추가 적립 안내

Go 언어를 머신 러닝 분야에 활용하는 내용을 다룬다. Go 언어는 요즘 널리 사용되는 다른 언어와 달리 단순함과 효율성을 강조하는 언어다. 이 책은 Go 언어를 활용해 생산성과 효율성이 높은 머신 러닝 프로그램 작성 방법을 알려준다. 또한 데이터 수집, 정리, 구문 분석, 머신 러닝 프로그램의 평가 및 검증 방법, 회귀 분석, 분류, 군집화, 시계열 분석, 신경망 및 딥러닝 등 머신 러닝에 대한 내용을 충실하게 다루고 있기 때문에 머신 러닝을 공부하고자 하는 독자들에게도 많은 도움을 줄 것이다. 또한 Go 언어를 머신 러닝 분야에 활용하고자 하는 데이터 과학자 및 Go 언어 개발자에게도 좋은 참고 서적이다.

★ 이 책에서 다루는 내용 ★

■데이터의 수집, 구성, 구문 분석 및 정리 방법
■행렬, 선형 대수학, 통계 및 확률
■머신 러닝 모델을 평가하고 검증하는 방법
■회귀분석, 분류, 군집화
■신경망과 딥러닝
■시계열 모델을 활용해 예측 수행 및 이상 감지 작업 수행
■분석도구 및 머신 러닝 모델 배포 방법
■머신 러닝 모델 최적화 방법

★ 이 책의 대상 독자 ★
■머신 러닝 및 데이터 분석에 관심이 있는 Go 프로그래머
■Go 언어에 관심이 있고 Go를 머신 러닝과 데이터 분석 워크플로에 연동하는 데 관심이 있는 데이터 과학자, 데이터 분석가, 데이터 엔지니어

★ 이 책의 구성 ★

1장부터 3장까지는 머신 러닝 워크플로를 위해 데이터를 준비하고 분석하는 내용이다.
1장, ‘데이터 수집 및 구성’에서는 로컬 및 원격 소스로부터 데이터를 수집, 정리하는 방법과 데이터의 구문을 분석하는 방법을 다룬다. 1장에서는 다양한 장소에 다양한 포맷으로 저장돼 있는 데이터와 상호작용하는 방법과 데이터를 정리하고 구문 분석한 뒤 출력하는 방법을 이해할 수 있다.
2장, ‘행렬, 확률 및 통계’에서는 행렬 및 행렬 연산을 위해 데이터를 구성하는 방법을 다룬다. 머신 러닝에 활용되는 도구들로 Go 프로그램에서 행렬을 형성하는 방법과 이 행렬을 활용해 다양한 유형의 행렬 연산을 수행하는 방법을 이해할 수 있다. 또한 일상 데이터 분석 작업의 핵심인 통계적 측정과 수행 방법에 대해서도 다룬다. 2장을 통해 견고하게 데이터 분석을 요약하는 방법, 분포를 기술하고 시각화하는 방법, 가설을 정량화하고 차원(Dimension) 감소와 같은 데이터세트를 변환하는 방법을 이해할 수 있다.
3장, ‘평가 및 검증’에서는 머신 러닝 애플리케이션의 성능을 측정하고 일반화하는 데 핵심이 되는 평가 및 검증에 대한 내용을 다룬다. 3장을 통해 모델(즉, 평가 모델 측정)의 성능을 계량하기 위한 다양한 측정 방법 간의 차이점뿐만 아니라 이런 성능 측정 모델을 좀 더 일반화해 검증하는 기법을 이해할 수 있다.

4장부터 7장까지는 머신 러닝 기법을 다룬다.
4장, ‘회귀분석’에서는 연속적인 변수를 모델링하고 다른 모델의 기반이 되는 회귀(Regression)를 설명한다. 회귀는 즉시 해석할 수 있는 모델을 만든다. 따라서 조직에서 예측 기능을 도입할 때 매우 좋은 시작점이 될 수 있다.
5장, ‘분류’에서는 대상 변수가 일반적으로 카테고리 형태이거나 레이블(Label)이 붙어있다는 점에서 회귀 분석과 다른 머신 러닝 기법인 ‘분류(Clssification)’를 다룬다. 예를 들어 분류 모델은 이메일을 스팸 카테고리와 비-스팸 카테고리로 분류하거나 네트워크 트래픽이 사기성인지 사기성이 아닌지를 구분할 수 있다.
6장, ‘클러스터링’에서는 샘플의 그룹을 형성하는 데 사용되며 감독되지 않는 머신 러닝 기법인 클러스터링(Clustering)에 대한 내용을 다룬다. 데이터의 구조를 더 잘 이해하기 위해서 자동으로 데이터 요소 그룹을 형성하는 방법을 이해할 수 있을 것이다.
7장, ‘시계열 분석 및 이상 감지’에서는 주식 가격, 사용자 이벤트 등과 같은 시계열(Time Series) 데이터를 모델링하는 데 활용되는 기술을 소개한다. 시계열의 다양한 용어를 이해하고 시계열의 모델을 제작하고, 시계열에서 비정상적인 부분을 감지하는 방법을 알 수 있다.

8장부터 9장까지는 머신 러닝을 활용하는 방법을 다룬다.
8장, ‘신경망 및 딥러닝’에서는 신경망을 활용해 회귀, 분류, 이미지 처리를 수행하는 데 사용되는 기술을 소개한다. 더 복잡한 모델링 기술을 언제 그리고 어떻게 적용하는지 이해할 수 있다.
9장, ‘분석 결과 및 모델 배포하기’에서는 개발한 모델을 프로덕션 환경으로 배포하고 프로덕션 수준의 데이터를 통해 처리 결과를 배포하는 방법에 대해 다룬다. 책에서 사용한 코드를 크게 변경하지 않고 두 가지 작업을 쉽게 처리할 수 있는 방법을 설명한다.
부록, ‘머신 러닝과 관련된 알고리즘 및 기술’에서는 이 책에서 사용하는 용어 및 기술에 대한 내용과 머신 러닝 워크플로우와 관련된 알고리즘, 최적화, 기술에 대한 정보를 제공한다.

1장. 데이터 수집 및 구성
__데이터 처리하기 - Gopher 스타일
__Go를 활용한 데이터 수집 및 구성의 모범 사례
__CSV 파일
____파일에서 CSV 데이터 읽기
____예상하지 못한 필드 처리하기
____예상하지 못한 타입 처리하기
____데이터 프레임을 활용해 CSV 데이터 조작하기
__JSON
____JSON 파싱하기
____JSON 출력
__SQL 유형 데이터베이스
____SQL 데이터베이스에 연결하기
____데이터베이스 쿼리하기
____데이터베이스 수정하기
__캐싱(Caching)
____메모리에 데이터 캐싱하기
____디스크에 로컬로 데이터 캐싱하기
__데이터 버전 관리
____Pachyderm jargon
____Pachyderm 설치
____데이터 버전 관리를 위한 데이터 저장소 생성하기
____데이터 저장소에 데이터 넣기
____버전 관리되는 데이터 저장소에서 데이터 가져오기
__참조
__요약

2장. 행렬, 확률 및 통계
__행렬 및 벡터
____벡터
____벡터 연산
____행렬
____행렬 연산
__통계
____분포(Distribution)
____통계적 측정 방법
____분포 시각화하기
__확률
____확률 변수(Random Variables)
____확률 측정방법
____독립 및 조건부 확률
____가설 검정(Hypothesis testing)
__참조
__요약

3장. 평가 및 검증
__평가(Evaluation)
____연속형 측정 방법
____범주형 측정 방법
__검증(Validation)
____훈련(학습) 및 테스트 데이터 집합
____홀드아웃(Holdout) 집합
____교차 검증(Cross Validation)
__참조
__요약

4장. 회귀분석
__회귀분석 모델 용어 이해하기
__선형 회귀분석
____선형 회귀분석 개요
____선형 회귀분석 가정 및 함정
____선형 회귀분석 예제
__다중 선형 회귀분석
__비선형 및 다른 유형의 회귀분석
__참조
__요약

5장. 분류
__분류 모델 용어 이해하기
__로지스틱 회귀분석
____로지스틱 회귀분석 개요
____로지스틱 회귀분석의 가정 및 함정(문제점)
____로지스틱 회귀분석 예제
__k-최근접 이웃 모델
____kNN의 개요
____kNN의 가정 및 함정(문제점)
____kNN 예제
__의사결정 트리와 랜덤 포레스트
____의사결정 트리와 랜덤 포레스트 개요
____의사결정 트리와 랜덤 프레스트의 가정 및 함정(문제점)
____의사결정 트리 예제
____랜덤 포레스트 예제
__나이브 베이즈
____나이브 베이즈와 가정에 대한 개요
____나이브 베이즈 예제
__참조
__요약

6장. 클러스터링
__클러스터링 모델 용어 이해하기
__거리 또는 유사도 측정하기
__클러스터링 기법 평가하기
____내부 클러스터링 평가 방법
____외부 클러스터링 평가
__k-평균 클러스터링
____k-평균 클러스터링 개요
____k-평균 클러스터링의 가정 및 함정(문제점)
____k-평균 클러스터링 예제
__기타 클러스터링 기법
__참조
__요약

7장. 시계열 분석 및 이상 감지
__Go에서 시계열 데이터 표현하기
__시계열 데이터 용어 이해하기
__시계열 관련 통계
____자기상관(Autocorrelation)
____편 자기상관(Partial autocorrelation)
__예측을 위한 자동 회귀 모델
____자동 회귀 모델 개요
____자동 회귀 모델의 가정 및 함정(문제점)
____자동 회귀 모델 예제
__자동 회귀 이동 평균 모델 및 기타 시계열 분석 모델
__이상 감지
__참조
__요약

8장. 신경망 및 딥러닝
__신경망에 대한 용어 이해하기
__간단한 신경망 구축하기
____신경망의 노드
____신경망 아키텍처
____이 아키텍처가 동작하는 이유
____신경망 훈련 및 학습 시키기
__간단한 신경망 활용하기
____실제 데이터를 사용해 신경망 훈련시키기
____신경망 평가하기
__딥러닝 소개
____딥러닝 모델이란?
____Go를 활용한 딥러닝
__참조
__요약

9장. 분석 결과 및 모델 배포하기
__원격 컴퓨터에서 안정적으로 머신 러닝 모델 실행하기
____Docker 및 Docker 용어에 대한 간단한 소개
____머신 러닝 응용 프로그램의 Docker-izing
__확장 가능하고 재현 가능한 머신 러닝 파이프라인 구축하기
____Pachyderm 및 Kubernetes 클러스터 설정하기
____Pachyderm 머신 러닝 파이프라인 구축하기
____파이프라인 업데이트 및 출처 검사
____파이프라인 단계 확장하기
__참조
__요약

부록. 머신 러닝과 관련된 알고리즘/기술
__경사 하강법
__역전파