Æò±Õ
____ÃʱâÈ­ ¹æ½Ä
____K-Æò±ÕÀÇ °¡Á¤
____ÃÖÀûÀÇ K ¼±ÅÃÇϱâ
____K-Æò±ÕÀÇ È®Àå-¹Ì´Ï ¹èÄ¡
__H2O¸¦ È°¿ëÇÑ K-Æò±Õ
__LDA
____LDA È®Àå ? ¸Þ¸ð¸®, CPUs, ¸Ó½Å
__¿ä¾à


8Àå. ºÐ»êȯ°æ-ÇϵÓ(Haddop)°ú ½ºÆÄÅ©(Spark)

__µ¶¸³Çü ¸Ó½Å¿¡¼­ ´Ù¼öÀÇ ³ëµåµé·Î
____ºÐ»ê ÇÁ·¹ÀÓ¿öÅ©°¡ ÇÊ¿äÇÑ ÀÌÀ¯
__VM ȯ°æ ¼³Á¤
____¹öÃß¾ó¹Ú½º
____º£À̱׷±Æ®
____VM »ç¿ëÇϱâ
__ÇÏµÓ »ýÅ°è
____¾ÆÅ°ÅØó
____HDFS
____¸Ê¸®µà½º
____¾á
__½ºÆÄÅ©
____pySpark
__¿ä¾à


9Àå. ½ºÆÄÅ©¸¦ È°¿ëÇÑ ½Ç¹«¿¡¼­ÀÇ ¸Ó½Å ·¯´×

__9ÀåÀ» À§ÇÑ VM ȯ°æ ¼³Á¤
__Ŭ·¯½ºÅÍ ³ëµåµé¿¡¼­ º¯¼ö °øÀ¯Çϱâ
____Àбâ Àü¿ë ºê·Îµåij½ºÆ® º¯¼ö
____Àбâ Àü¿ë ´©»ê±â º¯¼ö
____ºê·Îµåij½ºÆ®¿Í ´©»ê±â¸¦ ÇÔ²² »ç¿ëÇϱâ-¿¹Á¦
__½ºÆÄÅ©¿¡¼­ÀÇ µ¥ÀÌÅÍ Àüó¸®
____JSON ÆÄÀÏ°ú ½ºÆÄÅ© µ¥ÀÌÅÍ ÇÁ·¹ÀÓ
____À¯½Ç µ¥ÀÌÅÍ Ã³¸®Çϱâ
____¸Þ¸ð¸®¿¡¼­ Å×À̺íÀ» ±×·ìÁþ°í »ý¼ºÇϱâ
____Àüó¸®µÈ µ¥ÀÌÅÍ ÇÁ·¹ÀÓ È¤Àº RDD¸¦ µð½ºÅ©¿¡ ¾²±â
____½ºÆÄÅ© µ¥ÀÌÅÍ ÇÁ·¹ÀÓÀ¸·Î ÀÛ¾÷Çϱâ
__½ºÆÄÅ©¸¦ È°¿ëÇÑ ¸Ó½Å ·¯´×
____KDD99 µ¥ÀÌÅÍ ¼¼Æ®¸¦ ´Ù·ç´Â ½ºÆÄÅ©
____µ¥ÀÌÅÍ ¼¼Æ® Àбâ
____Ư¡ ¿£Áö´Ï¾î¸µ
____ÇнÀ±â ÈƷýÃÅ°±â
____ÇнÀ±â ¼º´É Æò°¡Çϱâ
____°­·ÂÇÑ ML ÆÄÀÌÇÁ¶óÀÎ
____¼öÀÛ¾÷ Æ©´×
____±³Â÷ °ËÁõ
__¿ä¾à


ºÎ·Ï. GPU ¹× Theano ¼Ò°³
__GPU ÄÄÇ»ÆÃ
__Theano - GPU¿¡¼­ÀÇ º´·Ä ÄÄÇ»ÆÃ
__Theano ¼³Ä¡Çϱâ

ÀúÀÚ¼Ò°³

·çÄ« ¸¶½Î·Ð, ¾Ëº£¸£Åä º¸½ºÃ¼Æ¼ [Àú] ½ÅÀ۾˸² SMS½Åû
»ý³â¿ùÀÏ -

ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.

À̹ÌÁ¤ [¿ª] ½ÅÀ۾˸² SMS½Åû
»ý³â¿ùÀÏ -

ÇØ´çÀÛ°¡¿¡ ´ëÇÑ ¼Ò°³°¡ ¾ø½À´Ï´Ù.

ÀÌ »óÇ°ÀÇ ½Ã¸®Áî

(ÃÑ 225±Ç / ÇöÀ籸¸Å °¡´Éµµ¼­ 225±Ç)

¼±ÅÃÇÑ »óÇ° ºÏÄ«Æ®´ã±â
ÆîÃ帱â

Àü°øµµ¼­/´ëÇб³Àç ºÐ¾ß¿¡¼­ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥

    ¸®ºä

    0.0 (ÃÑ 0°Ç)

    100ÀÚÆò

    ÀÛ¼º½Ã À¯ÀÇ»çÇ×

    ÆòÁ¡
    0/100ÀÚ
    µî·ÏÇϱâ

    100ÀÚÆò

    0.0
    (ÃÑ 0°Ç)

    ÆǸÅÀÚÁ¤º¸

    • ÀÎÅÍÆÄÅ©µµ¼­¿¡ µî·ÏµÈ ¿ÀǸ¶ÄÏ »óÇ°Àº ±× ³»¿ë°ú Ã¥ÀÓÀÌ ¸ðµÎ ÆǸÅÀÚ¿¡°Ô ÀÖÀ¸¸ç, ÀÎÅÍÆÄÅ©µµ¼­´Â ÇØ´ç »óÇ°°ú ³»¿ë¿¡ ´ëÇØ Ã¥ÀÓÁöÁö ¾Ê½À´Ï´Ù.

    »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
    ´Ü, »óÇ°ÀÇ °áÇÔ ¹× °è¾à³»¿ë°ú ´Ù¸¦ °æ¿ì ¹®Á¦Á¡ ¹ß°ß ÈÄ 30ÀÏ À̳»

    ¹ÝÇ°/±³È¯ ºñ¿ë

    º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã
    »óÇ°À̳ª ¼­ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯/¹ÝÇ°Àº ¹Ý¼Û·á ÆǸÅÀÚ ºÎ´ã

    ¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯

    ·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
    (´ÜÁö È®ÀÎÀ» À§ÇÑ Æ÷Àå ÈѼÕÀº Á¦¿Ü)

    ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì
    ¿¹) È­ÀåÇ°, ½ÄÇ°, °¡ÀüÁ¦Ç°(¾Ç¼¼¼­¸® Æ÷ÇÔ) µî

    ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì
    ¿¹) À½¹Ý/DVD/ºñµð¿À, ¼ÒÇÁÆ®¿þ¾î, ¸¸È­Ã¥, ÀâÁö, ¿µ»ó È­º¸Áý

    ·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
    ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó

    ·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº ¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© 󸮵Ê

    ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼­ÀÇ ¼ÒºñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ

    (ÁÖ)KGÀ̴Ͻýº °áÁ¦´ë±Ý¿¹Ä¡¾÷ µî·Ï¹øÈ£: 02-006-00013

    (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.
    µî·Ï ¿©ºÎ´Â e-±ÝÀ¶¹Î¿ø¼¾ÅÍ È¨ÆäÀÌÁö(www.fcsc.kr)ÀÇ µî·Ï¡¤½Å°í>ÀüÀÚ±ÝÀ¶¾÷µî·ÏÇöȲ ¸Þ´º¿¡¼­ È®ÀÎÇÏ½Ç ¼ö ÀÖ½À´Ï´Ù. ¼­ºñ½º °¡ÀÔ»ç½Ç È®ÀÎ

    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.

    • - µµ¼­ ±¸¸Å ½Ã 15,000¿ø ÀÌ»ó ¹«·á¹è¼Û, 15,000¿ø ¹Ì¸¸ 2,500¿ø - »óÇ°º° ¹è¼Ûºñ°¡ ÀÖ´Â °æ¿ì, »óÇ°º° ¹è¼Ûºñ Á¤Ã¥ Àû¿ë