파이썬으로 배우는 대규모 머신 러닝

1장. 확장성을 향한 첫걸음

__확장성에 대한 자세한 설명
____대규모 객체 생성하기
____파이썬 소개
____파이썬을 통한 스케일 업
____파이썬을 통한 스케일 아웃
__대규모 머신 러닝을 위한 파이썬
____파이썬 2와 파이썬 3 중 어느 것을 선택할 것인가?
____파이썬 설치
____단계적 설치
____패키지 설치
____패키지 업그레이드
____과학용 배포판
____주피터 / IPython 소개
__파이썬 패키지
____NumPy
____SciPy
____Pandas
____Scikit-learn
__요약


2장. Scikit-learn으로 확장 가능한 학습
__코어에 구애 받지 않는 학습(Out-of-core learning)
____실행 가능한 방법으로서 재표본추출
____한 번에 하나의 객체만으로 최적화를 하는 방법
____코어에 구애 받지 않는(out-of-core) 학습 시스템 구축
__소스로부터 데이터를 스트리밍하기
____현실을 반영하는 데이터 세트
____첫 번째 예제 - 자전거 대여 데이터 세트 스트리밍하기
__확률적 학습(Stochastic learning)
____배치 경사 하강법(Batch gradient descent)
____확률적 경사 하강법
____Scikit-learn의 SGD 구현체
____SGD 학습 파라미터 정의하기
__데이터 스트림을 통한 특징 관리
____목표 설명
____해싱 기법
____그 외 기본적인 변환들
____스트림에서 테스트와 검증
____SGD의 실제 동작
__요약


3장. 빠른 SVM 구현체

__실험용 데이터 세트
____자전거 대여 데이터 세트
____산림 유형 데이터 세트
__서포트 벡터 머신
____경첩 손실 및 변형
____Scikit-learn SVM 구현체에 대한 이해
____재표본추출에 의한 비선형 SVM
____SGD로 SVM 확장하기
__정규화를 통한 특징 선택
__SGD에 비선형성 포함시키기
____명시적 고차원 매핑 시도하기
__하이퍼파라미터튜닝
____빠른 SVM 학습을 위한 방법들
__요약


4장. 신경망과 딥러닝

__신경망 아키텍처
____신경망이 학습하는 내용과 방법
____적합한 아키텍처 선택하기
__실제로 동작하는 신경망
____sknn 병렬 처리
__신경망과 정규화
__신경망과 하이퍼파리미터 최적화
__신경망과 결정 경계
__H2O를 통한 딥러닝의 확장
____H2O를 활용한 대규모 딥러닝
____H2O에서의 그리드 검색
__딥러닝과 비지도 사전 학습
__theanets를 활용한 딥러닝
__오토인코더와 비지도 학습
____오토인코더
__요약


5장. 텐서플로를 활용한 딥러닝

__텐서플로 설치
__SkFlow를 활용한 텐서플로에서의 머신 러닝
____대형 파일을 활용하는 딥러닝-점진적 학습
__Keras와 텐서플로 설치
____Keras를 통한 텐서플로에서의 합성곱 신경망
__합성곱층
____풀링층
____완전 연결층
__점진적 방식을 사용하는 CNNs
__GPU 컴퓨팅
__요약


6장. 분류와 회귀 트리 확장

__부트스트랩 모음
__랜덤 포레스트 및 극단적인 랜덤 포레스트
__무작위 검색을 통한 빠른 파라미터 최적화
____극단적인 랜덤 트리와 대형 데이터 세트
__CART와 부스팅
____경사 부스팅 머신
__XGBoost
____XGBoost 회귀
____대형 데이터 세트를 스트리밍하는 XGBoost
____XGBoost model persistence
__H2O를 통한 코어에 구애 받지 않는 방식의 CART
____H2O에서의 랜덤 포레스트와 그리드 검색
____H2O에서의 확률적 경사 부스팅과 그리드 검색
__요약


7장. 대규모 데이터에 대한 비지도 학습

__비지도 방식
__특징 분해(Feature decomposition) - PCA
____무작위 PCA
____증분 PCA
____희소 PCA
__H2O를 활용한 PCA
__클러스터링? K-평균
____초기화 방식
____K-평균의 가정
____최적의 K 선택하기
____K-평균의 확장-미니 배치
__H2O를 활용한 K-평균
__LDA
____LDA 확장 ? 메모리, CPUs, 머신
__요약


8장. 분산환경-하둡(Haddop)과 스파크(Spark)

__독립형 머신에서 다수의 노드들로
____분산 프레임워크가 필요한 이유
__VM 환경 설정
____버추얼박스
____베이그런트
____VM 사용하기
__하둡 생태계
____아키텍처
____HDFS
____맵리듀스
____얀
__스파크
____pySpark
__요약


9장. 스파크를 활용한 실무에서의 머신 러닝

__9장을 위한 VM 환경 설정
__클러스터 노드들에서 변수 공유하기
____읽기 전용 브로드캐스트 변수
____읽기 전용 누산기 변수
____브로드캐스트와 누산기를 함께 사용하기-예제
__스파크에서의 데이터 전처리
____JSON 파일과 스파크 데이터 프레임
____유실 데이터 처리하기
____메모리에서 테이블을 그룹짓고 생성하기
____전처리된 데이터 프레임 혹은 RDD를 디스크에 쓰기
____스파크 데이터 프레임으로 작업하기
__스파크를 활용한 머신 러닝
____KDD99 데이터 세트를 다루는 스파크
____데이터 세트 읽기
____특징 엔지니어링
____학습기 훈련시키기
____학습기 성능 평가하기
____강력한 ML 파이프라인
____수작업 튜닝
____교차 검증
__요약


부록. GPU 및 Theano 소개
__GPU 컴퓨팅
__Theano - GPU에서의 병렬 컴퓨팅
__Theano 설치하기