추가 적립 안내

파이썬 코드를 사용해 금융 전문가용 인공지능(머신러닝과 딥러닝 포함) 영역으로 나아가기 위한 안내서!

《금융 전문가를 위한 머신러닝 알고리즘》에서는 새롭게 발전한 머신러닝 기술을 탐구하고, 보험 처리나 이체 및 대출 관리를 비롯하여 다양한 금융 업무에 이 기술을 어떤 식으로 적용할 수 있을지를 보여준다. 핵심 머신러닝 기술에 필요한 개념과 알고리즘을 설명하고, 파이썬 코드로 작성한 예제를 제시해 모델을 직접 구현해 볼 수 있게 한다. 이 책은 저자가 금융 전문가 대상 머신러닝 교육 과정을 운영해 본 경험을 바탕으로 하여 저술하였다. 기존에 쓰이던 금융 알고리즘을 제공하기보다는, 다양한 방법으로 응용해 볼 수 있는 고등 머신러닝 개념들과 발상들에 초점을 맞추고 있다.

★ 이 책에서 다루는 내용 ★
◎ 정형 데이터, 자연어, 사진, 문서에 적힌 글 등을 가지고 머신러닝을 하기
◎ 머신러닝 방식으로 부정거래(즉, 사기)를 감지하고, 재무적 추세를 예측하고, 고객정서를 분석하기
◎ 파이썬ㆍ사이킷ㆍ케라스ㆍ텐서플로를 사용해 휴리스틱 기반 방식, 시계열 처리 방식, 생성적 모델 구현 방식, 강화학습 방식을 구현하기
◎ 신경망이라는 주제를 깊이 파고 들어 생성적 적대 방식 신경망이나 강화학습 방식 신경망의 용례들을 조사하기
◎ 머신러닝 애플리케이션에 내재된 문제를 고치고 현업에서 쓸 수 있게 준비하기
◎ 머신러닝 과정에 끼어 들 수 있는 사람에 대한 편견을 머신러닝 모델이 극복하게 하고, 개인정보보호 문제를 해결하기

▣ 01장: 신경망과 경사도 기반 최적화
이 책에서 할 여행
머신러닝이란?
지도학습
비지도학습
강화학습
___데이터의 비합리적인 효과
___모든 모델이 잘못되었다
작업 환경 구성
캐글 커널 사용
___노트북을 로컬에서 실행하기
AWS의 딥러닝 AMI 사용
함수를 근사하기
전방 전달
로지스틱 회귀기
___선형 회귀기를 파이썬으로 구현하기
모델 파라미터 최적화
모델 손실 측정
___경사 하강법
___역전파
___파라미터 갱신
___종합
더 깊은 망
케라스에 대한 간략한 소개
___케라스 가져오기
___케라스 내의 2개 계층 모델
___케라스와 텐서플로
텐서와 계산 그래프
연습문제
요약

▣ 02장: 정형 데이터에 머신러닝을 적용하기
데이터
휴리스틱, 특징 기반, 단대단 모델들
머신러닝 소프트웨어 스택
휴리스틱 접근 방식
___휴리스틱 모델을 사용해 예측하기
___F1 점수
___혼동행렬을 사용해 평가하기
특징 공학적 접근
___직관에서 비롯된 특징: 사기꾼은 잠들지 않는다
___전문가의 통찰력: 이체 후 즉시 현금 인출
___통계적 문제: 잔액 오류
케라스 라이브러리에서 쓸 수 있게 데이터를 준비하기
___원핫 인코딩
___엔터티 임베딩
케라스를 사용해 예측 모델들을 만들기
___표적 추출
___훈련용 집합을 만들기
___검증용 집합을 만들기
___훈련용 데이터를 과다표집하기
___모델 구축
트리 기반 방법에 대한 간단한 입문서
___간단한 결정 트리
___랜덤포레스트
___엑스지부스트
단대단 모델링
연습문제
요약

▣ 03장: 컴퓨터 비전을 활용하기
합성곱 신경망
___MNIST에 쓰이는 필터들
___두 번째 필터 추가
컬러 이미지 처리에 쓰이는 필터
케라스 안에 합성곱 신경망을 쌓기 위한 블록들
___Conv2D
___MaxPooling2D
___평탄화
___조밀
___MNIST 훈련
우리의 신경망을 더 도드라지게 하는 부분
___모멘텀
___Adam 최적화기
___정칙화
___드롭아웃
___배치 정규화
큰 이미지 데이터셋을 사용해 작업하기
사전훈련 모델을 사용해 작업하기
___VGG-16 수정
___임의 이미지 확장
모듈성 상반관계
분류를 넘어서는 컴퓨터 비전
___얼굴 인식
___경계 상자 예측
연습문제
요약

▣ 04장: 시계열을 이해하기
판다스로 데이터를 가시화하고 준비하기
___전역 특징 통계량 집계
___표본 시계열 검사
___정상성 종류
___정상성이 중요한 이유
___시계열이 정상성을 띠게 하기
___정상성 문제를 무시해도 될 때
고속 푸리에 변환
자기상관
훈련 요법 및 테스트 요법 구축
사후검정에 대한 참고 사항
중앙값 예측
ARIMA
칼만 필터
신경망을 이용해 예측하기
___데이터 준비
Conv1D
확대된 합성곱과 인과적 합성곱
단순 RNN
LSTM
___캐리
재귀 드롭아웃
베이즈 딥러닝
연습문제
요약

▣ 05장: 자연어 처리 기법 기반 텍스트 분석
spaCy 입문 과정 안내
개체명 인식
___NER 미세 조정
품사 태깅
규칙 기반 일치
___사용자 정의 함수들을 정합기에 추가하기
___파이프라인에 정합기를 추가하기
___규칙 기반 시스템과 학습 기반 시스템을 조합하기
정규 표현식
___파이썬의 정규식 모듈을 사용하기
___판다스의 정규식
___정규식을 사용해야 할 때와 사용하지 말아야 할 때
텍스트 분류 작업
데이터 준비
___문자 정리
표제어 추출
___표적치 준비
___훈련 집합과 테스트 집합을 준비하기
단어 주머니
TF-IDF
토픽 모델링
단어 임베딩
___단어 벡터를 사용해 훈련할 준비하기
___사전 훈련 단어 벡터 적재
___단어 벡터 사용 시계열 모델
단어 임베딩으로 문서 유사도를 계산하기
케라스의 함수형 API 둘러보기
주의
seq2seq 모델
___seq2seq 아키텍처 개관
___데이터
___인코딩 문자들
___추론 모델 생성
___번역하기
연습문제
요약

▣ 06장: 생성 모델 사용
오토인코더를 이해하기
___MNIST용 오토인코더
___신용카드용 오토인코더
t-SNE를 이용한 잠재공간 시각화
변분 오토인코더
___MNIST 예제
___람다 계층 사용
___쿨백-라이블러 발산
___사용자 지정 손실 만들기
___VAE로 데이터를 생성하기
___단대단 부정사용 탐지 시스템을 위한 VAE
시계열을 위한 VAE
GAN
___MNIST용 GAN
___GAN 잠재벡터 이해
___GAN 훈련 기법
적은 데이터 사용 - 능동학습
___레이블 처리 비용을 절약하기
___레이블을 다는 사람을 기계가 크게 돕게 하기
___레이블이 없는 데이터에 유사 레이블을 달기
___생성 모델 사용
부정사용 탐지용 SGAN
연습문제
요약

▣ 07장: 금융시장을 위한 강화학습
캐치 - 강화학습에 대한 빠른 안내서
___강화학습을 지도학습으로 바꾸는 Q 학습
___Q 학습 모델 정의
___캐치를 플레이하기 위한 훈련
마르코프 과정 및 벨만 방
강화학습에 대한 공식적인 소개
___경제학 분야의 벨만 방정식
우위 연기자-비평가 모델들
___균형을 향한 학습
___거래를 학습하게 하기
진화전략과 유전알고리즘
강화학습이라는 기초공학을 위한 실용적인 요령
___우수한 보상 함수를 설계하기
___강건한 강화학습
최첨단 강화학습
___다중 에이전트 강화학습
___학습하는 방법을 학습하게 하기
___강화학습을 통해 두뇌를 이해하기
연습문제
요약

▣ 08장: 프라이버시, 디버깅, 런칭
데이터 디버깅
___작업용으로 쓰기에 데이터가 적절한지를 확인하는 방법
___데이터가 충분하지 않은 경우에 수행할 작업
___데이터 단위 테스트
___데이터를 비공개로 하고 법규를 준수하기
___훈련용 데이터 준비
어떤 입력이 어떤 예측으로 이어지는지를 이해하기
모델 디버깅
___하이페라스를 이용한 하이퍼파라미터 탐색
___효율적인 학습속도를 알아내기
___학습속도 스케쥴링
___텐서보드를 사용해 훈련 과정을 살펴보기
___경사도 폭증 및 소실
배포
___신속한 출시
___계량을 이해하고 관찰하기
___데이터의 출처를 이해하기
성능을 높이기 위한 묘책
___문제에 알맞은 하드웨어를 사용하기
___텐서플로의 추정기들을 분산 훈련에 사용하기
___CuDNNLSTM 같은 최적화 계층을 사용하기
___파이프라인 최적화
___Cython으로 코드 실행 속도를 높이기
___빈번한 요청을 캐싱하기
연습문제
요약

▣ 09장: 편향과 싸우기
머신러닝 시에 불공정성이 생기는 이유
법적 관점
관찰 가능 공정성
공정성을 띠게 하기 위한 훈련
인과적 학습
___인과 모델 획득
___도구변수
___비선형 인과적 모델
공정성을 보장하기 위한 모델 해석
복잡계 실패로 인한 불공정성
공정성을 띠는 모델을 개발하기 위한 점검표
연습문제
요약

▣ 10장: 베이즈 추론 및 확률계획법
베이즈 추론에 대한 직관적인 안내
___평탄 사전분포
___50% 이하 사전분포
___사전분포와 사후분포
___마르코프 연쇄 몬테칼로
___메트로폴리스-헤이스팅스 MCMC
___얕은 확률 계획법부터 깊은 확률적 계획법까지
요약