인공지능이 처음이라면! 개념과 예제로 머신러닝 탄탄하게 다지기

『한 권으로 다지는 머신러닝&딥러닝 with 파이썬』은 인공지능 관련 핵심 개념부터 머신러닝과 딥러닝까지, 인공지능 구현에 필요한 모든 것을 담았다. 실제 시나리오를 살펴보면서 문제에 따라 어떤 알고리즘을 어떻게 적용하는지 학습한다. 예제는 파이썬과 텐서플로를 사용하며 파이썬 입문자도 쉽게 따라 할 수 있는 코드로 구성되었다. 파이썬 프로그래밍 경험이 있다면 코드를 자유롭게 활용해 원하는 프로그램을 만들어볼 수 있다.

영화 추천 시스템 구축, 주식시장 분석, 객체 추적기 구축 등 흥미로운 예제를 따라 차근차근 학습하고 나면 다양한 인공지능 기술을 이해하고 상황에 맞춰 자신 있게 적용하는 자신을 발견하게 될 것이다. 이미지, 텍스트, 음성 등 다양한 데이터를 이해하는 똑똑한 애플리케이션을 지금 바로 만들어보자.

데이터 과학자로서 25년이 넘게 여러 포춘 500대 기업과 스타트업에서 컨설팅을 했다. 인공지능과 알고리즘에 관한 폭넓은 경험이 있다. AWS Big Data Specialty와 Machine Learning Specialty를 포함해 여덟 가지 AWS 자격증을 보유하고 있다. AWS 엠버서더이며 다양한 데이터 과학 블로그에 자주 글을 쓴다. 데이터 과학, 빅데이터와 분석, 언더라이팅 최적화, 이상 거래 탐지와 같은 주제로 강연을 한다. 인공지능을 사용한 데이터 레이크 구축에 특히 관심이 있다.

[1장 인공지능 소개]

1.1 AI란 무엇인가
1.2 AI를 왜 공부해야 하는가
1.3 AI 종류
1.4 머신러닝의 다섯 가지 그룹
1.5 튜링 테스트를 사용한 지능 정의
1.6 기계가 인간처럼 생각하도록 만들기
1.7 합리적 에이전트 구축
1.8 일반 문제 해결사
1.9 지능형 에이전트 구축
1.10 파이썬 3 설치
1.11 패키지 설치
1.12 데이터 로딩
1.13 정리

[2장 인공지능 사용 사례]

2.1 대표적인 AI 사용 사례
2.2 디지털 개인 비서와 챗봇
2.3 자율 주행 자동차
2.4 배송과 창고 관리
2.5 인간의 건강
2.6 지식 검색
2.7 추천 시스템
2.8 스마트 홈
2.9 게임
2.10 영화 제작
2.11 인수 및 거래 분석
2.12 데이터 정리와 변환
2.13 정리

[3장 머신러닝 파이프라인]

3.1 머신러닝 파이프라인이란 무엇인가
3.2 문제 정의
3.3 데이터 수집
3.4 데이터 준비
3.5 데이터 분리
3.6 모델 훈련
3.7 정리

[4장 특성 선택과 특성 공학]

4.1 특성 선택
4.2 특성 공학
4.3 정리

[5장 지도 학습을 이용한 분류와 회귀]

5.1 지도 학습 vs. 비지도 학습
5.2 분류란 무엇인가
5.3 데이터 전처리
5.4 레이블 인코딩
5.5 로지스틱 회귀 분류기
5.6 나이브 베이즈 분류기
5.7 컨퓨전 행렬
5.8 서포트 벡터 머신
5.9 서포트 벡터 머신을 사용한 소득 데이터 분류
5.10 회귀란 무엇인가
5.11 단일 변수 회귀 구축
5.12 다변수 회귀 분석기 구축
5.13 서포트 벡터 회귀를 사용해 주택 가격 추정하기
5.14 정리

[6장 앙상블 학습을 이용한 예측 분석]

6.1 의사 결정 트리
6.2 앙상블 학습
6.3 랜덤 포레스트와 익스트림 랜덤 포레스트
6.4 클래스 불균형 다루기
6.5 그리드 검색을 사용해 최적의 훈련 매개변수 찾기
6.6 상대적인 특성 중요도 계산하기
6.7 익스트림 랜덤 포레스트 회귀자를 사용해 트래픽 예측하기
6.8 정리

[7장 비지도 학습을 이용한 패턴 감지]

7.1 비지도 학습이란
7.2 K-평균 알고리즘을 사용해 데이터 클러스터링하기
7.3 가우시안 혼합 모델이란
7.4 유사도 전파 모델을 사용해 주식시장에서 하위 그룹 찾기
7.5 쇼핑 패턴에 따라 시장 분할하기
7.6 정리

[8장 추천 시스템 구축]

8.1 최근접 이웃 추출
8.2 K-최근접 이웃 분류기 생성
8.3 유사성 점수 계산
8.4 협업 필터링을 사용해 유사한 사용자 찾기
8.5 영화 추천 시스템 구축
8.6 정리

[9장 논리 프로그래밍]

9.1 논리 프로그래밍이란 무엇인가
9.2 논리 프로그래밍 구성 요소 이해
9.3 논리 프로그래밍을 사용한 문제 해결
9.4 파이썬 패키지 설치
9.5 수학적 표현 일치
9.6 소수 검증
9.7 가계도 구문 분석
9.8 지도 분석
9.9 퍼즐 솔버 구축
9.10 정리

[10장 휴리스틱 검색 기술]

10.1 휴리스틱 검색은 인공지능인가
10.2 휴리스틱 검색이란 무엇인가
10.3 제약 충족 문제
10.4 로컬 검색 기술
10.5 탐욕 검색을 사용한 문자열 구성
10.6 제약 충족 문제 해결하기
10.7 영역 색상 문제 해결하기
10.8 8-퍼즐 솔버 구축하기
10.9 미로 찾기 구축하기
10.10 정리

[11장 유전 알고리즘과 유전 프로그래밍]

11.1 진화주의자 그룹
11.2 진화와 유전 알고리즘
11.3 유전 알고리즘의 기본 개념
11.4 사전 정의된 매개변수로 비트 패턴 생성하기
11.5 진화 시각화하기
11.6 심볼 회귀 문제 해결하기
11.7 지능형 로봇 컨트롤러 구축하기
11.8 유전 프로그래밍 사용 사례
11.9 정리

[12장 클라우드를 이용한 인공지능]

12.1 기업이 클라우드로 마이그레이션하는 이유
12.2 최상위 클라우드 제공 업체
12.3 아마존 웹 서비스
12.4 마이크로소프트 애저
12.5 구글 클라우드 플랫폼
12.6 정리

[13장 인공지능을 이용한 게임 개발]

13.1 게임에서 검색 알고리즘 사용하기
13.2 조합 검색
13.3 easyAI 라이브러리 설치
13.4 마지막 동전 남기기 게임을 하는 봇 만들기
13.5 틱택토 게임을 하는 봇 만들기
13.6 커넥트포 게임을 하는 두 봇 만들기
13.7 헥사폰 게임을 하는 두 봇 만들기
13.8 정리

[14장 음성 인식 구축]

14.1 음성 신호 작업
14.2 오디오 신호 시각화하기
14.3 오디오 신호를 주파수 영역으로 변환하기
14.4 오디오 신호 생성하기
14.5 음악을 생성하기 위한 톤 합성하기
14.6 음성 특성 추출하기
14.7 음성 인식하기
14.8 정리

[15장 자연어 처리]

15.1 패키지 소개 및 설치
15.2 텍스트 데이터 토큰화
15.3 형태소 분석을 사용해 단어를 기본 형식으로 변환하기
15.4 기본형화를 사용해 단어를 기본 형식으로 변환하기
15.5 텍스트 데이터를 청크로 나누기
15.6 단어 가방 모델을 사용해 용어의 빈도 추출하기
15.7 카테고리 예측기 구축
15.8 성별 식별자 구축
15.9 감정 분석기 구축
15.10 잠재 디리클레 할당을 사용한 주제 모델링
15.11 정리

[16장 챗봇]

16.1 챗봇의 미래
16.2 오늘날의 챗봇
16.3 챗봇 기본 개념
16.4 잘 설계된 챗봇
16.5 챗봇 플랫폼
16.6 다이얼로그플로우를 사용한 챗봇 개발
16.7 정리

[17장 시퀀스 데이터와 시계열 분석]

17.1 시퀀스 데이터 이해
17.2 판다스로 시계열 데이터 처리하기
17.3 시계열 데이터 슬라이싱하기
17.4 시계열 데이터에 작업 수행하기
17.5 시계열 데이터에서 통계 추출하기
17.6 은닉 마르코프 모델을 사용해 데이터 생성하기
17.7 조건부 랜덤 필드로 알파벳 시퀀스 식별하기
17.8 주식시장 분석하기
17.9 정리

[18장 이미지 인식]

18.1 이미지 인식의 중요성
18.2 OpenCV
18.3 프레임 차이
18.4 색 공간을 사용한 객체 추적
18.5 배경 삭제를 사용한 객체 추적
18.6 캠시프트 알고리즘을 사용한 대화형 객체 추적기 구축
18.7 광학 흐름 기반 추적
18.8 얼굴 감지 및 추적
18.9 눈 감지 및 추적
18.10 정리

[19장 신경망]

19.1 신경망 소개
19.2 퍼셉트론 기반 분류기 구축
19.3 단일 계층 신경망 구축
19.4 다층 신경망 구축
19.5 벡터 양자화기 구축
19.6 순환 신경망을 사용한 시퀀스 데이터 분석
19.7 광학 문자 인식 데이터베이스에서 문자 시각화하기
19.8 광학 문자 인식 엔진 구축
19.9 정리

[20장 합성곱 신경망을 이용한 딥러닝]

20.1 합성곱 신경망 기초
20.2 합성곱 신경망 아키텍처
20.3 합성곱 신경망 계층 유형
20.4 퍼셉트론 기반 선형 회귀 구축
20.5 단일 계층 신경망을 사용한 이미지 분류기 구축
20.6 합성곱 신경망을 사용한 이미지 분류 구축
20.7 정리

[21장 순환 신경망과 기타 딥러닝 모델]

21.1 순환 신경망 기초
21.2 순환 신경망 아키텍처
21.3 언어 모델링 사용 사례
21.4 순환 신경망 훈련
21.5 정리

[22장 강화 학습 - 지능형 에이전트 생성]

22.1 학습의 의미 이해
22.2 강화 학습 vs. 지도 학습
22.3 강화 학습 사례
22.4 강화 학습 구성 요소
22.5 환경 구축
22.6 학습 에이전트 구축
22.7 정리

[23장 인공지능과 빅데이터]

23.1 빅데이터 기초
23.2 빅데이터의 세 가지 V
23.3 빅데이터와 머신러닝
23.4 NoSQL 데이터베이스
23.5 정리