엑셀로 배우는 머신러닝 초(超)입문

이 책의 사용법
머리말
역자 서문

1장 머신러닝의 기본
§1 머신러닝과 AI、그리고 딥러닝

▶ AI란
▶ AI、머신러닝、딥러닝
▶ 머신러닝의 역할

§2 지도학습과 비지도학습

▶ AI를 위한 데이터
▶ 지도학습과 비지도학습, 강화학습

2장 머신러닝을 위한 기본적인 알고리즘
§1 모델의 최적화와 최소제곱법
▶ 최적화란
▶ 최소제곱법
▶ 엑셀을 이용한 최소제곱법
▶ 데이터의 크기와 파라미터의 수
▶ 엑셀 실습

§2 최적화 계산의 기본이 되는 경사하강법
▶ 경사하강법의 아이디어
▶ 근사 공식과 내적의 관계
▶ 경사하강법의 기본식
▶ 경사하강법과 사용 방법
▶ 3 변수 이상인 경우 경사하강법을 확장
▶ h의 의미와 경사하강법의 주의할 점
▶ 엑셀을 이용한 경사하강법

§3 라그랑지의 완화법과 쌍대 문제

▶ 라그랑지의 완화법
▶ 라그랑지 쌍대 문제
▶ 구체적인 계산
▶ 엑셀로 확인

§4 몬테카를로법의 기본

▶ 몬테카를로법으로 r를 산출
▶ 엑셀을 이용한 몬테카를로법

§5 유전 알고리즘 .
▶ 유전 알고리즘으로 최솟값 문제를 해결
▶ x의 후보를 골라 2진수 표시
▶ 환경에 적합한 것을 ‘선택’
▶ 우수한 개체를 만들기 위한 ‘교차’
▶ 돌연변이
▶ 이상의 3연산을 여러 번 반복
▶ 엑셀을 이용한 유전 알고리즘

§6 베이즈 정리
▶ 조건부 확률
▶ 곱셈 정리
▶ 베이즈 정리
▶ 베이즈 정리의 해석
▶ 원인의 확률
▶ 베이즈 정리의 일반화
▶ 우도, 사전확률, 사후확률
▶ 유명한 예제로 베이즈 정리를 확인
▶ 베이즈 정리는 학습을 표현
▶ 엑셀을 이용한 베이즈 정리

3장 회귀분석
§1 중회귀분석
▶ 중회귀분석
▶ 중회귀분석의 회귀방정식 이미지
▶ 회귀방정식을 구하는 방법
▶ 회귀방정식을 이용한 분석

§2 중회귀분석을 엑셀로 체험
▶ 엑셀을 이용한 회귀분석

4장 서포트 벡터 머신(SVM）
§1 서포트 벡터 머신(SVM)의 알고리즘
▶ 구체적인 예 .
▶ 마진의 최대화를 식으로 표현
▶ 쌍대 문제로 변환
▶ 계산하기 쉽도록 변형
▶ 서포트 벡터와 상수항 c 구하기

§2 서포트 벡터 머신(SVM)을 엑셀로 체험
▶ 엑셀을 이용한 SVM

5장 신경망과 딥러닝
§1 신경망 기본 단위인 뉴런
▶ 신경망과 신경망의 기본 단위인 뉴런
▶ 가중치와 임곗값, 활성화 함수 값의 의미
▶ ‘입력의 선형합’의 내적 표현
▶ 엑셀로 유닛의 동작을 재현

§2 유닛을 층별로 나열한 신경망

▶ 구체적인 예
▶ 유닛 이름과 파라미터 이름에 관한 규칙
▶ 신경망을 식으로 표현
▶ 신경망 출력의 의미
▶ 가중치와 임곗값의 결정 방법과 목적 함수
▶ 오차역전파법의 필요성
▶ 제곱오차의 식표현

§3 오차역전파법(백프로퍼게이션법）
▶ 복잡한 목적 함수
▶ 목적 함수 E의 기울기는 제곱오차 기울기의 합
▶ 유닛의 오차 δ를 도입
▶ 기울기를 유닛의 오차 d로부터 산출
▶ 출력층의 ‘유닛 오차’ jO d 를 산출
▶ 오차역전파법으로 구하는 중간층의 ‘유닛 오차 jH d

§4 오차역전파법을 엑셀로 체험
▶ 엑셀을 이용한 오차역전파법
▶ 새로운 숫자로 테스트

6장 RNN과 BPTT
§1 순환 신경망(RNN）의 구조
▶ 구체적인 예
▶ 데이터의 형식과 정답 레이블
▶ 신경망에 기억을 가지게 한 RNN
▶ 수식을 만들기 위한 준비
▶ 유닛의 입출력을 수식으로 표현
▶ 구체적인 식으로 표현
▶ 최적화를 위한 목적 함수

§2 시간 역전파(Backpropagation through time, BPTT）
▶ 유닛의 오차와 기울기
▶ 기을기의 계산식을 유도
▶ kO d , ( ) j2 H d , ( ) i 1 H d 의 관계를 점화식으로 표현

§3 BPTT를 엑셀로 체험 .
▶ 엑셀을 이용한 BPTT

7장 Q학습
§1 강화학습과 Q학습
▶ 강화학습의 대표적인 기법인 Q학습
▶ Q학습을 개미로부터 이해
▶ 머신러닝과 강화학습

§2 Q학습의 알고리즘
▶ Q학습을 구체적인 예로 이해
▶ 개미로부터 배우는 Q학습의 용어
▶ Q값
▶ Q값이 기록된 구체적인 장소
▶ Q값의 표와 개미의 대응
▶ 즉시보상
▶ Q학습의 수식에서 이용되는 기호의 의미
▶ Q값의 갱신
▶ 학습률
▶ Q학습의 기호로 다시 표현
▶ ε-greedy법으로 모험을 하는 개미
▶ 학습의 종료 조건

§3 Q학습을 엑셀로 체험
▶ 워크시트 작성 상의 유의점
▶ 엑셀을 이용한 Q학습

8장 DQN
§1 DQN의 사고방식
▶ DQN의 구조

§2 DQN의 알고리즘
▶ 개미로부터 배우는 DQN
▶ DQN의 입출력
▶ DQN의 목적 함수

§3 DQN을 엑셀로 체험
▶ 예제의 확인
▶ 신경망과 활성화 함수의 가정
▶ 최적화 도구로 해 찾기를 이용
▶ 엑셀을 이용한 DQN

9장 나이브 베이즈 분류
§1 나이브 베이즈 분류 알고리즘
▶ 베이즈 필터의 구조
▶ 나이브 베이즈 분류
▶ 구체적인 예 .
▶ 문제를 베이즈 식으로 정리
▶ 공식 준비
▶ 사전 확률의 설정
▶ 베이즈 갱신을 충분히 활용

§2 베이즈 분류를 엑셀로 체험
▶ 엑셀을 이용한 나이브 베이즈 분류

부록
§A 신경망의 훈련 데이터

§B 해 찾기의 설치 방법

§C 머신러닝을 위한 벡터의 기초 지식
▶ 벡터의 성분 표시
▶ 벡터의 내적
▶ 코시 슈바르츠 부등식

§D 머신러닝을 위한 행렬의 기초 지식
▶ 행렬이란
▶ 행렬의 합과 차, 상수배
▶ 행렬의 곱
▶ 아다마르 곱
▶ 전치행렬
▶ 식을 간결하게 만드는 행렬

§E 머신러닝을 위한 미분의 기초 지식
▶ 미분의 정의와 의미
▶ 머신러닝에서 자주 나타나는 함수의 미분 공식
▶ 미분의 성질
▶ 1변수 함수 최솟값의 필요조건
▶ 다변수 함수와 편미분
▶ 다변수 함수의 최솟값의 필요조건
▶ 연쇄법칙

§F 다변수 함수의 근사 공식
▶ 1변수 함수의 근사 공식
▶ 2변수 함수의 근사 공식
▶ 다변수 함수의 근사 공식

§G NN에서 유닛의 오차와 기울기의 관계

§H NN에서 유닛 오차의 ‘역’점화식

§I RNN에서 유닛 오차와 기울기의 관계

§J BP, BPTT에서 도움이 되는 점화식의 복습
▶ 수열의 의미와 기호
▶ 수열과 점화식

§K RNN에서 유닛 오차의 ‘역’ 점화식
▶ 식［K3］의 증명
▶ 식［K5］의 증명
▶ 식［K4］의 증명 .

§L 중회귀방정식을 구하는 방법
▶ 엑셀을 이용한 DQN

찾아보기(Index)