★ 이 책의 특징 ★ ◎ 분류, 회귀, 차원 축소, 클러스터링 등 핵심 머신러닝 알고리즘에 대한 깊이 있는 설명 ◎ 데이터 전처리, 머신러닝 알고리즘 적용, 하이퍼 파라미터 튜닝, 성능 평가 등 최적 머신러닝 모델 구성 방안 제시 ◎ XGBoost, LightGBM, 스태킹 등 머신러닝 최신 기법에 대한 상세한 설명과 활용법 ◎ 난이도 높은 캐글 문제를 직접 따라 해 보면서 실무 머신러닝 애플리케이션 개발 방법 체득(산탄테르 은행 고객 만족 예측, 신용카드 사기 검출, 부동산 가격 예측 고급 회귀 기법, Mercari 쇼핑몰 가격 예측 등) ◎ 텍스트 분석과 NLP를 위한 기반 이론과 다양한 실습 예제 제공(텍스트 분류, 감성 분석, 토픽 모델링, 문서 유사도, 문서 군집화와 유사도, KoNLPy를 이용한 네이버 영화 감성 분석 등) ◎ 다양한 추천 시스템을 직접 파이썬 코드로 구축하는 법을 제공

▣ 1장: 파이썬 기반의 머신러닝과 생태계 이해 1.1. 머신러닝의 개념 __머신러닝의 분류 __데이터 전쟁 __파이썬과 R 기반의 머신러닝 비교 1.2. 파이썬 머신러닝 생태계를 구성하는 주요 패키지 __파이썬 머신러닝을 위한 S/W 설치 1.3. 넘파이 __넘파이 ndarray 개요 __ndarray의 데이터 타입 __ndarray를 편리하게 생성하기 - arange, zeros, ones __ndarray의 차원과 크기를 변경하는 reshape( ) __넘파이의 ndarray의 데이터 세트 선택하기 - 인덱싱(Indexing) __행렬의 정렬 - sort( )와 argsort( ) __선형대수 연산 - 행렬 내적과 전치 행렬 구하기 1.4. 데이터 핸들링 - 판다스 __판다스 시작 - 파일을 DataFrame으로 로딩, 기본 API __DataFrame과 리스트, 딕셔너리, 넘파이 ndarray 상호 변환 __DataFrame의 컬럼 데이터 세트 생성과 수정 __DataFrame 데이터 삭제 __Index 객체 __데이터 셀렉션 및 필터링 __정렬, Aggregation 함수, GroupBy 적용 __결손 데이터 처리하기 __apply lambda 식으로 데이터 가공 1.5. 정리 ▣ 2장: 사이킷런으로 시작하는 머신러닝 2.1. 사이킷런 소개와 특징 2.2. 첫 번째 머신러닝 만들어 보기 - 붓꽃 품종 예측하기 2.3. 사이킷런의 기반 프레임워크 익히기 __Estimator 이해 및 fit( ), predict( ) 메서드 __사이킷런의 주요 모듈 __내장된 예제 데이터 세트 2.4. Model Selection 모듈 소개 __학습/테스트 데이터 세트 분리 - train_test_split() __교차 검증 __GridSearchCV - 교차 검증과 최적 하이퍼 파라미터 튜닝을 한 번에 2.5. 데이터 전처리 __데이터 인코딩 __피처 스케일링과 정규화 __StandardScaler __MinMaxScaler __학습 데이터와 테스트 데이터의 스케일링 변환 시 유의점 2.6. 사이킷런으로 수행하는 타이타닉 생존자 예측 2.7. 정리 ▣ 3장: 평가 3.1. 정확도(Accuracy) 3.2. 오차 행렬 3.3. 정밀도와 재현율 __정밀도/재현율 트레이드오프 __정밀도와 재현율의 맹점 3.4. F1 스코어 3.5. ROC 곡선과 AUC 3.6. 피마 인디언 당뇨병 예측 3.7. 정리 ▣ 4장: 분류 4.1. 분류(Classification)의 개요 4.2. 결정 트리 __결정 트리 모델의 특징 __결정 트리 파라미터 __결정 트리 모델의 시각화 __결정 트리 과적합(Overfitting) __결정 트리 실습 - 사용자 행동 인식 데이터 세트 4.3. 앙상블 학습 __앙상블 학습 개요 __보팅 유형 - 하드 보팅(Hard Voting)과 소프트 보팅(Soft Voting) __보팅 분류기(Voting Classifier) 4.4. 랜덤 포레스트 __랜덤 포레스트의 개요 및 실습 __랜덤 포레스트 하이퍼 파라미터 및 튜닝 4.5. GBM(Gradient Boosting Machine) __GBM의 개요 및 실습 __GBM 하이퍼 파라미터 및 튜닝 4.6. XGBoost(eXtra Gradient Boost) __XGBoost 개요 __XGBoost 설치하기 __파이썬 래퍼 XGBoost 하이퍼 파라미터 __파이썬 래퍼 XGBoost 적용 - 위스콘신 유방암 예측 __사이킷런 래퍼 XGBoost의 개요 및 적용 4.7. LightGBM __LightGBM 설치 __LightGBM 하이퍼 파라미터 __하이퍼 파라미터 튜닝 방안 __파이썬 래퍼 LightGBM과 사이킷런 래퍼 XGBoost, LightGBM 하이퍼 파라미터 비교 __LightGBM 적용 - 위스콘신 유방암 예측 4.8. 분류 실습 - 캐글 산탄데르 고객 만족 예측 __데이터 전처리 __XGBoost 모델 학습과 하이퍼 파라미터 튜닝 __LightGBM 모델 학습과 하이퍼 파라미터 튜닝 4.9. 분류 실습 - 캐글 신용카드 사기 검출 __언더 샘플링과 오버 샘플링의 이해 __데이터 일차 가공 및 모델 학습/예측/평가 __데이터 분포도 변환 후 모델 학습/예측/평가 __이상치 데이터 제거 후 모델 학습/예측/평가 __SMOTE 오버 샘플링 적용 후 모델 학습/예측/평가 4.10. 스태킹 앙상블 __기본 스태킹 모델 __CV 세트 기반의 스태킹 4.11. 정리 ▣ 5장: 회귀 5.1. 회귀 소개 5.2. 단순 선형 회귀를 통한 회귀 이해 5.3. 비용 최소화하기 - 경사 하강법(Gradient Descent) 소개 5.4. 사이킷런 LinearRegression을 이용한 보스턴 주택 가격 예측 __LinearRegression 클래스 - Ordinary Least Squares __회귀 평가 지표 __LinearRegression을 이용해 보스턴 주택 가격 회귀 구현 5.5. 다항 회귀와 과(대)적합/과소적합 이해 __다항 회귀 이해 __다항 회귀를 이용한 과소적합 및 과적합 이해 __편향-분산 트레이드오프(Bias-Variance Trade off) 5.6. 규제 선형 모델 - 릿지, 라쏘, 엘라스틱넷 __규제 선형 모델의 개요 __릿지 회귀 __라쏘 회귀 __엘라스틱넷 회귀 __선형 회귀 모델을 위한 데이터 변환 5.7. 로지스틱 회귀 5.8. 회귀 트리 5.9. 회귀 실습 - 자전거 대여 수요 예측 __데이터 클렌징 및 가공 __로그 변환, 피처 인코딩과 모델 학습/예측/평가 5.10. 회귀 실습 - 캐글 주택 가격: 고급 회귀 기법 __데이터 사전 처리(Preprocessing) __선형 회귀 모델 학습/예측/평가 __회귀 트리 모델 학습/예측/평가 __회귀 모델의 예측 결과 혼합을 통한 최종 예측 __스태킹 앙상블 모델을 통한 회귀 예측 5.11. 정리 ▣ 6장: 차원 축소 6.1. 차원 축소(Dimension Reduction) 개요 6.2. PCA(Principal Component Analysis) __PCA 개요 6.3. LDA(Linear Discriminant Analysis) __LDA 개요 __붓꽃 데이터 세트에 LDA 적용하기 6.4. SVD(Singular Value Decomposition) __SVD 개요 __사이킷런 TruncatedSVD 클래스를 이용한 변환 6.5. NMF(Non-Negative Matrix Factorization) __NMF 개요 6.6. 정리 ▣ 7장: 군집화 7.1. K-평균 알고리즘 이해 __사이킷런 KMeans 클래스 소개 __K-평균을 이용한 붓꽃 데이터 세트 군집화 __군집화 알고리즘 테스트를 위한 데이터 생성 7.2. 군집 평가(Cluster Evaluation) __실루엣 분석의 개요 __붓꽃 데이터 세트를 이용한 군집 평가 __군집별 평균 실루엣 계수의 시각화를 통한 군집 개수 최적화 방법 7.3. 평균 이동 __평균 이동(Mean Shift)의 개요 7.4. GMM(Gaussian Mixture Model) __GMM(Gaussian Mixture Model) 소개 __GMM을 이용한 붓꽃 데이터 세트 군집화 __GMM과 K-평균의 비교 7.5. DBSCAN __DBSCAN 개요 __DBSCAN 적용하기 - 붓꽃 데이터 세트 __DBSCAN 적용하기 - make_circles( ) 데이터 세트 7.6. 군집화 실습 - 고객 세그먼테이션 __고객 세그먼테이션의 정의와 기법 __데이터 세트 로딩과 데이터 클렌징 __RFM 기반 데이터 가공 __RFM 기반 고객 세그먼테이션 7.7. 정리 ▣ 8장: 텍스트 분석 NLP이냐 텍스트 분석이냐? 8.1. 텍스트 분석 이해 __텍스트 분석 수행 프로세스 __파이썬 기반의 NLP, 텍스트 분석 패키지 8.2. 텍스트 사전 준비 작업(텍스트 전처리) - 텍스트 정규화 __클렌징 __텍스트 토큰화 __스톱 워드 제거 __Stemming과 Lemmatization 8.3. Bag of Words - BOW __BOW 피처 벡터화 __사이킷런의 Count 및 TF-IDF 벡터화 구현: CountVectorizer, TfidfVectorizer __BOW 벡터화를 위한 희소 행렬 __희소 행렬 - COO 형식 __희소 행렬 - CSR 형식 8.4. 텍스트 분류 실습 - 20 뉴스그룹 분류 __텍스트 정규화 __피처 벡터화 변환과 머신러닝 모델 학습/예측/평가 __사이킷런 파이프라인(Pipeline) 사용 및 GridSearchCV와의 결합 8.5. 감성 분석 __감성 분석 소개 __지도학습 기반 감성 분석 실습 - IMDB 영화평 __비지도학습 기반 감성 분석 소개 __SentiWordNet을 이용한 감성 분석 __VADER를 이용한 감성 분석 8.6. 토픽 모델링(Topic Modeling) - 20 뉴스그룹 8.7. 문서 군집화 소개와 실습(Opinion Review 데이터 세트) __문서 군집화 개념 __Opinion Review 데이터 세트를 이용한 문서 군집화 수행하기 __군집별 핵심 단어 추출하기 8.8. 문서 유사도 __문서 유사도 측정 방법 - 코사인 유사도 __두 벡터 사잇각 __Opinion Review 데이터 세트를 이용한 문서 유사도 측정 8.9. 한글 텍스트 처리 - 네이버 영화 평점 감성 분석 __한글 NLP 처리의 어려움 __KoNLPy 소개 __데이터 로딩 8.10. 텍스트 분석 실습-캐글 Mercari Price Suggestion Challenge __데이터 전처리 __피처 인코딩과 피처 벡터화 __릿지 회귀 모델 구축 및 평가 __LightGBM 회귀 모델 구축과 앙상블을 이용한 최종 예측 평가 8.11. 정리 ▣ 9장: 추천 시스템 9.1. 추천 시스템의 개요와 배경 __추천 시스템의 개요 __온라인 스토어의 필수 요소, 추천 시스템 __추천 시스템의 유형 9.2. 콘텐츠 기반 필터링 추천 시스템 9.3. 최근접 이웃 협업 필터링 9.4. 잠재 요인 협업 필터링 __잠재 요인 협업 필터링의 이해 __행렬 분해의 이해 __확률적 경사 하강법을 이용한 행렬 분해 9.5. 콘텐츠 기반 필터링 실습 - TMDB 5000 영화 데이터 세트 __장르 속성을 이용한 영화 콘텐츠 기반 필터링 __데이터 로딩 및 가공 __장르 콘텐츠 유사도 측정 __장르 콘텐츠 필터링을 이용한 영화 추천 9.6. 아이템 기반 최근접 이웃 협업 필터링 실습 __데이터 가공 및 변환 __영화 간 유사도 산출 __아이템 기반 최근접 이웃 협업 필터링으로 개인화된 영화 추천 9.7. 행렬 분해를 이용한 잠재 요인 협업 필터링 실습 9.8. 파이썬 추천 시스템 패키지 - Surprise __Surprise 패키지 소개 __Surprise를 이용한 추천 시스템 구축 __Surprise 주요 모듈 소개 __Surprise 추천 알고리즘 클래스 __베이스라인 평점 __교차 검증과 하이퍼 파라미터 튜닝 __Surprise를 이용한 개인화 영화 추천 시스템 구축 9.9. 정리