인간의 지능적인 정보처리를 모방하거나 더 나아가 이를 대신할 수 있는 기계가 여 러 모양으로 개발되어 활용되고 있는데, 이를 위한 기본적인 방법론을 제공하는 인공 지능의 한 분야가 머신러닝(기계학습)이다. 머신러닝에 관심을 두고 이를 자신의 분야 에 적용하기 위해서는 각 방법론에 대한 개별적인 이해는 물론이고, 개발 목적과 환 경에 따른 다양한 상황을 종합적으로 이해하고 판단하는 것이 필요하다. 이를 위해 무엇보다도 중요한 것은 머신러닝 기법에 대한 단단한 기초와 폭넓은 이해라고 할 수 있다. 이런 목적에 맞추어 이 교재는 머신러닝 분야의 특정 주제를 심도 있게 다루기 보다는 머신러닝 전반에 걸쳐 접하거나 알아야 하는 내용을 소개한다. 즉, 기초적이고 전통적인 방법론부터 최신 기술에 이르기까지 다양한 방법론의 개념과 원리 및 그에 따른 기본적인 알고리즘을 최대한 체계적으로 다루려고 하였다.

이 교재는 총 14장으로 구성된다.
- 1장: 머신러닝과 관련된 기초 개념과 용어를 소개한다.
- 2~3장: 머신러닝을 위해서는 다양한 수학적인 지식이 필요하다. 주로 사용되는 선형대수, 확률, 통계를 비롯하여 응용에 따라서는 미분기하학, 미분방정식 등 다 양한 내용이 필요하다. 하지만 여기서는 벡터와 행렬, 그리고 확률과 통계에 관련 된 기초 개념을 다시 살펴볼 수 있도록 소개한다.
- 4~7장: 머신러닝에서 다루는 네 가지 주제인 분류, 회귀, 군집화, 특징추출과 관 련된 주요 기법에 대해 살펴본다.
- 8~10장: 장별로 앙상블 학습, 결정 트리와 랜덤 포레스트, SVM에 대해 다룬다.
- 11~14장: 신경망과 이를 기반으로 발전된 형태의 머신러닝 기법인 딥러닝, 그리 고 강화학습에 대해 학습한다.

제1장 머신러닝 소개
1.1 머신러닝의 개념
1.2 머신러닝의 처리 과정
1.3 머신러닝의 기본 요소
1.4 머신러닝에서의 주제
1.5 학습 시스템 관련 개념

제2장 데이터 표현: 벡터와 행렬
2.1 벡 터
2.2 행 렬

제3장 데이터 분포: 확률과 통계
3.1 확률변수와 확률분포함수
3.2 랜덤벡터와 통계량

제4장 지도학습: 분류
4.1 분류의 개념
4.2 베이즈 분류기
4.3 K-최근접이웃 분류기

제5장 지도학습: 회귀
5.1 회귀의 개념
5.2 선형회귀
5.3 선형회귀의 확장
5.4 로지스틱 회귀

제6장 비지도학습: 군집화
6.1 군집화의 개념
6.2 K-평균 군집화
6.3 계층적 군집화

제7장 데이터 표현: 특징추출
7.1 선형변환에 의한 특징추출
7.2 주성분분석법
7.3 선형판별분석법
7.4 거리 기반 차원 축소 방법

제8장 앙상블 학습
8.1 앙상블 학습의 개념
8.2 배깅과 보팅
8.3 부스팅
8.4 결합 방법

제9장 결정 트리와 랜덤 포레스트
9.1 결정 트리
9.2 랜덤 포레스트

제10장 SVM과 커널법
10.1 선형 분류기
10.2 SVM 분류기
10.3 커널법

제11장 신경망
11.1 신경망 개요
11.2 다층 퍼셉트론
11.3 학습 알고리즘

제12장 딥러닝
12.1 딥러닝의 등장
12.2 학습 성능 향상을 위한 기법
12.3 합성곱 신경망(CNN)
12.4 순환 신경망(RNN)

제13장 딥러닝 응용
13.1 컴퓨터비전
13.2 자연어처리

제14장 강화학습
14.1 강화학습의 개요
14.2 Q-학습과 심층 Q-신경망