본서는 복잡한 머신러닝 알고리즘을 그림과 함께 하나하나 살펴보는 입문서이다. 전문가가 아닌 사람도 머신러닝을 이해할 수 있도록 지도 학습과 비지도 학습에 해당하는 17가지 알고리즘을 설명한다. 또한, 사이킷런 기반의 파이썬 예제 코드를 구글 콜랩 등에서 바로 실행하며 읽을 수 있도록 구성하였다.
2012년에 와세다대학교 기간이공학부를 졸업하고, 2015년에 와세다대학교 이공학술원 기간이공학연구과 기계과학전공 석사 과정을 수료했습니다. 지금은 리크루트 통신의 기술 리드로 근무하고 있습니다.
CHAPTER 1 머신러닝 기초 11.1 머신러닝 소개 3 머신러닝 3 머신러닝의 유형 4 머신러닝의 활용 101.2 머신러닝 준비하기 11 데이터의 중요성 11 지도 학습(분류)의 예 14 구현 방법 17 비지도 학습의 예 19 시각화 23 그래프의 종류와 표현 방법: matplotlib을 이용한 그래프 출력 29 판다스를 이용해 데이터를 이해하고 다루기 38 마치며 45CHAPTER 2 지도 학습 4701 선형회귀 49 기본 개념 49 알고리즘 50 더 나아가기 5302 정규화 58 기본 개념 58 알고리즘 61 더 나아가기 6403 로지스틱 회귀 67 기본 개념 67 알고리즘 69 더 나아가기 7104 서포트 벡터 머신 74 기본 개념 74 알고리즘 75 더 나아가기 7705 커널 기법을 적용한 서포트 벡터 머신 80 기본 개념 81 알고리즘 81 더 나아가기 8306 나이브 베이즈 분류 86 기본 개념 86 알고리즘 89 더 나아가기 9307 랜덤 포레스트 94 기본 개념 94 알고리즘 95 더 나아가기 9908 신경망 101 기본 개념 101 알고리즘 104 더 나아가기 10809 k-최근접 이웃 알고리즘(kNN) 110 기본 개념 110 알고리즘 112 더 나아가기 113CHAPTER 3 비지도 학습 11710 주성분 분석 119 기본 개념 119 알고리즘 121 더 나아가기 12411 잠재 의미 분석 125 기본 개념 125 알고리즘 127 더 나아가기 13112 음수 미포함 행렬 분해 132 기본 개념 132 알고리즘 134 더 나아가기 13613 잠재 디리클레 할당 139 기본 개념 139 알고리즘 141 더 나아가기 14314 k-평균 알고리즘 146 기본 개념 146 알고리즘 147 더 나아가기 14915 가우시안 혼합 모델 151 기본 개념 151 알고리즘 152 더 나아가기 15616 국소 선형 임베딩 157 기본 개념 157 알고리즘 158 더 나아가기 16117 t-분포 확률적 임베딩 163 기본 개념 163 알고리즘 164 더 나아가기 168CHAPTER 4 평가 방법과 여러 가지 데이터 처리 1714.1 평가 방법 173 지도 학습의 평가 173 분류 문제의 평가 방법 174 회귀 문제의 평가 방법 183 평균제곱오차와 결정계수의 차이 188 다른 알고리즘을 이용할 때와 비교 188 하이퍼 파라미터 설정 190 모델의 과적합 191 과적합을 막는 방법 192 학습 데이터와 검정 데이터 나누기 193 교차 검증 196 하이퍼 파라미터 탐색하기 1984.2 문서 데이터의 전처리 202 단어 빈도 수를 이용한 변환 202 TF-IDF를 이용한 변환 203 머신러닝 모델에 적용 2044.3 이미지 데이터 변환하기 207 픽셀 밝기 값 활용하기 207 변환한 벡터 데이터로 머신러닝 모델 만들기 209CHAPTER 5 파이썬 개발 환경 2115.1 파이썬 3 설치 213 윈도우 10 213 macOS 214 리눅스 215 아나콘다를 윈도우 10에 설치 2165.2 가상 환경 218 표준 개발 환경에서 가상 환경 설정하기 218 아나콘다 2205.3 외부 라이브러리 설치 221 외부 라이브러리 221 외부 라이브러리 설치 221참고문헌 223APPENDIX 부록 225 읽으면 도움 되는 수학 개념 몇 가지 226 이 책의 주요 용어 230찾아보기 237
