추가 적립 안내

데이터 과학 분야의 중급 및 고급 개발자 알아야 할 데이터 분석, 러닝 알고리즘, 모델 성능 평가, 지도식 및 비지도식 학습, 클러스터링과 이상점 감지, 반지도 학습 등 다양한 주제를 상세히 소개하며, WEKA, RapidMiner, Smile API, ELKI, JKernelMachines, KEEL, JCLAL, OpenMarkov, MALLET, KNIME, H2O, Spark MLLib, SAMOA 등 주요 오픈 소스 자바 도구의 활용 방법을 소개한다. 분석 예제로 UCI HorseColic 데이터세트, MNIST 손글씨 이미지 데이터세트, ELEC 전기 데이터세트, UCI Breast Cancer Wisconsin 데이터세트, UCI Adult 데이터세트, Reuters-21578 데이터세트, UCI Covertype 데이터세트를 이용한다.

★ 이 책에서 다루는 내용 ★

■ 자바 머신 러닝 라이브러리 마스터
■ 각각의 머신 러닝 기법이 해결할 수 있는 문제의 종류 파악 및 관련 기초 이론과 실무 적용 방법
■ 머신 러닝의 주요 분야라 할 수 있는 분류, 클러스터링, 이상점 감지, 확률적 그래프 모델링, 텍스트 마이닝 기법
■ 실제 데이터에 적용 가능한 머신 러닝의 방법론, 프로세스, 애플리케이션, 분석 방법
■ 최신 머신 러닝 연구 주제라 할 수 있는 딥러닝, 스트림 데이터 마이닝, 능동 학습, 반지도 학습 기법과 이들을 이용한 실무적인 실험
■ 고성능의 실시간 적응형 예측 모델을 통해 배치형 및 스트림 기반 빅데이터를 분석하는 방법론과 자바 기반 도구들
■ 사이버 보안, 금융 범죄, 사물인터넷, 소셜 네트워킹 등의 문제를 해결할 수 있는 AI에 대한 깊이 있는 이해


★ 이 책의 대상 독자 ★

이 책의 첫 번째 대상 독자는 데이터를 다루는 전문가, 데이터 분석, 시각화, 변환 책임자, 그리고 자바 기반의 예측적, 기술적, 규범적 분석을 목적으로 하는 머신 러닝에 의한 훈련, 검증, 테스트, 평가 등의 업무를 수행하는 데이터 분석 담당자다.
또한 이 책의 독자는 머신 러닝의 도구로 자바를 선택했으며, 자바 프로그래밍에 대한 일정 수준 이상의 프로그래밍 경험을 갖췄다고 가정한다. 그렇지 않은 경우, 데이터 분석 및 연구 환경, 그리고 회사 정책상 자바 언어로 작성된 서드파티 도구를 사용하는 독자라고 가정한다. 또 다른 경우, 자바 프로그래밍 경험이 전혀 없는 예비 독자도 있을 텐데, 이 책은 자바 전문가용으로 작성됐다는 점을 기억해주기 바란다.
이 책의 두 번째 독자는 지적 호기심에서 머신 러닝을 학습하며, 머신 러닝의 기본 개념과 실무적 기법, 활용 도구까지 관심을 가진 경우다. 이런 독자라면 수학 공식 부분은 생략하고 가장 대표적인 지도식 및 비지도식 학습 알고리즘의 기본 개념과 도구 활용 방법에만 집중하길 바란다.
실무 예제와 도구를 집중적으로 익히고 싶은 독자는 (머신 러닝에 대한 이론적 토대가 강조된) 1, 2, 3, 7장을 생략하고 실무적으로 즉시 적용할 수 있는 데이터세트와 분석 기법을 중심으로 살펴보길 바란다.
이 책에 실린 다양한 데이터세트와 머신 러닝 실험을 통해 궁금한 부분에 대한 해답을 찾을 수 있다. 3장, ‘비지도식 머신 러닝 기법’에서 소개하는 어피니티 전파 알고리즘, 7장, ‘딥러닝’에서 소개하는 LSTM 아키텍처, 그리고 5장, ‘실시간 스트림 머신 러닝’에서 소개하는 실시간 학습에서의 이상점 감지를 위해 거리 기반 클러스터링 기법을 사용할 때의 장점 및 단점 등, 다양한 이론과 사례를 신속하게 접근할 수 있는 참조 자료처럼 활용할 수 있다. 이 책에 실린 대부분의 내용은 머신 러닝에 흥미를 느끼는 독자라면 이해하기 쉽게 구성했으며 다양한 예제를 통해 실무적인 접근 방식도 파악할 수 있도록 했다.


★ 이 책의 구성 ★

1장, ‘머신 러닝 개론’에서는 『머신 러닝 인 자바』(에이콘, 2016) 등 관련 서적에 소개된 머신 러닝의 기본 개념과 기법에 대해 설명한다. 머신 러닝에 대한 이해를 위해 필수적인 데이터, 데이터 변환, 표본추출, 편향성, 특성의 개념 및 중요성, 지도식 및 비지도식 학습, 빅데이터 학습, 실시간 학습, 확률적 그래프 모델, 반지도 학습 등의 개념에 대해 알아본다.
2장, ‘지도식 학습에 대한 실무적인 접근’에서는 지도식 학습의 개념과 이를 구현한 다양한 기법에 대해 알아본다. 특성 선택과 특성 감소, 선형 모델, 로지스틱 모델, 비선형 모델, SVM과 커널, 배깅과 부스팅 등 앙상블 학습 기법, 검증 기법과 성능 평가 지표, 그리고 모델 선택 기법에 대해 알아본다. 실무 예제 분석에서는 WEKA와 RapidMiner를 이용해서 데이터 분석에서부터 모델 성능 분석까지의 과정을 살펴본다. 이후 장에서도 실무 예제 분석을 통해 해당 장에서 소개한 주요 머신 러닝 기법과 모델을 실무적으로 적용하는 과정을 설명한다. 예제에서는 UCI HorseColic 데이터세트를 사용한다.
3장, ‘비지도식 머신 러닝 기법’에서는 클러스터링, 이상점 감지 기법과 애플리케이션에 대해 알아본다. 비지도식 데이터에서의 특성 선택과 특성 감소, 클러스터링 알고리즘, 클러스터링의 평가 기법, 통계 기법, 거리 기반 기법, 분포 기반 기법 등을 이용한 이상점 감지 등에 대해서도 살펴본다. 마지막, 실무 예제 분석에서는 MNIST의 실제 이미지 데이터세트를 이용하며, 차원 감소를 위해 Smile API를 사용하고, 학습을 위해 ELKI를 사용한다.
4장, ‘반지도식 학습과 능동 학습’에서는 소량의 라벨 데이터를 이용한 알고리즘 및 학습 기법에 대해 알아보며 자가 훈련, 생성적 모델, 전이 SVM, 공동 훈련, 능동 학습, 다중 뷰 학습 등에 대해 소개한다. 사례 분석에는 UCI Breast Cancer Wisconsin 데이터세트를 이용하며 JKernelMachines, KEEL 그리고 JCLAL 등의 도구를 사용한다.
5장, ‘실시간 스트림 머신 러닝’에서는 실시간 데이터 스트림이 전통적인 배치형 데이터와 어떤 점에서 다른지, 그리고 문제 해결 방식은 어떻게 다른지에 대해 알아본다.
스트림 머신 러닝과 애플리케이션, 지도식 스트림 학습, 비지도식 클러스터 스트림 학습, 비지도식 이상점 학습, 스트림 학습 모델의 평가 기법과 평가 지표 등에 대해 소개한다. 사례 분석에서는 ELEC의 전기 데이터세트를 이용하며, 모델 구현 도구로 MOA 프레임워크를 사용한다.
6장, ‘확률적 그래프 모델링’에서는 다차원 공간상의 복합 결합 확률 분포를 통해 현실 세계의 문제를 해결하는 방법에 대해 알아본다. 확률적 그래프 모델은 확률의 시각적 표현, 추론에 의한 결론 도출, 효과적인 학습 방법을 제공한다. 이 장에서 다루는 대표적인 내용은 PGM, 베이지안 네트워크, 마코프 네트워크, 그래프 구조 학습, 은닉 마코프 모델, 그리고 추론 기법 등이다. 사례 분석에서는 UCI Adult(가구당 소득 통계조사) 데이터세트를 이용하며 OpenMarkov와 WEKA의 Bayes network를 사용한다.
7장, ‘딥러닝’에서는 가장 복잡한 AI 문제를 풀 수 있으며, 오늘날 머신 러닝의 총아라 할 수 있는 딥러닝에 대해 알아본다. 이 장에서 다루는 대표적인 내용은 신경망, 신경망과 관련된 주요 난제, 심층 신뢰망, 제한 볼츠만 머신, 컨볼루션 네트워크, 롱숏텀 메모리 유닛, 노이즈 감소 오토인코더, 리커런트 네트워크 등이다. 사례 분석에서는 딥러닝의 구현 방식, 파라미터 튜닝에 대한 이해를 돕기 위해 MNIST 이미지 데이터세트에 대해 DeepLearning4J 프레임워크를 적용한다.
8장, ‘텍스트 마이닝과 자연어 처리’에서는 텍스트 마이닝을 위한 다양한 기법, 알고리즘, 도구에 대해 소개한다. 이 장의 대표 주제는 텍스트 마이닝, 텍스트 데이터의 대표값, 차원 감소 기법, 토픽 모델링, 텍스트 클러스터링, 개체명 인식, 그리고 딥러닝 등이다. 분석 실무에서는 비정형 텍스트 데이터(Reuters-21578 데이터세트)를 이용해서 토픽 모델링과 텍스트 분류 기법의 구현 과정을 살펴보며, MALLET 그리고 KNIME 도구를 사용한다.
9장, ‘빅데이터 머신 러닝’에서는 매우 큰 용량의 데이터, 혹은 매우 빠른 속도로 증가하는 데이터를 통해 어떻게 학습할 것인가? 확장성 문제는 어떻게 해결할 것인가? 등과 같이 오늘날 가장 중요시되는 질문에 대한 답을 찾는다. 주요 주제는 빅데이터 클러스터 배포 프레임워크, 빅데이터 저장 옵션, 배치형 데이터 처리, 배치형 데이터 머신 러닝, 실시간 머신 러닝 프레임워크, 실시간 스트림 학습 등이다.
실무 분석에서는 배치형 및 실시간형 빅데이터 분석 기법에 대해 알아보기 위해 UCI Covertype 데이터세트를 이용하며 H2O, Spark MLLib 그리고 SAMOA 등의 빅데이터 전문 라이브러리를 사용한다.
부록 A, ‘선형 대수학’에서는 선형 대수학의 개념을 소개하고, 잊었던 기본 이론을 복습한다. 부록에서 모든 내용을 다룰 수는 없지만, 이 책에서 소개하는 머신 러닝의 주요 개념을 이해하기에는 부족하지 않으리라 생각한다. 주요 주제는 벡터, 행렬, 행렬의 기본 연산, 연산 규칙, 행렬의 선형 변환, 역행렬, 에이젠 분해, 정치행렬, 특이값 분해 등이다.
부록 B, ‘확률’에서는 확률의 핵심 개념을 정리한다. 주요 주제는 확률의 공리, 베이즈 이론, 확률 밀도 측정, 평균, 분산, 표준편차, 가우시안 표준편차, 공분산, 상관관계 상관계수, 이항분포, 푸와송 분포, 가우시안 분포, 중심극한정리, 오류 전파 등이다.

[작가의 말]
시중엔 이미 머신 러닝에 대한 훌륭한 서적이 다수 나와있으며 데이터에 의한 학습 이론을 교육학적 관점에서 설명하는 책부터 클러스터링, 이상점 감지, 확률적 그래프 모델링 등 머신 러닝의 전문적인 주제에 대한 참고서, 그리고 특정 프로그래밍 언어를 통한 머신 러닝 도구와 라이브러리에 대한 실용적 방법서에 이르기까지 다양한 종류가 있다.
이 책은 머신 러닝과 관련된 방대한 내용을 다루고 있으므로, 이론적인 측면에서 세부적인 설명이 충분하지 않을 수 있지만, 빅데이터 분석의 배치 처리 환경과 실시간 처리 환경에서 우리가 각각 어떤 방식으로 접근해야 하는지를 실무적으로 설명한다. 또한, 자바 언어에 어느 정도 숙련된 독자가 핵심 이론을 이해한 뒤 관심 분야를 깊이 있게 접근할 수 있도록 다양한 선택안을 제공한다.

[옮긴이의 말]
국내외에서 인공지능에 대한 기대와 걱정이 넘쳐나던 2016년, 『머신 러닝 인 자바』를 번역하면서 인공지능의 하위 분야인 머신 러닝과 본격적으로 인연을 맺었고, 3년이 지난 2019년, 초급 이상의 자바 개발자 또는 머신 러닝 엔지니어를 위한 책인 『자바 머신 러닝 마스터』를 번역하게 됐다.
2016년 이전엔 학계와 IT 산업계를 중심으로 머신 러닝의 가능성을 확인하려는 실험과 시도가 주류를 이뤘다면, 2019년 현재는 IT 개발자는 물론, 데이터 엔지니어, 경영의사 결정자 등의 다양한 니즈에 맞춰 현실적인 당면과제를 즉시 해결하거나 경쟁력을 강화하기 위한 방법 또는 도구로써 머신 러닝을 사용하려 한다.
이 책은 바로 이러한 시대 변화를 반영한 책이라고 생각한다. 머신 러닝 알고리즘에 대해 좀 더 근원적이며 체계적으로 설명하고, 알고리즘을 이해하기 위한 예제가 아닌, 실무 솔루션으로 적용하기 위한 예제를 중심으로 구성됐다. 이 책은 데이터 과학 분야의 중급 및 고급 개발자 알아야 할 데이터 분석, 러닝 알고리즘, 모델 성능 평가, 지도식 및 비지도식 학습, 클러스터링과 이상점 감지, 반지도 학습 및 능동 학습 등 다양한 주제를 상세히 소개하며, 실무적인 활용도가 높은 확률적 그래프 모델링, 텍스트 마이닝, 딥러닝에 대해서도 상세히 설명한다.
각 장의 종반부에는 머신 러닝 알고리즘의 유용성, 사용성을 높인 WEKA, RapidMiner, Smile API, ELKI, JKernelMachines, KEEL, JCLAL, OpenMarkov, DeepLearning4J, MALLET, KNIME, H2O, Spark MLLib, SAMOA 등 업계의 대표적인 오픈 소스 자바 도구의 활용 방법을 소개한다.
마지막으로 머신 러닝이 적용될 수 있는 주요 시나리오를 직접 경험해 볼 수 있도록 UCI HorseColic 데이터세트, MNIST 손글씨 이미지 데이터세트, ELEC 전기 데이터세트, UCI Breast Cancer Wisconsin 데이터세트, UCI Adult 데이터세트, Reuters-21578 데이터세트, UCI Covertype 데이터세트 등의 분석 예제가 마련돼 있다.
중급 수준의 개발 및 엔지니어링 서적이 그렇듯, 이 책 역시 쉽게 읽어나갈 수 있는 책은 아니다. 하지만 자바에 대한 약간의 경험과 머신 러닝에 대한 기초가 갖춰졌다면, 2~3일간 1개 장을 마스터한다는 계획을 세우고, 개론과 예제를 차근차근 따라가다 보면 어느새 머신 러닝 전문가의 길로 들어선 자신을 발견할 수 있으리라 생각한다.

칼로타 도메니코니(박사)
우데이 카마스 박사는 가히 아이디어의 용광로라 부를 만하다. 그가 내 연구실에 들어올 때마다 머신 러닝과 컴퓨터 과학에 대해 끊임없는 대화를 나눴다. 나는 15년간 조지 메이슨 대학교(GMU, George Mason University)의 컴퓨터 과학 교수로 일하고 있으며, 머신 러닝과 데이터 마이닝을 집중적으로 연구하고 있다. 우다이를 처음 만났을 때 그는 내 데이터 마이닝 강의 수강생이었고, 이후 연구 동료, 논문의 공저자, 그리고 대규모 머신 러닝 프로젝트의 파트너가 됐다.
우데이는 BAE 시스템 응용 지능 부서에서 책임 데이터 과학자로 일하는 동안 진화론적 컴퓨팅, 그리고 머신 러닝을 주제로 박사 학위를 받았다. 그는 업무와 학업을 병행하는 수준을 넘어서, GMU에서 종신 재직권을 부여 받은 뒤 네 명의 전문가와 컴퓨터 과학에 대한 다수의 논문을 출간했는데, 이는 사실 매우 어려운 일이다. 우데이의 이와 같은 열정을 잘 알고 있었기에, 그가 박사 과정을 4년도 안 돼서 마쳤다는 얘기를 듣고도 많이 놀라지 않았으며 이렇게 그의 공저 『자바 머신 러닝 마스터』의 추천사를 쓰기에 이르렀다. 우데이의 끊임없는 도전의 산물이라 할 수 있는 이 책은 머신 러닝을 마스터하려는 독자에게 더 없이 훌륭한 기회를 제공할 것이다.
이 책은 머신 러닝의 실용적인 해법과 이를 구현한 주요 방법론에 대한 깊은 고민과 풍부한 지식, 그리고 다양한 실증적 경험의 결과라고 생각한다. 시중에는 머신 러닝과 데이터 분석에 대한 다양한 서적이 있지만, 이 책은 이론적 접근과 실용적 접근의 간극을 메운다는 면에서 의미가 크다. 머신 러닝의 고전적 기법과 현대적 기법에 대한 종합적이고 체계적인 안내서며, 각각의 기법이 지닌 장점과 단점, 실무적인 적용 방법과 구현 원리를 설명한다. 데이터 과학 및 분석 분야에 입문한 독자에게 훌륭한 안내서가 될 것이며, 데이터 과학을 전공하거나 졸업한 독자에게는 다양한 머신 러닝 기법을 효율적으로 구현하기 위한 방법을 소개하는 실용서가 될 것이다.
이 책은 머신 러닝의 전통적인 기법인 분류, 클러스터링, 차원 감소, 이상점 감지, 반지도 학습, 능동 학습 등을 소개하고, 현대적인 주제이자 고급 기법이라 할 수 있는 실시간 데이터 학습, 딥러닝, 빅데이터 기반의 학습 등에 대해 설명한다. 각 장은 주요 주제에 대한 이론적 설명과 이에 대한 사례 분석으로 구성되며, 실무에 적용하기 위한 자바 기반 도구의 활용 방법을 소개하며 해당 주제 및 도구를 기준으로 한 데이터 수집, 실험 설계, 모델링, 결과 분석, 평가 등의 프로세스를 설명한다. 각 장의 이론 및 예제는 독자 스스로 문제를 풀어나갈 수 있도록 구성됐으며, 각자의 이해도와 수준에 따라 활용 범위를 조절할 수 있도록 했다. 책과 함께 제공되는 웹 사이트 또한 중요한 자료와 코드를 담고 있으며, 머신 러닝의 다양한 이론과 기법을 실제 분석 환경에서 처음 적용해보려는 학생과 데이터 분석가 모두에게 유용할 것이라 확신한다.
이 책을 읽으면서 학습과 지식에 대한 우데이의 열정이 새삼 떠올랐다. 이 책의 처음부터 끝까지 머신 러닝의 주요 개념을 명확하게 설명하기 위해 혼신의 노력을 기울였으리라 생각하며, 독자들 역시 그렇게 느낄 수 있으리라 생각한다. 나 역시 강의와 연구에서 이 책을 참고할 것이며 학생들에게도 주저하지 않고 이 책의 일독을 추천할 것이다.
- 조지 메이슨 대학교 컴퓨터 과학과 부교수

추천의 글
지은이 소개
기술 감수자 소개
옮긴이 소개
옮긴이의 글
들어가며

1장. 머신 러닝의 개요

__머신 러닝의 역사와 정의
__머신 러닝에 대한 오해: 머신 러닝이 아닌 것은?
__머신 러닝의 핵심 개념과 주요 용어
__머신 러닝에 활용되는 다양한 데이터 타입과 서브타입
__머신 러닝에 활용되는 데이터세트
__산업 부문별 머신 러닝 응용 분야와 알고리즘
__머신 러닝의 실무적인 과제
__머신 러닝 전문가와 구현 프로세스
____머신 러닝 전문가
____머신 러닝 프로세스
__머신 러닝 도구와 데이터세트
____머신 러닝 데이터세트
__정리

2장. 지도학습에 대한 실무적인 접근

__지도학습에 사용되는 용어와 표기법
____데이터 품질 분석
____기술적(설명적) 데이터 분석
____시각화 분석
__데이터 변환 및 전처리
____추가적인 특성
____누락값 처리
____이상점
____이산화
____데이터 표본추출
____모델 훈련, 검증, 그리고 테스트 데이터세트
__특성 관계 분석과 차원 감소
____특성 검색 기술
____특성 평가 기법
____랩퍼 기법
____임베드 접근법
__모델 만들기
____선형 모델
____비선형 모델
____앙상블 학습과 메타학습 모델
__모델 평가, 검증, 비교
____모델 평가
____모델 검증 매트릭스
____머신 러닝 모델 간의 비교
__사례 연구 - 말의 복통 분류
____비즈니스 문제 정의
____머신 러닝 맵핑
____데이터 분석
____지도학습 실험
____결과, 관찰, 그리고 분석
__정리

3장. 비지도식 머신 러닝 기법

__지도식 머신 러닝 기법의 주요 이슈
__비지도식 머신 러닝 기법의 주요 이슈
__특성 분석과 차원 감소
____표기법
____선형 차원 감소 기법
____비선형 차원 감소 기법
__클러스터링
____클러스터링 알고리즘
____스펙트럴 클러스터링
____어피니티 전파
____클러스터링 검증 및 평가
__이상점 또는 특이점 감지 기법
____이상점 감지 알고리즘
____이상점 평가 기법
__실무 사례 분석
____도구와 소프트웨어
____비즈니스 문제 정의
____머신 러닝 맵핑
____데이터 수집
____데이터 품질 분석
____데이터 샘플링 및 변환
____특성 분석 및 차원 감소
____클러스터링 모델, 결과, 그리고 평가
____이상점 모델 구현 결과 및 평가
__정리

4장. 반지도 학습 및 능동 학습

__반지도 학습
____기본적인 수식 및 표현, 가정
____반지도 학습 기법
____반지도 학습 실무 사례 분석
__능동 학습
____기본 표현과 수식
____능동 학습 시나리오
____능동 학습 절차
____버전 공간 표본추출
____데이터 분포 표본추출
__능동 학습 실무 사례 분석
____도구와 소프트웨어
____비즈니스 문제 정의
____머신 러닝 맵핑
____데이터 수집
____데이터 샘플링 및 변환
____특성 분석 및 차원 감소
____모델, 결과, 평가
____능동 학습 결과 분석
__정리

5장 .실시간 스트림 머신 러닝

__스트림 기반 학습의 기본 가정 및 수학적 표현
__기본 스트림 처리 및 연산 기법
____스트림 연산
____슬라이딩 윈도우
____표본추출
__컨셉 드리프트와 드리프트 감지
____데이터 관리 기법
____감지 기법
__증가형 지도 학습
____모델 구현 방법
____온라인 설정에서의 모델 검증, 평가, 비교
__클러스터링을 활용한 증가형 비지도 학습
____모델 구현 기법
__이상점 감지를 위한 비지도 학습
____이상점 감지를 위한 파티션 기반 클러스터링
____이상점 감지를 위한 거리 기반 클러스터링
__스트림 기반 학습의 실무 사례
____도구 및 소프트웨어
____비즈니스 문제 정의
____머신 러닝 맵핑
____데이터 수집
____표본추출 및 변환
____모델, 결과, 평가
____스트림 기반 학습 결과 분석
__정리

6장. 확률적 그래프 모델 구현

__확률 복습
____확률의 개념
__그래프의 개념
____그래프 구조 및 기본 속성
____서브그래프와 클리닉
____패스, 트레일, 사이클
____베이지안 네트워크
____수학적 표현
____추론
____베이지안 네트워크에서의 학습
____학습 파라미터
__마코프 네트워크와 조건부 랜덤 필드
____수학적 표현
____마코프 네트워크에서의 추론
____마코프 네트워크에서의 학습
____조건부 랜덤 필드
__특화된 네트워크
____트리 강화 네트워크
____마코프 체인
____HMM의 최고 확률 경로
____HMM의 사후 복호화
__도구와 활용 방법
____오픈마코프
____Weka 베이지안 네트워크 GUI
__실무 사례 분석
____비즈니스 문제 정의
____머신 러닝 맵핑
____표본추출 및 데이터 변환
____특성 분석
____모델, 결과, 평가
____결과 분석
__정리

7장. 딥러닝

__다층 피드포워드 신경망 기법
____입력값, 뉴론, 활성화 함수, 수학적 표현
____다층 신경망
__신경망 기법의 한계
____기울기 사라짐, 지역 최적화, 훈련 지연 문제
__딥러닝
____딥러닝의 주요 개념
__사례 분석
____도구와 소프트웨어
____비즈니스 문제
____머신 러닝 맵핑
____표본추출 및 데이터
____특성 분석
____모델, 결과, 평가
__정리

8장. 텍스트 마이닝과 자연어 처리

__NLP, 하위 분야 및 주요 임무
____텍스트 범주화(카테고리화)
__음성 태깅
__텍스트 클러스터링
____정보 추출 및 개체명 인식
____감정 분석 및 오피니언 마이닝
____대용어 또는 동일지시어 해소
____어휘 중의성 해소
____기계 번역
____시멘틱(의미론적) 논증 및 추론
____텍스트 자동 요약
__자동화된 질문과 답변
__비정형 데이터 마이닝의 당면 과제
__텍스트 처리 요소와 변환
____문서 수집 및 표준화
____토큰화
____중지 단어 제거
____어간 단어 표기
____지역 및 전역 사전 생성
____특성 추출 및 생성
____특성의 대표성 및 유사성
____특성 선택 및 차원 감소 기법
__텍스트 마이닝에서의 토픽 선정
____텍스트 카테고리화 및 텍스트 분류
____토픽 모델링
____텍스트 클러스터링
____클러스터링 기법
__개체명 인식
____NER을 위한 은닉 마코프 모델
____딥러닝과 NLP
__NLP 분석 도구와 활용 방법
____맬릿을 이용한 토픽 모델링
____비즈니스 문제 정의
____머신 러닝 맵핑
____데이터 수집
____표본추출 및 변환
____특성 분석 및 차원 감소
____모델, 결과, 평가
____텍스트 처리 결과 분석
__정리

9장. 빅데이터 분석을 위한 머신 러닝의 첨단 도구

__빅데이터의 특징
__빅데이터 분석을 위한 머신 러닝
____범용 빅데이터 프레임워크
__배치형 빅데이터 머신 러닝
____빅데이터 머신 러닝 플랫폼 - H2O
__사례 분석
____비즈니스 문제 정의
____머신 러닝 맵핑
____데이터 수집
____데이터 추출 및 변환
____빅데이터 머신 러닝 플랫폼 - Spark MLlib
__실시간형 빅데이터 머신 러닝
____실시간 빅데이터 머신 러닝 프레임워크 - SAMOA
____머신 러닝 알고리즘
____도구와 활용
____실험, 결과, 그리고 분석
__머신 러닝의 미래
__정리

부록 A. 선형 대수학

__벡터
____벡터의 스칼라 곱
__행렬
____행렬 변환
__행렬의 특이값 분해

부록 B. 확률

__확률의 공리
__베이즈 이론
____확률 밀도 측정
____평균
____분산
____표준편차
____가우시안 표준편차
____공분산
____상관관계 상관계수
____이항 분포
____푸와송 분포
____가우시안 분포
____중심극한정리
____오류 전파

찾아보기