파이썬을 이용한 통계적 머신러닝

1장 머신러닝
1.1 머신러닝의 분류
1.2 머신러닝의 분석 절차
1.3 머신러닝 모형
1.4 Data scientist가 되기 위해 필요한 지식

2장 사전과정과 최적화
2.1 실수자료로의 전환
2.2 자료의 특성
2.3 사례분석
2.4 불균형자료의 처리
2.5 손실함수와 최적화

3장 K-Nearlest Neighbors
3.1 KNN의 적용
3.2 커널분포함수 추정

4장 로지스틱 회귀 분류
4.1 적응선형뉴런
4.2 로지스틱 회귀
4.3 과대적합에 대한 규제화
4.4 Scikit을 이용한 로지스틱 회귀

5장 판별분석과 단순베이즈모형
5.1 판별분석
5.2 단순베이즈모형
5.3 Scikit learn을 이용한 LDA와 단순베이즈모형

6장 분류와 회귀나무
5.1 회귀나무
5.2 분류나무
5.3 Scikit learn을 이용한 의사결정나무

7장 써포트벡터머신
7.1 선형 써포트벡터머신
7.2 커널 SVM
7.3 Sklearn을 이용한 SVM

8장 차원축소
8.1 특잇값 분해
8.2 확률화 PCA
8.3 커널 PCA
8.4 선형판별분석을 통한 차원축소
8.5 시각화를 위한 차원축소
8.6 SKlearn을 이용한 차원축소

9장 모형진단과 교차검증
9.1 k-분할 교차검증
9.2 중첩 교차검증
9.3 Scikit learn의 적용

10장 회귀분석
10.1 선형회귀모형
10.2 로버스트 회귀
10.3 SVM 회귀와 커널 SVM 회귀
10.4 규제화된 선형회귀모형
10.5 Scikit learn을 이용한 회귀분석

11장 앙상블학습
11.1 Bagging, Pasting, 그리고 Random forest
11.2 앙상블학습을 위한 통계적 머신러닝의 특성
11.3 아다부스트
11.4 기울기부스팅
11.5 XGBoost
11.6 LightGBM
11.7 적용 사례

12장 군집
12.1 K-means 군집
12.2 계층적 군집
12.3 DBSCAN과 HDBSCAN
12.4 Scikit learn을 이용한 군집

13장 감성분석
13.1 감성분석
13.2 파이썬을 이용한 사례 분석

부록 파이썬의 이해
1. 파이썬 구문
2. 변수와 자료형태
3. 파이썬의 연산
4. 조건문과 반복문
5. 객체지향성 프로그램
6. 파이썬 자료의 저장, 읽기 그리고 추가
7. 넘파이
8. 판다스
9. 그림그리기