추가 적립 안내

수식 없이 시작하는 기계 학습!

기계 학습은 새로운 컴퓨팅 환경에서 해결책을 제시하고 있다. 넘쳐나는 데이터에서 새로운 정보를 찾기는 쉽지 않다. 사용자가 원하는 정보, 사람 대신 인지해야 할 정보, 사업의 미래를 결정하는 정보. 그 가운데 기계 학습이 있다. 이 책은 어려운 수식을 설명하는 대신 쉽게 구할 수 있는 예제로 기계 학습의 핵심을 설명하고 있다. 파이썬 기계 학습 라이브러리인 scikit-learn은 가장 대중적이며 쉽게 접근할 수 있는 도구로, 기계 학습을 처음 접하는 독자에게 도움이 될 것이다.

★ 이 책에서 다루는 내용 ★

■ 파이썬 환경에서 scikit-learn 설치
■ 서포트 벡터 머신(Support Vector Machine)이나 나이브 베이즈(Na?ve Bayes) 등 다양한 기법을 활용함으로써 속성에 기반한 사물(문서, 얼굴, 꽃의 품종 등) 분류
■ 타이타닉호 탑승객의 생존 같은 특정 현상의 주원인을 설명하기 위해 결정 트리 사용
■ 회귀 기법으로 주택 가격 예측
■ 차원 축소를 사용한 데이터 분석과 시각화
■ 모델 선택을 통한 모델의 최적 매개변수 선택
■ 병렬 기술을 통한 모델 성능 향상

★ 이 책의 대상 독자 ★

기계 학습과 데이터 기반에 대한 소프트웨어 기술을 습득하고자 하는 개발자를 대상으로 한다.

★ 이 책의 구성 ★

1장, '기계 학습: 친절한 소개'에서는 간단한 분류(classification) 문제를 해결하면서 기계 학습의 주요한 개념을 알아본다. 꽃의 특성을 바탕으로 꽃 품종을 판별한다.

2장, '지도 학습'에서는 네 가지 분류 기법인 서포트 벡터 머신(Support Vector Machine), 나이브 베이즈(Na?ve Bayes), 결정 트리(decision tree), 랜덤 포레스트(Random Forests)를 소개하고 이러한 기법을 얼굴 인식, 텍스트 분류, 그리고 타이타닉호 사고에서 탑승객이 생존할 수 있었던 이유를 설명하는 데 사용한다. 보스턴 주택 가격을 예측하기 위해 서포트 벡터 머신과 랜덤 포레스트를 다시 보고 선형 모델(Linear Model)을 살펴본다.

3장, '비지도 학습'에서는 고차원 데이터를 2차원으로 시각화하기 위해 주성분 분석(Principal Component Analysis)으로 차원을 축소하는 기법을 살펴본다. k평균(k-means) 알고리즘을 사용해 유사성에 따라 손글씨 숫자의 인스턴스를 무리 짓는 군집화 기술을 소개한다.

4장, '고급 기능'에서는 데이터를 전처리하고 학습을 위해 최적의 속성을 선택하는 속성 선택(Feature Selection) 기법을 소개하며, 모델 선택(Model Selection) 기법도 살펴본다. 이용할 수 있는 데이터와 병렬 계산(parallel computation)을 활용해 최적의 매개변수를 선택한다.

1장 기계 학습: 친절한 소개
__scikit-learn 설치
____리눅스
____맥
____윈도우
____설치 확인
__첫 번째 기계 학습 기법: 선형 분류
__결과 평가
__기계 학습 종류
__기계 학습에 관련된 중요한 개념
__요약

2장 지도 학습
__서포트 벡터 머신과 이미지 인식
____서포트 벡터 머신 훈련
__나이브 베이즈로 텍스트 분류
____데이터 전처리
____나이브 베이즈 분류기 훈련
____성능 평가
__결정 트리와 타이타닉 가설 설명
____데이터 전처리
____결정 트리 분류기 훈련
____결정 트리 해석
____랜덤 포레스트: 무작위 결정
____성능 평가
__회귀로 주택 가격 예측
____첫 번째 도전: 선형 모델
____두 번째 도전: 회귀를 위한 서포트 벡터 머신
____세 번째 도전: 랜덤 포레스트 다시 보기
____평가
__요약

3장 비지도 학습
__주성분 분석
__k평균으로 손글씨 숫자 군집화
__다른 군집 기법
__요약

4장 고급 기능
__속성 추출
__속성 선택
__모델 선택
__격자 검색
__병렬 격자 검색
__요약