파이썬으로 구현하는 고급 머신 러닝

1장. 비지도 머신 러닝
__주성분 분석(PCA)
____PCA: 기초
____PCA 활용
__K-평균 클러스터링
____클러스터링: 기초
____클러스터링 분석
____클러스터링 환경 변수 튜닝
__SOM(Self-organizing maps)
____SOM 알고리즘의 기초
____SOM 알고리즘 활용
__참고 문헌
__요약


2장. 심층 신뢰망(DBN)
__신경망: 기본 개념
____신경망의 구성
____네트워크 토폴로지
__제한된 볼츠만 머신(RBM)
____RBM의 소개
______토폴로지
______학습
____RBM 애플리케이션
____RBM 애플리케이션 추가 사항
__심층 신뢰망(DBN)
____DBN 학습
____DBN 애플리케이션
____DBN 검증
__참고 문헌
__요약


3장. SdA
__오토인코더
____오토인코더 소개
______토폴로지
______학습
____dA
____dA 응용
__SdA
____SdA 응용
____SdA 성능 평가
__참고 문헌
__요약


4장. 컨볼루션 신경망(CNN)
__CNN의 소개
____컨볼루션 신경망 토폴로지
______컨볼루션 레이어
______풀링 레이어
______convnet 학습
______종합 정리
____CNN의 응용
__참고 문헌
__요약


5장. 준지도 학습
__소개
__준지도 학습의 이해
__준지도 학습 알고리즘의 실제
____자가 학습
______자가 학습 구현
______자가 학습 구현에 대한 세부 조정
__CPLE
__참고 문헌
__요약


6장. 텍스트 피처 엔지니어링
__소개
__텍스트 피처 엔지니어링
____텍스트 데이터 정제
______BeautifulSoup을 이용한 텍스트 정제
______구두점과 토큰화 관리
______단어의 태깅 및 카테고리화
____텍스트 데이터에서 피처 생성
____어근 추출
____배깅과 랜덤 포레스트
____준비된 데이터의 테스팅
__참고 문헌
__요약


7장. 피처 엔지니어링 II
__소개
__피처 세트 생성
____머신 러닝 애플리케이션을 위한 피처 엔지니어링
______피처의 학습 정도 향상을 위한 리스케일링 기술의 이용
______도출된 변수의 효과적인 생성
______숫자가 아닌 피처의 재해석
____피처 셀렉션 기술의 이용
______피처 셀렉션 수행
__실제 문제에서 피처 엔지니어링
____RESTful API를 통한 데이터 확보
______모델의 성능 테스트
______트위터
______피처 엔지니어링 기술을 이용한 변수 도출 및 선택
__참고 문헌
__요약


8장. 앙상블 기법
__앙상블의 소개
____평준화 기법
______배깅 알고리즘을 이용
______랜덤 포레스트를 사용
____부스팅 기법 응용
______XGBoost를 이용
______스태킹 앙상블 사용
____실제 문제에 앙상블 응용
__다이내믹 애플리케이션에서 모델 사용
____모델 로버스트니스 이해
______위험 요소 모델링 파악
____모델 로버스트니스 관리 전략
__참고 문헌
__요약


9장. 파이썬 머신 러닝 관련 추가 툴
__대안 개발 툴
____라자냐 소개
______라자냐 학습
____텐서플로 소개
______텐서플로 학습
______모델을 반복적으로 향상시키기 위한 텐서플로 사용
____라이브러리 사용 시 알아둘 점
__참고 문헌
__요약