다양한 그래프, 간단한 수학, R로 배우는 머신러닝

Part 1 시작하면서
CHAPTER 1.1 머신러닝이란
CHAPTER 1.2 R을 이용한 실습

Part 2 회귀
CHAPTER 2.1 선형 회귀 모델
CHAPTER 2.2 선형 회귀 모델의 계수 추정
2.2.1 최소제곱법
2.2.2 최대우도법
CHAPTER 2.3 잔차에 의한 모델 검토
컬럼 극값과 편미분
CHAPTER 2.4 모델의 설명력 - 결정계수와 상관계수
컬럼 비선형 회귀 모델의 피팅
CHAPTER 2.5 회귀 모델의 한계 - 분류의 응용

Part 3 경계에 의한 분류
CHAPTER 3.1 선형 판별 분석
3.1.1 평면을 분할한다
3.1.2 판별 분석을 실현하는 방식
3.1.3 R을 이용한 선형판별 분석
CHAPTER 3.2 서포트 벡터 머신
3.2.1 완전하게 분류할 수 있는 문제에 대해서
3.2.2 선형 분리가 불가능한 문제에 대해서
3.2.3 커널 함수의 이용
3.2.4 R을 이용한 서포트 벡터 머신

Part 4 확률에 의한 분류
CHAPTER 4.1 로지스틱 회귀 모델
CHAPTER 4.2 로지스틱 회귀 모델의 피팅
CHAPTER 4.3 로지스틱 회귀 모델의 파라미터 추정

Part 5 신경망에 의한 분류
CHAPTER 5.1 피드 포워드 신경망
CHAPTER 5.2 3층 구조의 피드 포워드 신경망
CHAPTER 5.3 가중치 추정 방법 - 오차 역전파법
CHAPTER 5.4 R을 이용한 신경망의 추정
CHAPTER 5.5 딥러닝으로 가는 출발점
컬럼 신경 세포(뉴런)와 신경망

Part 6 설명변량의 추가와 예측 정확도의 평가
CHAPTER 6.1 설명변수를 늘리다
6.1.1 분류 문제의 재설정
6.1.2 각 분류법의 적용
CHAPTER 6.2 예측 정확도의 평가
6.2.1 인 샘플과 아웃 샘플
6.2.2 데이터의 의미를 생각한 예측 평가 방법
CHAPTER 6.3 정리