- 현재 위치
- home > 컴퓨터·ICT·어학 > 컴퓨터·IT 도서 > 컴퓨터공학 > 나의 첫 머신러닝/딥러닝(위키북스 데이터 사이언스 시리즈 60)[위키북스]
;)
머신러닝/딥러닝을 처음 시작하는 분들을 위한 책입니다!
《나의 첫 머신러닝/딥러닝》은 머신러닝/딥러닝을 시작하려는 모든 분들을 대상으로 합니다. 간단한 그림과 명쾌한 설명으로 이해하기 쉬운 알고리즘부터 차근차근 단계별로 배우면서 어려움 없이 머신러닝/딥러닝을 학습할 수 있도록 구성했습니다.
이번 개정판에서는 최신 트렌드로 자리 잡은 임베딩 및 전이학습의 이론과 실습을 추가했고, 최신 텐서플로 2로 작성된 코드를 구글 코랩을 활용해 온라인에서 직접 실습할 수 있게 구성했습니다.
《나의 첫 머신러닝/딥러닝》은 머신러닝/딥러닝을 시작하려는 모든 분들을 대상으로 합니다. 간단한 그림과 명쾌한 설명으로 이해하기 쉬운 알고리즘부터 차근차근 단계별로 배우면서 어려움 없이 머신러닝/딥러닝을 학습할 수 있도록 구성했습니다.
이번 개정판에서는 최신 트렌드로 자리 잡은 임베딩 및 전이학습의 이론과 실습을 추가했고, 최신 텐서플로 2로 작성된 코드를 구글 코랩을 활용해 온라인에서 직접 실습할 수 있게 구성했습니다.
저자: 허민석
▣ 01장: 개발자가 처음 만난 머신러닝의 세계
1.1 머신러닝이란?
1.2 프로젝트 과정
1.3 실습의 중요성
▣ 02장: 실습 준비
2.1 예제 코드
2.2 구글 코랩(Google Colaboratory)
▣ 03장: 자주 등장하는 머신러닝 필수 개념
3.1 지도학습과 비지도학습
____3.1.1 지도학습
____3.1.2 비지도학습
3.2 분류와 회귀
____3.2.1 분류
____3.2.2 회귀
3.3 과대적합과 과소적합
____3.3.1 과소적합
____3.3.2 과대적합
3.4 혼동 행렬
3.5 머신러닝 모델의 성능 평가
____3.5.1 TP(true positive) - 맞는 것을 올바르게 예측한 것
____3.5.2 TN(true negative) - 틀린 것을 올바르게 예측한 것
____3.5.3 FP(false positive) - 틀린 것을 맞다고 잘못 예측한 것
____3.5.4 FN(false negative) - 맞는 것을 틀렸다고 잘못 예측한 것
____3.5.5 정확도
____3.5.6 정밀도
____3.5.7 재현율
____3.5.8 F1 점수
3.6 k-폴드 교차 검증
▣ 04장: 머신러닝 알고리즘 실습
4.1 머신러닝 알고리즘 실습 개요
____4.1.1 알고리즘 선정 이유
4.2 k-최근접 이웃(k-Nearest Neighbor, kNN)
____4.2.1 [이론] k-최근접 이웃 알고리즘(kNN)
____4.2.2 [실습] 농구선수의 게임 데이터를 활용한 포지션 예측
4.3 서포트 벡터 머신(SVM)
____4.3.1 [이론] 서포트 벡터 머신
____4.3.2 [실습] 농구선수의 게임 기록을 학습해서 포지션을 예측해보자
4.4 의사결정 트리
____4.4.1 [이론] 의사결정 트리
____4.4.2 [실습] 서울 지역(강동, 강서, 강남, 강북) 다중 분류하기
4.5 나이브 베이즈
____4.5.1 [이론] 나이브 베이즈
____4.5.2 [실습] 가우시안 나이브 베이즈를 활용한 붓꽃 분류
____4.5.3 [실습] 베르누이 나이브 베이즈를 활용한 스팸 분류
____4.5.4 [실습] 다항분포 나이브 베이즈를 활용한 영화 리뷰 분류
4.6 앙상블
____4.6.1 [이론] 배깅
____4.6.2 [이론] 부스팅
____4.6.3 [실습] 랜덤 포레스트 손글씨 분류
____4.6.4 [실습] 보팅 앙상블 손글씨 분류
4.7 군집화
____4.7.1 [이론] k 평균 알고리즘
____4.7.2 [실습] 키와 몸무게에 따른 체형 군집화
4.8 선형회귀
____4.8.1 [이론] 선형회귀
____4.8.2 [실습] 선형회귀
4.9 로지스틱 회귀
____4.9.1 [이론] 로지스틱 회귀
____4.9.2 [실습] 단일 입력 로지스틱 회귀
____4.9.3 [실습] 다중 입력 로지스틱 회귀
____4.9.4 [실습] 소프트맥스(다중 분류 로지스틱 회귀)
4.10 주성분 분석
____4.10.1 [이론] 주성분 분석
____4.10.2 [실습] 식습관 데이터를 차원축소시켜서 시각화하기
▣ 05장: 딥러닝의 기본 개념
5.1 딥러닝의 탄생
5.2 딥러닝과 머신러닝의 관계
5.3 딥러닝 이름의 유래
5.4 딥러닝 탄생 배경
5.5 퍼셉트론
5.6 다층 퍼셉트론
5.7 뉴런(노드)
5.8 딥러닝의 학습
____5.8.1 순전파(forward propagation)
____5.8.2 손실함수
____5.8.3 최적화
____5.8.4 역전파
____5.8.5 옵티마이저
5.9 딥러닝의 과대적합
____5.9.1 드롭아웃
____5.9.2 조기 종료
5.10 [실습] 퍼셉트론
5.11 [실습] 뉴런(노드)
5.12 [실습] 다층 퍼셉트론으로 XOR 구현하기
5.13 [실습] 다층 퍼셉트론으로 손글씨 숫자 분류하기
▣ 06장: 딥러닝
6.1 컨볼루셔널 뉴럴 네트워크(CNN)
____6.1.1 [이론] CNN
____6.1.2 [실습] CNN
6.2 순환신경망(RNN)
____6.2.1 [이론] RNN
____6.2.2 [이론] LSTM
____6.2.3 [실습] RNN 기초
____6.2.4 [실습] LSTM 기초
____6.2.5 [실습] LSTM - 지문을 읽고 주제 분류하기
6.3 오토인코더
____6.3.1 [이론] 오토인코더
____6.3.2 [실습] 손글씨 숫자 데이터 시각화
6.4 단어 임베딩
____6.4.1 [이론] Word2Vec
____6.4.2 [실습] Word2Vec
____6.4.3 [실습] 사전 학습된 Word2Vec 맛보기
____6.4.4 [이론] FastText
____6.4.5 [실습] 사전학습된 FastText 맛보기
____6.4.6 [실습] 사전 학습된 Glove 맛보기
6.5 전이 학습
____6.5.1 [이론] 전이 학습
____6.5.2 [실습] 사전 학습된 임베딩으로 사용자 리뷰 분류하기
▣ 참고문헌
딥러닝 이론/실습
파이썬 활용 데이터 과학 및 엔지니어링
Numpy
IPython
Matplotlib
Seaborn
Cython
Pandas
scikit-learn
scikit-image
Jupyter Notebook
Keras
Tensorflow
1.1 머신러닝이란?
1.2 프로젝트 과정
1.3 실습의 중요성
▣ 02장: 실습 준비
2.1 예제 코드
2.2 구글 코랩(Google Colaboratory)
▣ 03장: 자주 등장하는 머신러닝 필수 개념
3.1 지도학습과 비지도학습
____3.1.1 지도학습
____3.1.2 비지도학습
3.2 분류와 회귀
____3.2.1 분류
____3.2.2 회귀
3.3 과대적합과 과소적합
____3.3.1 과소적합
____3.3.2 과대적합
3.4 혼동 행렬
3.5 머신러닝 모델의 성능 평가
____3.5.1 TP(true positive) - 맞는 것을 올바르게 예측한 것
____3.5.2 TN(true negative) - 틀린 것을 올바르게 예측한 것
____3.5.3 FP(false positive) - 틀린 것을 맞다고 잘못 예측한 것
____3.5.4 FN(false negative) - 맞는 것을 틀렸다고 잘못 예측한 것
____3.5.5 정확도
____3.5.6 정밀도
____3.5.7 재현율
____3.5.8 F1 점수
3.6 k-폴드 교차 검증
▣ 04장: 머신러닝 알고리즘 실습
4.1 머신러닝 알고리즘 실습 개요
____4.1.1 알고리즘 선정 이유
4.2 k-최근접 이웃(k-Nearest Neighbor, kNN)
____4.2.1 [이론] k-최근접 이웃 알고리즘(kNN)
____4.2.2 [실습] 농구선수의 게임 데이터를 활용한 포지션 예측
4.3 서포트 벡터 머신(SVM)
____4.3.1 [이론] 서포트 벡터 머신
____4.3.2 [실습] 농구선수의 게임 기록을 학습해서 포지션을 예측해보자
4.4 의사결정 트리
____4.4.1 [이론] 의사결정 트리
____4.4.2 [실습] 서울 지역(강동, 강서, 강남, 강북) 다중 분류하기
4.5 나이브 베이즈
____4.5.1 [이론] 나이브 베이즈
____4.5.2 [실습] 가우시안 나이브 베이즈를 활용한 붓꽃 분류
____4.5.3 [실습] 베르누이 나이브 베이즈를 활용한 스팸 분류
____4.5.4 [실습] 다항분포 나이브 베이즈를 활용한 영화 리뷰 분류
4.6 앙상블
____4.6.1 [이론] 배깅
____4.6.2 [이론] 부스팅
____4.6.3 [실습] 랜덤 포레스트 손글씨 분류
____4.6.4 [실습] 보팅 앙상블 손글씨 분류
4.7 군집화
____4.7.1 [이론] k 평균 알고리즘
____4.7.2 [실습] 키와 몸무게에 따른 체형 군집화
4.8 선형회귀
____4.8.1 [이론] 선형회귀
____4.8.2 [실습] 선형회귀
4.9 로지스틱 회귀
____4.9.1 [이론] 로지스틱 회귀
____4.9.2 [실습] 단일 입력 로지스틱 회귀
____4.9.3 [실습] 다중 입력 로지스틱 회귀
____4.9.4 [실습] 소프트맥스(다중 분류 로지스틱 회귀)
4.10 주성분 분석
____4.10.1 [이론] 주성분 분석
____4.10.2 [실습] 식습관 데이터를 차원축소시켜서 시각화하기
▣ 05장: 딥러닝의 기본 개념
5.1 딥러닝의 탄생
5.2 딥러닝과 머신러닝의 관계
5.3 딥러닝 이름의 유래
5.4 딥러닝 탄생 배경
5.5 퍼셉트론
5.6 다층 퍼셉트론
5.7 뉴런(노드)
5.8 딥러닝의 학습
____5.8.1 순전파(forward propagation)
____5.8.2 손실함수
____5.8.3 최적화
____5.8.4 역전파
____5.8.5 옵티마이저
5.9 딥러닝의 과대적합
____5.9.1 드롭아웃
____5.9.2 조기 종료
5.10 [실습] 퍼셉트론
5.11 [실습] 뉴런(노드)
5.12 [실습] 다층 퍼셉트론으로 XOR 구현하기
5.13 [실습] 다층 퍼셉트론으로 손글씨 숫자 분류하기
▣ 06장: 딥러닝
6.1 컨볼루셔널 뉴럴 네트워크(CNN)
____6.1.1 [이론] CNN
____6.1.2 [실습] CNN
6.2 순환신경망(RNN)
____6.2.1 [이론] RNN
____6.2.2 [이론] LSTM
____6.2.3 [실습] RNN 기초
____6.2.4 [실습] LSTM 기초
____6.2.5 [실습] LSTM - 지문을 읽고 주제 분류하기
6.3 오토인코더
____6.3.1 [이론] 오토인코더
____6.3.2 [실습] 손글씨 숫자 데이터 시각화
6.4 단어 임베딩
____6.4.1 [이론] Word2Vec
____6.4.2 [실습] Word2Vec
____6.4.3 [실습] 사전 학습된 Word2Vec 맛보기
____6.4.4 [이론] FastText
____6.4.5 [실습] 사전학습된 FastText 맛보기
____6.4.6 [실습] 사전 학습된 Glove 맛보기
6.5 전이 학습
____6.5.1 [이론] 전이 학습
____6.5.2 [실습] 사전 학습된 임베딩으로 사용자 리뷰 분류하기
▣ 참고문헌
딥러닝 이론/실습
파이썬 활용 데이터 과학 및 엔지니어링
Numpy
IPython
Matplotlib
Seaborn
Cython
Pandas
scikit-learn
scikit-image
Jupyter Notebook
Keras
Tensorflow
