추가 적립 안내

★ 실전은 피처 엔지니어링이다
★ 뉴욕의 데이터 사이언티스트가 알려주는
★ 머신러닝 문제풀이 해법을 익혀라
이 책은 실무와 캐글 챌린지에도 통하는 10가지 각 알고리즘을 엄선해 머신러닝을 알려줍니다. 콜롬비아 대학교 대학원생 튜터로, 패스트캠퍼스 데이터분석 강사와 스터디 리더로 활동한 저자는 데이터 분석을 바탕으로 한 코딩에 집중할 때 학습 능률이 더 오르는 것을 발견했습니다. 그래서 각 알고리즘을 ‘기초 지식 ? 데이터 분석 ? 전처리 ? 모델링 평가 ? 알고리즘 깊이 이해하기’ 순서로 격파해나갑니다. 무엇보다 더 나은 성과를 얻는 핵심 기술인 데이터를 분석하고 처리하는 피처 엔지니어링에 공을 들였습니다. 이 책을 읽고 나면 독자 스스로가 데이터에 알맞은 문제풀이 해법을 고안할 수 있게 될 겁니다.

* 이 책은 객체지향 개념이 있는 프로그래밍 언어를 적어도 하나를 익힌 분을 대상으로 합니다. 파이썬은 1장에서 알려주므로 몰라도 됩니다.

★ 뉴욕의 데이터 사이언티스트 데싸노트가 전하는
★ 이 책으로 머신러닝을 익혀야 하는 이유

이 책은 기존 책과 큰 차이가 있습니다. 상세한 이론 설명을 코딩을 마친 후로 미루고, 일단 머신러닝 코드를 작성합니다. 그저 코드를 따라 치는 게 아니라 어떤 관점에서 문제를 풀어나가야 하는지 설명을 보태 실무에도 적용할 수 있게 했습니다. 이렇게 손으로 결과물을 만들어보고 나서 이론을 깊게 살펴봅니다. 전체 과정을 다시금 머리에 상기시키고, 핵심 개념과 용어를 복습합니다.

이런 식으로 TOP 10 알고리즘을 모두 학습하고 나면, 머신러닝 알고리즘에 대한 이해뿐만 아니라, 파이썬 코딩에 대한 기초 지식도 자연스럽게 갖출 수 있습니다. 무엇보다 큰 장점은, 결과물을 바로 확인하고 본인이 무엇을 하고 있는지 직관적으로 알 수 있기 때문에, 의욕을 고취시킨다는 데 있습니다.

★ 현업과 캐글에서 머신러닝을 활용하려면
★ 얼마나 많은 머신러닝 알고리즘을 알아야 하는 걸까요?
시작점으로 TOP 10 알고리즘이면 충분합니다. 알고리즘은 달라도 머신러닝 실행 순서는 학습 → 예측 → 평가로 진행됩니다. 이 부분은 거의 정형화되어 있어 성능에 큰 영향을 미치지 않습니다. 쓰레기가 들어가면 쓰레기가 나온다고 합니다. 머신러닝에 딱맞는 말입니다. 좋은 데이터가 좋은 머신러닝 모델을 만듭니다. 그래서 이 책은 TOP 10 알고리즘을 공략하면서 무엇보다 데이터 분석과 가공에 공을 들입니다. 데이터에 어떤 가공 기법이 필요한지 하나하나 분석하며 클리닝, 피처 엔지니어링, 차원 축소 등의 기법을 사용할 겁니다. 이렇게 데이터 분석 능력을 기르며 알고리즘을 익히면 현업과 캐글에서도 통하는 실력을 갖추게 됩니다.

★ 타깃 독자
__적어도 객체지향 프로그래밍 언어 하나를 아는 머신러닝 입문자
__머신러닝을 협업/캐글에서 더 잘 활용하고 싶은 데이터 사이언티스트와 개발자

★ 톱 10 알고리즘의 선정 기준
이 책은 10가지 머신러닝 알고리즘을 다룹니다. 어떤 알고리즘은 성능면에서 매우 뛰어나서, 어떤 알고리즘은 꼭 이해할 필요가 있어서 선택했습니다. 8가지 알고리즘은 지도 학습, 나머지 2가지 알고리즘은 비지도 학습에 포함됩니다. 정형 데이터라면, 이 10가지 알고리즘만으로 현업과 캐글 컴피티션에서 충분히 좋은 성과를 낼 수 있습니다.

▽ 머신러닝 TOP 알고리즘
__1. 선형 회귀(Linear Regression)
__2. 로지스틱 회귀(Logistic Regression)
__3. K-최근접 이웃(KNN)
__4. 나이브 베이즈(Naive Bayes)
__5. 결정 트리(Decision Tree)
__6. 랜덤 포레스트(Random Forest)
__7. XG부스트(XGBoost)
__8. 라이트GBM(LightGBM)
__9. K-평균 군집화(K Means Clustering)
__10. 주성분 분석(PCA)

★ 이 책의 구성
이 책은 학습 흐름을 끊지 않기 위해 개발 환경(코랩)부터 설명한 후, 다음과 같이 총 3단계에 걸쳐 머신러닝 알고리즘을 공략해나갑니다

[1단계 : 배경지식 익히기]
머신러닝을 본격적으로 다루기 전에 알아야 하는 기초 지식을 다룹니다. 1장에서는 머신러닝 알고리즘, 그래프, 라이브러리를 일목요연하게 소개합니다. 머신러닝 입문자가 큰 그림을 파악하는 데 도움이 될 겁니다. 이어서 프로그래밍에 사용할 파이썬 기본 지식(2장), 데이터 분석에 사용할 데이터 구조인 판다스와 넘파이(3장)도 다룹니다.

[2단계 : 답을 알려줘야 학습하는 지도학습 알고리즘]
지도 학습과 관련된 8가지 알고리즘을 알아봅니다. 지도 학습은 학습 데이터에 답(종속변수)이 포함되어 있습니다. 그 답을 잘 예측할 수 있도록 모델을 훈련시키는 방법을 문제해결 관점에서 알아보겠습니다. 가장 기초 알고리즘인 선형 회귀부터 캐글 컴피티션 및 실무에서도 유용한 최신 기법인 XGBoost와 LightGBM까지 폭넓게 다룹니다.

[3단계 : 답을 스스로 찾는 비지도학습 알고리즘]
비지도 학습 알고리즘 두 개를 다룹니다. 비지도 학습은 답이 주어져 있지 않다 보니, 학습 결과가 좋은지 나쁜지 평가할 만한 답안 또한 가지고 있지 않아서 목적이 모호할 수 있습니다. 그래서 다양한 시도를 할 때 활용될 수 있습니다. 지도 학습과 달리 비지도 학습에서 압도적으로 많이 사용되는 알고리즘이 한정적입니다. 그래서 가장 유명한 두 알고리즘만 다룹니다.

박조은(오늘코드 데이터분석가)
“머신러닝 알고리즘을 배우다 보면 배울 게 끝이 없어 보입니다. 이 책에 그 고민을 덜어줄 10개의 알고리즘이 엄선되어 있습니다. 10개의 예제를 통해 실습을 하다 보면 핵심 알고리즘과 필수적으로 알아야 할 기법을 ‘Learning By Doing’으로 배우게 됩니다.”

안다혜(여기어때컴퍼니 데이터엔지니어)
“친절한 책입니다. 입문자의 눈높이에 맞추었지만 실무에서 진행될 법한 데이터 파악과 전처리 과정부터 시작해 알고리즘으로 나아가는 구성은 막 실무를 시작한 분에게도 알맞을 듯하네요. 전처리의 중요성을 새삼 느꼈습니다. 머신러닝 기본, 그리고 핵심 알고리즘 설명에 충실합니다. 흥미로운 예제와 데이터로 구성되어 있어 한 장 한 장이 새롭고 기다려지는 책이었습니다.”

강점우(카카오페이 머신러닝 엔지니어)
“머신러닝 알고리즘을 이해하고 실제 적용하는 일은 지루하고 어렵습니다. 이 책에 나오는 문제해결 과정을 따라 하다 보면 왜 이렇게 하는지에 익숙해지고 필요한 기법을 빠르게 학습할 수 있습니다. 이 책을 통해 머신러닝을 빠르게 익히고 실무에 적용해보면서 더욱 발전하는 자신을 경험해보시기 바랍니다.”

권순범(데이터 사이언티스트 《자연어 처리 쿡북 with 파이썬》 역자)
“머신러닝이 무엇인지 확실히 개념을 익히실 수 있습니다. 개념뿐만 아니라 가장 많이 사용되는 10가지 머신러닝 기법을 예제와 코드를 통해 익히고 나서 앞으로 무엇을 더 공부하면 좋을지 스스로 터득할 수 있게 하는 길잡이 같은 책입니다.”

박가단(SMHRD 주니어 프로그래머)
“머신러닝 공부를 이제 막 시작하는 입문자 또는 머신러닝 알고리즘 학습에 어려움을 겪고 있는 개발자에게 추천합니다. 복잡한 수식보다는 이해하기 쉬운 예시와 예제, 그리고 이해를 돕는 그림으로 설명합니다. 파이썬 지식이 없는 사람을 위한 문법도 설명하고 있어 독학하기 좋습니다.”

박서현((주)아이콘 프론트엔드 개발자)
“머신러닝을 부담없이 시작할 수 있는 책입니다. 시작은 가벼웠지만 마지막 페이지를 덮을 때에는 많은 것을 얻어갈 겁니다. 이론으로는 몇 번이나 읽어봐도 알쏭달쏭한 머신러닝 개념을 예제를 통해 다질 수 있습니다. 저자가 제시하는 코드와 설명을 따라가다 보면 혼자서는 버거웠을 의미를 해석할 수 있게 됩니다. 이 책은 인터넷 강의에 버금가는 강의력이 있습니다. 덕분에 많은 시간을 절약해 머신러닝을 배울 수 있습니다.”

송진영(빅인사이트 데이터분석가)
“데싸노트님의 영상을 본 사람이라면 알겠지만, 어려운 이론보다도 우선 코드부터, 예제부터 실행해보기를 권합니다. 이 책 역시 복잡한 설명보다 코드를 이용해서 감각을 키우는 훈련을 시켜줍니다. 이 책을 통해 머신러닝과 조금 더 친해질 수 있을 거라고 생각합니다.”

정현준(매드업 CTO)
“많은 분이 전공자가 아님에도 여러 방법으로 데이터 과학자에 도전합니다만 알아야 할 지식이 많아서 정말 쉽지가 않습니다. 이 책은 첫 단계를 비교적 쉽게 넘어갈 방법을 알려줍니다. 코드를 따라서 입력하고 설명을 읽으면 조금씩 길이 보입니다. 많은 분께 도움이 될 거라고 생각합니다.”

조동민(넥슨코리아 데이터 분석가)
“이 책을 한 줄로 요약하자면 ‘Learning By Doing’이라고 할 수 있습니다. 파이썬 입문자부터 머신러닝 알고리즘을 되짚어보고 싶은 현업 개발자까지, 모두에게 이 책을 추천합니다. 배우기 전에 실행하고, 실행하는 과정에서 배움에 대한 두려움을 없앨 수 있을 겁니다.”

최선경(토스증권 데이터분석가)
“머신러닝 모델들의 개념을 쉽게 익힐 수 있게 허들을 낮춘 책입니다. 입문자들이 모델 개념을 이해하고, 실제로 적용해볼 수 있도록 코드를 제공해 쉽게 실습해볼 수 있습니다. 생각날 때마다 찾아볼 수 있는 레퍼런스용으로도 좋습니다.”

최우성(한전 전력연구원 책임연구원(AI프렌즈 운영진))
“복잡한 머신러닝 알고리즘이 많지만 실무에 적용되는 알고리즘은 많지 않습니다. 이 책은 우수한 성능과 다양한 활용 사례로 유명한 10가지 머신러닝 알고리즘을 소개합니다. 알고리즘 개념에 대한 올바른 이해와 코드 실습을 통해 실무에 빠르게 머신러닝을 적용할 수 있게 돕는 입문서 겸 활용서입니다.”

황후순(아일리스프런티어 프로그래머)
“인공지능 분야에서 첫 걸음마를 뗀 분들부터 오랜 시간 현업에서 종사하시는 분들에게 추천드립니다. 체계적으로 입문하는 용도로도 좋지만, 오랜 시간 실무에 집중하다가 기본을 다시 확인하고 정립하는 용도로도 좋습니다. 저도 인공지능 분야에서 종사하지만, 이 책을 통해 제가 놓치고 있던 부분을 채우는 시간을 가질 수 있었습니다. 다음에 다시 읽을 때도 같은 내용이지만 또 다른 부분을 채울 거라고 생각합니다. 인공지능의 세상에서 다음 스텝으로 넘어가기 전에 걸어오셨던 길을 이 책을 통해서 다시금 돌아보시길 바라봅니다.”

00장 실습 환경 안내(코랩)

1단계 : 배경지식 익히기

01장 한눈에 살펴보는 머신러닝
__1.1 인공지능, 머신러닝, 딥러닝
__1.2 머신러닝 기법 : 지도 학습, 비지도 학습, 강화 학습
__1.3 머신러닝 프로세스
__1.4 TOP 10 알고리즘의 성능 비교
__1.5 머신러닝 핵심 라이브러리
__1.6 데이터 시각화 그래프 종류
__1.7 피처 엔지니어링 기법
__1.8 변수란 무엇인가?
학습 마무리

02장 파이썬 기초 익히기
__2.1 프로그래밍 기본 : 산술 연산, 변수, 출력
__2.2 자료형과 자료구조
__2.3 반복문 : for문, while문
__2.4 조건문 : if문
__2.5 파이썬 내장 함수
__2.6 나만의 함수 만들기 : def
학습 마무리

03장 유용한 라이브러리 : 판다스와 넘파이
__3.1 판다스
__3.2 넘파이
학습 마무리


2단계 : 답을 알려줘야 학습하는 머신러닝 지도학습 알고리즘

04장 선형 회귀 : 보험료 예측하기
__4.1 문제 정의 : 한눈에 보는 예측 목표
__4.2 라이브러리 및 데이터 불러오기
__4.3 데이터 확인하기
__4.4 전처리 : 학습셋과 시험셋 나누기
__4.5 모델링
__4.6 모델을 활용해 예측하기
__4.7 예측 모델 평가하기
__4.8 이해하기 : 선형 회귀
학습 마무리
연습 문제

05장 로지스틱 회귀 : 타이타닉 생존자 예측하기
__5.1 문제 정의 : 한눈에 보는 예측 목표
__5.2 라이브러리 및 데이터 불러오기
__5.3 데이터 확인하기
__5.4 전처리 : 범주형 변수 변환하기(더미 변수와 원-핫 인코딩)
__5.5 모델링 및 예측하기
__5.6 예측 모델 평가하기
__5.7 이해하기 : 피처 엔지니어링
__5.8 이해하기 : 로지스틱 회귀
학습 마무리
연습 문제

06장 K-최근접 이웃(KNN) : 와인 등급 예측하기
__6.1 문제 정의 : 한눈에 보는 예측 목표
__6.2 라이브러리 및 데이터 불러오기
__6.3 데이터 확인하기
__6.4 목푯값에서 고윳값 확인하기
__6.5 전처리 : 결측치 처리하기
__6.6 스케일링
__6.7 모델링 및 예측/평가하기
__6.8 하이퍼파라미터 튜닝하기
__6.9 이해하기 : K-최근접 이웃
학습 마무리
연습 문제

07장 나이브 베이즈 : 스팸 여부 판단하기
__7.1 문제 정의 : 한눈에 보는 예측 목표
__7.2 라이브러리 및 데이터 불러오기 & 데이터 확인
__7.3 전처리 : 특수 기호 제거하기
__7.4 전처리 : 불용어 제거하기
__7.5 전처리 : 목표 컬럼 형태 변경하기
__7.6 전처리 : 카운트 기반으로 벡터화하기
__7.7 모델링 및 예측/평가하기
__7.8 이해하기 : 나이브 베이즈 모델
학습 마무리
연습 문제

08장 결정 트리 : 연봉 예측하기
__8.1 문제 정의 : 한눈에 보는 예측 목표
__8.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__8.3 전처리 : 범주형 데이터
__8.4 전처리 : 결측치 처리 및 더미 변수 변환
__8.5 모델링 및 평가하기
__8.6 이해하기 : 결정 트리
__8.7 오버피팅 문제
__8.8 매개변수 튜닝
__8.9 트리 그래프
학습 마무리
연습 문제

09장 랜덤 포레스트 : 중고차 가격 예측하기
__9.1 문제 정의 : 한눈에 보는 예측 목표
__9.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__9.3 전처리 : 텍스트 데이터
__9.4 전처리 : 결측치 처리와 더미 변수 변환
__9.5 모델링 및 평가하기
__9.6 이해하기 : K-폴드 교차검증
__9.7 이해하기 : 랜덤 포레스트
__9.8 하이퍼파라미터 튜닝
학습 마무리
연습 문제

10장 XGBoost : 커플 성사 여부 예측하기
__10.1 문제 정의 : 한눈에 보는 예측 목표
__10.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__10.3 전처리 : 결측치 처리
__10.4 전처리 : 피처 엔지니어링
__10.5 모델링 및 평가
__10.6 이해하기 : 경사하강법
__10.7 하이퍼파라미터 튜닝 : 그리드 서치
__10.8 중요 변수 확인
__10.9 이해하기 : XGBoost
학습 마무리
연습 문제

11장 LightGBM : 이상거래 예측하기
__11.1 문제 정의 : 한눈에 보는 예측 목표
__11.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__11.3 전처리 : 데이터 클리닝
__11.4 전처리 : 피처 엔지니어링
__11.5 모델링 및 평가하기
__11.6 하이퍼파라미터 튜닝 : 랜덤 그리드 서치
__11.7 LightGBM의 train( ) 함수 사용하기
__11.8 이해하기 : LightGBM
학습 마무리
연습 문제


3단계 : 답을 스스로 찾는 비지도학습 알고리즘

12장 K-평균 군집화 : 비슷한 속성끼리 분류하기
__12.1 문제 정의 : 한눈에 보는 예측 목표
__12.2 K-평균 군집화 맛보기 : 인위적으로 만든 데이터셋
__12.3 데이터 불러오기 및 데이터 확인하기 : 고객 데이터셋
__12.4 전처리 : 피처 엔지니어링
__12.5 고객 데이터 모델링 및 실루엣 계수
__12.6 최종 예측 모델 및 결과 해석
__12.7 이해하기 : K-평균 군집화
학습 마무리
연습 문제

13장 주성분 분석(PCA) : 차원 축소 응용하기
__13.1 차원을 축소해서 그래프 그리기 : 고객 데이터셋
__13.2 속도와 예측력을 향상시키기 : 익명 데이터셋
__13.3 이해하기 : 주성분 분석
학습 마무리
연습 문제