추가 적립 안내

이 책의 구성과 특징

한눈에 읽히는 하나의 주제
이 책의 모든 절은 책을 펼쳤을 때에 좌우의 두 페이지에 담을 수 있는 양으로 나뉘어 언제나 한눈에 하나의 주제를 전체적으로 파악할 수 있도록 하였습니다.

설명한 내용은 구현으로 완성
이 책은 교재와 자습서 모두로 사용될 수 있도록 이론 설명과 함께 따라할 수 있는 실습 코드가 늘 다음과 같이 코랩 환경에서 돌아가는 형태로 제공됩니다.

생각의 폭을 넓히기
보충 설명이 필요하거나, 알아두면 좋은 내용들은 본문의 흐름에 방해되지 않도록 잠깐이라는 이름의 상자에 담아 정리했습니다.

주제별 집중 실습 - LAB
필요할 때마다, 학습한 내용을 정리할 수 있는 집중적인 실습을 LAB으로 제공하고 있습니다. LAB은 아래와 같은 제목을 시작으로 별도로 정리된 절을 구성하는데, 이때는 페이지의 제한 없이 하나의 주제를 충분히 다룰 수 있는 완결된 실습이 되도록 했습니다.

미니 프로젝트로 응용 능력 높이기
책이 다루는 주제에 따라 적절한 시점에 미니 프로젝트를 제시하고 있습니다. 미니 프로젝트는 다소 도전적인 문제를 해결할 수 있도록 돕기 위해 만들어졌으며, 문제를 따라하면서 책에서 다룬 설명을 확인할 수 있을 뿐만 아니라, 다양한 문제로 이론을 응용하여 적용할 수 있는 능력을 키울 수 있을 것입니다. 때로는 까다롭고도 도전적인 주제를 다루고 있어 따라하고 개선하는 과제로 활용하면 좋을 것입니다.

소스코드와 데이터의 제공
이 책에 나오는 모든 소스 코드와 각종 데이터 파일은 저자의 github.com 사이트에서 다운받을 수 있습니다. github은 프로그램 개발자들이 소프트웨어의 버전을 관리하고 소스코드를 공유하는 협업서비스로, 이 책과 관련된 저자의 github 사이트는 다음과 같습니다.
https://github.com/dknife/ML
github의 사용법에 익숙한 독자라면 포크 기능을 사용해서 코드를 자신의 github에 복사하는 방법이 있으나, github의 사용법에 익숙하지 않다면 아래 그림과 같이 초록색 Code 메뉴를 누르면 펼쳐지는 팝업 메뉴에서 Download ZIP 메뉴를 선택하여 코드를 다운받을 수 있습니다.

학습 진도
이 책의 내용은 한 학기의 대학 강의로 진행하기에 적절한 규모로 전공 과정에서는 다음과 같은 진도와 과제로 머신러닝의 기본을 다질 수 있을 것입니다.
일부 과정이나, 개인별 자율학습에서 인공 신경망 중심으로 머신러닝을 이해하고 딥러닝으로 나아가길 원한다면 다음과 같은 진도를 권장합니다.

시각적 요약 제공
이 책의 마지막 부분에는 책이 다루는 주제를 시각적으로 요약한 Cheat Sheet가 제공됩니다. 이 부분만을 잘라서 머신러닝을 학습하는 동안 주요한 개념들을 확인하고 익숙해지는 용도로 어디든 지니고 다니면 유용할 것입니다.

Chapter 01 머신러닝이란
1.1 인간을 닮은 기계를 만들기 위한 노력 : 그 시작
1.2 생각하기 시작하는 기계
1.3 반복되는 사계절: 추운 겨울을 이기고 다시 찾아온 인공지능의 봄
1.4 머신러닝은 무엇을 하려는 것인가?
1.5 우리가 다룰 머신러닝이 정확히 무엇이며 어떤 것이 있는가
1.6 머신러닝, 무엇이 문제일까?
■핵심 정리
■심화문제

Chapter 02 머신러닝을 위한 기초지식
2.1 수학 표기
2.2 벡터와 행렬
2.3 벡터와 행렬의 기본 연산
2.4 미분과 기울기, 그리고 경사 하강법의 개념
2.5 편미분과 기울기
2.6 모델, 파라미터, 그리고 학습
2.7 오차의 기울기를 이용한 학습의 기본 원리와 최적해
2.8 과적합, 과소적합, 그리고 일반화
2.9 과적합을 피하기 위한 방법들
■핵심 정리
■심화문제

Chapter 03 구현을 위한 도구
3.1 파이썬
3.2 구글 코래버러토리를 이용한 프로그래밍
3.3 구글 드라이브의 내용을 코래버러토리에서 이용하기
3.4 넘파이는 머신러닝을 위한 데이터 처리의 핵심 도구
3.5 넘파이 활용의 기본 - 브로드캐스팅, 인덱싱, 슬라이싱
3.6 벡터화 연산 - 넘파이 배열 계산 성능의 핵심
3.7 논리 인덱싱으로 빠르게 데이터 추려내기
3.8 판다스 소개
3.9 판다스로 데이터 읽고 확인하기
3.10 데이터 시리즈 선택하여 시각화해 보기
3.11 편리한 데이터 다루기 - 슬라이싱과 열 데이터 추가
3.12 판다스를 이용한 데이터 분석
3.13 데이터 정제와 결손값의 처리
3.14 그룹핑과 필터링
3.15 데이터 구조의 변경: pivot과 concat
3.16 데이터의 병합: merge
■핵심 정리
■심화문제

Chapter 04 선형 회귀로 이해하는 지도학습
4.1 회귀 모델
4.2 선형 회귀와 지도학습
4.3 실제 데이터를 읽고 가설 만들어 보기
4.4 좋은 가설과 모델의 오차
4.5 데이터의 관계를 설명하는 선형 회귀 함수의 시각적 이해
4.6 오차의 종류에 따른 오차 곡면의 모습
4.7 오차로 가설을 평가하고 좋은 가설 찾기
4.8 기계 학습의 개념으로 해석하는 선형 회귀
4.9 Scikit-Learn을 이용한 선형 회귀
4.10 다변량 회귀분석 - 수학적 모델
4.11 회귀분석의 학습, 혹은 최적화 방법 - 정규 방정식
4.12 정규 방정식의 유도와 시간 복잡도
4.13 다변량 선형 회귀 분석을 위한 데이터 확보하기
4.14 다변량 데이터 특징들 사이의 상관 관계를 파악하기
4.15 특징들의 상관 쌍 그림을 확인하고 중요 특징 추출하기
4.16 다변량 선형 회귀에 사용할 데이터를 훈련용과 검증용으로 분리하기
4.17 데이터의 정규화를 통한 분석 성능 개선하기
4.18 데이터의 표준화를 통한 분석 성능 개선하기
■핵심 정리
■심화문제

Chapter 05 분류와 군집화로 이해하는 지도 학습과 비지도 학습
5.1 k-NN 알고리즘과 분류문제
5.2 k-NN 알고리즘을 위한 데이터 준비하기
5.3 k-NN 분류기를 실행하자
5.4 k-NN 활용 예제 - 붓꽃 데이터 준비하기
5.5 k-NN 활용 예제 - 붓꽃 데이터로 학습하기
5.6 새로운 꽃에 대해서 모델을 적용하고 분류해 보자
5.7 표집 편향과 성능 측정을 위한 평가지표
5.8 사이킷 런의 성능지표 함수들
5.9 앙상블 - 머신러닝의 민주주의
5.10 군집화의 개념과 비지도 학습
5.11 k-평균 알고리즘 살펴보기
5.12 k-평균 알고리즘과 k-NN 알고리즘의 비교: 지도 학습과 비지도 학습
LAB5-1 붓꽃 데이터를 군집화하도록 하자
■핵심 정리
■심화문제
미니 프로젝트 A1 미니 프로젝트 A1 잡음제거: k-NN의 활용

Chapter 06 다양한 머신러닝 기법들: 다항 회귀, 결정 트리, SVM
6.1 다항 회귀
6.2 다항 회귀의 문제점 - 과적합, 그리고 폭발적인 복잡도 증가
6.3 과적합과 과소적합 - 공짜 점심은 없다
LAB6-1 다항 회귀의 회귀 함수를 그려 보자
6.4 결정 트리를 이용한 분류
6.5 어떤 속성이 가장 중요한가?
6.6 결정 트리 분할의 기준 - 정보량과 불순도
6.7 결정 트리를 손으로 만들어 보자 - ID3 알고리즘
6.8 지니 불순도를 이용한 효율적인 평가 - CART 알고리즘
6.9 사이킷런의 결정 트리로 붓꽃 분류하기
LAB6-2 꽃받침의 너비와 길이로 결정트리를 만들자
LAB6-3 엔트로피를 이용하여 결정 트리 만들기
6.10 SVM - 서포트 벡터 머신의 소개
6.11 하드 마진 서포트 벡터 머신의 구현
6.12 소프트 마진 서포트 벡터 머신의 구현
6.13 사이킷런을 이용한 서포트 벡터 머신 사용하기
6.14 파이프라인을 이용한 데이터 정제
6.15 다항 특정 변환을 통한 비선형 서포트 벡터 머신의 구현
LAB6-4 비선형 SVM을 이용한 데이터 분류
6.16 커널 트릭을 이용한 비선형 서포트 벡터 머신
LAB6-5 커널 트릭을 이용한 비선형 SVM
■핵심 정리
■심화문제
미니 프로젝트 B1 얼굴 찾기: SVM으로 분류하기

Chapter 07 인공 신경망 기초 - 문제와 돌파구
7.1 뇌의 동작을 흉내 내자 - 연결주의자의 목표
7.2 학습할 수 있는 신경 모델 - 퍼셉트론
LAB7-1 AND / OR 연산을 수행하는 퍼셉트론
7.3 학습의 원리 - 연결강도의 변경
LAB7-2 논리합을 수행하는 퍼셉트론 만들기
LAB7-3 다양한 논리 연산이 가능하게 퍼셉트론 훈련하기
7.4 퍼셉트론, 연결주의가 누린 첫 영예와 긴 좌절
7.5 퍼셉트론이 XOR 문제를 풀 수 있게 만드는 방법
LAB7-4 입력 다항화로 XOR를 해결해 보기
7.6 다층 퍼셉트론의 학습 - 오차를 줄이도록 연결강도를 고치자
7.7 다층 퍼셉트론의 학습 - 오차를 아래로 전파하자
7.8 역전파 알고리즘에 대한 직관적 이해
7.9 계층 단위로 신호 전파하기
7.10 역전파 알고리즘의 요약
LAB7-5 XOR 연산이 가능한 다층 퍼셉트론 만들기
LAB7-6 다층 퍼셉트론으로 비선형 회귀 구현하기
7.11 신경망을 설계하고 훈련을 실시할 수 있는 도구 : 텐서플로우
■핵심 정리
■심화문제

Chapter 08 고급 인공 신경망 구현
8.1 심층 신경망이 부딪힌 한계 - 사라지는 기울기
8.2 심층 신경망 학습의 돌파구 - 연결강도 초기화
8.3 활성화 함수의 다양화
8.4 최적화 기법 - 경사 하강법의 문제와 개선
8.5 다양한 최적화 기법 소개
8.6 텐서플로우 소개
8.7 텐서플로우로 시작하는 Hello world! - MNIST 예제
8.8 keras로 순차 심층 신경망 구축하기
8.9 인공 신경망을 최적화 시키자
8.10 부드러운 최대값 : 소프트맥스 함수
8.11 원-핫 인코딩과 평균제곱 오차
8.12 평균제곱 오차와 교차 엔트로피 오차
8.13 정규화와 표준화
8.14 배치 경사 하강법, 확률적 경사 하강법, 미니 배치 경사 하강법
8.15 더 깊은 층으로 정확도를 높여보고 교차검증도 하자
8.16 학습데이터에만 최적화된 신경망 개선하기 : 드롭아웃
LAB8-1 Fashion-MNIST 데이터 분류하기
■핵심 정리
■심화문제

Chapter 09 신경망 부흥의 시작, 합성곱 신경망
9.1 시각 정보 처리와 합성곱의 필요성
9.2 합성곱의 기본 개념 이해
9.3 합성곱을 통한 특징 추출
9.4 합성곱 수행 신경망의 기본 구조와 문제
9.5 패딩, 스트라이딩, 다중 채널
9.6 강건한 모델을 만드는 풀링
LAB9-1 합성곱을 만들어보자
9.7 합성곱 신경망 모델의 구성
9.8 합성곱 신경망 모델의 성공
LAB9-2 합성곱 신경망으로 패션 MNIST 분류를 개선하기
LAB9-3 성능 좋은 CNN을 가져다 써보자
9.9 전이학습 - 이미 훈련된 모델을 고쳐 쓰기
■핵심 정리
■심화문제
미니 프로젝트 B2 얼굴 찾기: CNN 활용하기
미니 프로젝트 B3 얼굴 찾기: 전이학습 활용하기

Chapter 10 순환 신경망
10.1 순환 신경망의 적용 분야
10.2 순환 신경망 구조
10.3 순환 신경망 셀의 구조와 유닛
10.4 텐서플로를 이용하여 단순 RNN 모델 만들기
10.5 RNN을 학습시켜 예측을 해 보자
10.6 RNN을 다층구조로 만들어 적은 수의 파라미터로 좋은 성능을 내자
10.7 장기 의존성 문제와 RNN의 한계
10.8 장기 의존성 문제를 해결하는 LSTM
10.9 LSTM 셀의 각 게이트 별로 동작 살펴 보기
10.10 GRU - 장기 의존성 문제를 해결하는 더 간단한 게이트들
10.11 단순 RNN과 LSTM, GRU 모델의 비교 - 시퀀스 데이터 준비
10.12 단순 RNN과 LSTM, GRU 모델의 비교 - 성능 비교
LAB10-1 비선형 시퀀스를 순환 신경망으로 예측하자
LAB10-2 기억이 필요한 시퀀스를 예측해 보자
■핵심 정리
■심화문제

Chapter 11 차원 축소와 매니폴드 학습
11.1 차원, 그리고 차원의 저주
11.2 차원 축소
11.3 주성분 분석과 특이값 분해
11.4 특이값 분해의 기하적 이해
LAB11-1 3차원 공간의 데이터에서 주성분을 찾아보자
11.5 커널 PCA
11.6 다양한 커널의 적용
LAB11-2 주성분을 추출해 이미지를 압축해 보자
11.7 매니폴드 학습과 LLE 기법의 이해
11.8 LLE 기법의 구현을 위한 최적화 해 구하기
LAB11-3 LLE를 넘파이로만 구현해 보자.
11.9 그 밖의 매니폴드 학습 알고리즘
LAB11-4 매니폴드 학습을 이용한 차원 축소 실습
■핵심 정리
■심화문제
Chapter 12 오토인코더와 잠재 표현 학습
12.1 특징, 그리고 잠재 표현 학습
12.2 압축과 복원 - 오토인코더로 구현하기
LAB12-1 오토인코더로 차원 축소하기
LAB12-2 다층 구조 오토인코더로 차원 축소/복원
LAB12-3 오토인코더를 이용한 이미지 압축과 복원
12.3 잠재 표현으로 새로운 데이터 만들기
LAB12-4 오토인코더를 이용한 데이터 생성
■핵심 정리
■심화문제
미니 프로젝트 A2 잡음제거: 오토인코더 활용
미니 프로젝트 C1 차원축소: 데이터 분포 가시화

Chapter 13 인공지능의 현재와 미래
13.1 인공 신경망으로 무엇을 할 수 있을까?
13.2 실시간 객체탐지를 위한 YOLO
13.3 YOLO의 주요 처리 절차
13.4 어텐션에 주목해 보자
13.5 트랜스포머와 GPT-3
13.6 적대적 생성 모델: GAN
13.7 강화학습: 알파고부터 뮤제로까지
13.8 인공지능과 윤리적 딜레마: 윤리적 기계
■핵심 정리
■심화문제

참고문헌
으뜸 머신러닝 Cheat Sheet
찾아보기