이 책의 사용법 머리말 역자 서문 1장 머신러닝의 기본 §1 머신러닝과 AI、그리고 딥러닝 ▶ AI란 ▶ AI、머신러닝、딥러닝 ▶ 머신러닝의 역할 §2 지도학습과 비지도학습 ▶ AI를 위한 데이터 ▶ 지도학습과 비지도학습, 강화학습 2장 머신러닝을 위한 기본적인 알고리즘 §1 모델의 최적화와 최소제곱법 ▶ 최적화란 ▶ 최소제곱법 ▶ 엑셀을 이용한 최소제곱법 ▶ 데이터의 크기와 파라미터의 수 ▶ 엑셀 실습 §2 최적화 계산의 기본이 되는 경사하강법 ▶ 경사하강법의 아이디어 ▶ 근사 공식과 내적의 관계 ▶ 경사하강법의 기본식 ▶ 경사하강법과 사용 방법 ▶ 3 변수 이상인 경우 경사하강법을 확장 ▶ h의 의미와 경사하강법의 주의할 점 ▶ 엑셀을 이용한 경사하강법 §3 라그랑지의 완화법과 쌍대 문제 ▶ 라그랑지의 완화법 ▶ 라그랑지 쌍대 문제 ▶ 구체적인 계산 ▶ 엑셀로 확인 §4 몬테카를로법의 기본 ▶ 몬테카를로법으로 r를 산출 ▶ 엑셀을 이용한 몬테카를로법 §5 유전 알고리즘 . ▶ 유전 알고리즘으로 최솟값 문제를 해결 ▶ x의 후보를 골라 2진수 표시 ▶ 환경에 적합한 것을 ‘선택’ ▶ 우수한 개체를 만들기 위한 ‘교차’ ▶ 돌연변이 ▶ 이상의 3연산을 여러 번 반복 ▶ 엑셀을 이용한 유전 알고리즘 §6 베이즈 정리 ▶ 조건부 확률 ▶ 곱셈 정리 ▶ 베이즈 정리 ▶ 베이즈 정리의 해석 ▶ 원인의 확률 ▶ 베이즈 정리의 일반화 ▶ 우도, 사전확률, 사후확률 ▶ 유명한 예제로 베이즈 정리를 확인 ▶ 베이즈 정리는 학습을 표현 ▶ 엑셀을 이용한 베이즈 정리 3장 회귀분석 §1 중회귀분석 ▶ 중회귀분석 ▶ 중회귀분석의 회귀방정식 이미지 ▶ 회귀방정식을 구하는 방법 ▶ 회귀방정식을 이용한 분석 §2 중회귀분석을 엑셀로 체험 ▶ 엑셀을 이용한 회귀분석 4장 서포트 벡터 머신(SVM） §1 서포트 벡터 머신(SVM)의 알고리즘 ▶ 구체적인 예 . ▶ 마진의 최대화를 식으로 표현 ▶ 쌍대 문제로 변환 ▶ 계산하기 쉽도록 변형 ▶ 서포트 벡터와 상수항 c 구하기 §2 서포트 벡터 머신(SVM)을 엑셀로 체험 ▶ 엑셀을 이용한 SVM 5장 신경망과 딥러닝 §1 신경망 기본 단위인 뉴런 ▶ 신경망과 신경망의 기본 단위인 뉴런 ▶ 가중치와 임곗값, 활성화 함수 값의 의미 ▶ ‘입력의 선형합’의 내적 표현 ▶ 엑셀로 유닛의 동작을 재현 §2 유닛을 층별로 나열한 신경망 ▶ 구체적인 예 ▶ 유닛 이름과 파라미터 이름에 관한 규칙 ▶ 신경망을 식으로 표현 ▶ 신경망 출력의 의미 ▶ 가중치와 임곗값의 결정 방법과 목적 함수 ▶ 오차역전파법의 필요성 ▶ 제곱오차의 식표현 §3 오차역전파법(백프로퍼게이션법） ▶ 복잡한 목적 함수 ▶ 목적 함수 E의 기울기는 제곱오차 기울기의 합 ▶ 유닛의 오차 δ를 도입 ▶ 기울기를 유닛의 오차 d로부터 산출 ▶ 출력층의 ‘유닛 오차’ jO d 를 산출 ▶ 오차역전파법으로 구하는 중간층의 ‘유닛 오차 jH d §4 오차역전파법을 엑셀로 체험 ▶ 엑셀을 이용한 오차역전파법 ▶ 새로운 숫자로 테스트 6장 RNN과 BPTT §1 순환 신경망(RNN）의 구조 ▶ 구체적인 예 ▶ 데이터의 형식과 정답 레이블 ▶ 신경망에 기억을 가지게 한 RNN ▶ 수식을 만들기 위한 준비 ▶ 유닛의 입출력을 수식으로 표현 ▶ 구체적인 식으로 표현 ▶ 최적화를 위한 목적 함수 §2 시간 역전파(Backpropagation through time, BPTT） ▶ 유닛의 오차와 기울기 ▶ 기을기의 계산식을 유도 ▶ kO d , ( ) j2 H d , ( ) i 1 H d 의 관계를 점화식으로 표현 §3 BPTT를 엑셀로 체험 . ▶ 엑셀을 이용한 BPTT 7장 Q학습 §1 강화학습과 Q학습 ▶ 강화학습의 대표적인 기법인 Q학습 ▶ Q학습을 개미로부터 이해 ▶ 머신러닝과 강화학습 §2 Q학습의 알고리즘 ▶ Q학습을 구체적인 예로 이해 ▶ 개미로부터 배우는 Q학습의 용어 ▶ Q값 ▶ Q값이 기록된 구체적인 장소 ▶ Q값의 표와 개미의 대응 ▶ 즉시보상 ▶ Q학습의 수식에서 이용되는 기호의 의미 ▶ Q값의 갱신 ▶ 학습률 ▶ Q학습의 기호로 다시 표현 ▶ ε-greedy법으로 모험을 하는 개미 ▶ 학습의 종료 조건 §3 Q학습을 엑셀로 체험 ▶ 워크시트 작성 상의 유의점 ▶ 엑셀을 이용한 Q학습 8장 DQN §1 DQN의 사고방식 ▶ DQN의 구조 §2 DQN의 알고리즘 ▶ 개미로부터 배우는 DQN ▶ DQN의 입출력 ▶ DQN의 목적 함수 §3 DQN을 엑셀로 체험 ▶ 예제의 확인 ▶ 신경망과 활성화 함수의 가정 ▶ 최적화 도구로 해 찾기를 이용 ▶ 엑셀을 이용한 DQN 9장 나이브 베이즈 분류 §1 나이브 베이즈 분류 알고리즘 ▶ 베이즈 필터의 구조 ▶ 나이브 베이즈 분류 ▶ 구체적인 예 . ▶ 문제를 베이즈 식으로 정리 ▶ 공식 준비 ▶ 사전 확률의 설정 ▶ 베이즈 갱신을 충분히 활용 §2 베이즈 분류를 엑셀로 체험 ▶ 엑셀을 이용한 나이브 베이즈 분류 부록 §A 신경망의 훈련 데이터 §B 해 찾기의 설치 방법 §C 머신러닝을 위한 벡터의 기초 지식 ▶ 벡터의 성분 표시 ▶ 벡터의 내적 ▶ 코시 슈바르츠 부등식 §D 머신러닝을 위한 행렬의 기초 지식 ▶ 행렬이란 ▶ 행렬의 합과 차, 상수배 ▶ 행렬의 곱 ▶ 아다마르 곱 ▶ 전치행렬 ▶ 식을 간결하게 만드는 행렬 §E 머신러닝을 위한 미분의 기초 지식 ▶ 미분의 정의와 의미 ▶ 머신러닝에서 자주 나타나는 함수의 미분 공식 ▶ 미분의 성질 ▶ 1변수 함수 최솟값의 필요조건 ▶ 다변수 함수와 편미분 ▶ 다변수 함수의 최솟값의 필요조건 ▶ 연쇄법칙 §F 다변수 함수의 근사 공식 ▶ 1변수 함수의 근사 공식 ▶ 2변수 함수의 근사 공식 ▶ 다변수 함수의 근사 공식 §G NN에서 유닛의 오차와 기울기의 관계 §H NN에서 유닛 오차의 ‘역’점화식 §I RNN에서 유닛 오차와 기울기의 관계 §J BP, BPTT에서 도움이 되는 점화식의 복습 ▶ 수열의 의미와 기호 ▶ 수열과 점화식 §K RNN에서 유닛 오차의 ‘역’ 점화식 ▶ 식［K3］의 증명 ▶ 식［K5］의 증명 ▶ 식［K4］의 증명 . §L 중회귀방정식을 구하는 방법 ▶ 엑셀을 이용한 DQN 찾아보기(Index)