파이썬으로 실무에 바로 적용하는 머신 러닝

1장. 머신 러닝 개요
__1.1 머신 러닝의 정의
__1.2 머신 러닝의 응용 분야
__1.2.1 가상 개인 비서
__1.2.2 구글 맵
__1.2.3 상품 추천
__1.3 머신 러닝의 기술적 단계
__1.4 머신 러닝 알고리즘
__1.5 머신 러닝 알고리즘의 범위
__1.6 머신 러닝 알고리즘의 구현


2장. 파이썬 설치
__2.1 개요
__2.2 아나콘다를 이용한 파이썬 설치
__2.2.1 아나콘다 내려받기
__2.2.2 아나콘다 설치
__2.3 파이참 내려받기 및 설치
__2.4 텐서플로 설치
__2.5 케라스 설치
__2.6 추가 패키지 설치 및 환경 변수 설정


3장. 파이참 개요
__3.1 개요
__3.2 프로젝트 생성
__3.3 전체 화면 구성
__3.4 개발 환경 맞춤
__3.5 코드 작성 도우미 기능
__3.6 파이썬 파일 생성
__3.7 탐색
__3.8 디버깅
__3.9 버전 관리
__3.10 재구성
__3.11 단축키 찾기


4장. 파이썬 언어에 대한 이해
__4.1 개요
__4.2 데이터형
__4.3 식별자의 표기
__4.4 값의 할당
__4.5 형변환
__4.6 열 컨테이너 인덱싱
__4.7 논리 연산자
__4.8 문 구성
__4.9 모듈 가져오기
__4.10 조건문
__4.11 수학 함수
__4.12 조건 반복문
__4.13 컨테이너형 일반 연산
__4.14 리스트 연산
__4.15 딕셔너리 연산
__4.16 집합 연산
__4.17 함수 정의
__4.18 문자열 연산
__4.19 포맷 구성하기


5장. 패키지 이해
__5.1 개요
__5.2 배열 생성
__5.3 배열 연산
__5.4 배열 요소 값 정하기
__5.5 다차원 배열
__5.6 배열 조각내기
__5.7 팬시 인덱싱
__5.8 배열 생성자
__5.9 배열의 추가(행 또는 열)
__5.10 배열의 축과 계산
__5.11 배열의 방송


6장. 판다스 패키지 이해
__6.1 개요
__6.2 데이터 구조
__6.3 부분 데이터 구성
__6.4 데이터 요약
__6.5 신규 열 생성
__6.6 결측값 처리
__6.7 데이터 결합
__6.8 그룹화
__6.9 모양 변경


7장. Matplotlib 패키지 이해
__7.1 개요
__7.2 데이터 준비
__7.3 그래프 준비
__7.4 그래프 생성
__7.5 그래프 수정
__7.6 그래프 저장
__7.7 그래프 보여주기 및 초기화


8장. scikit-learn 패키지 이해
__8.1 개요
__8.2 데이터 불러오기
__8.3 데이터 분할
__8.4 모델 적합 및 평가
__8.5 모수 추정값
__8.6 비지도 학습의 예


9장. 케라스 패키지 이해
__9.1 개요
__9.2 다층 신경망 구현
__9.3 심층 신경망 구현


10장. 표기법


11장. 모델 평가와 선택
__11.1 개요
__11.2 훈련 데이터
__11.3 모델 적합도의 측정
__11.4 편향-분산 균형


12장. 선형 회귀에 의한 머신러닝 구조에 대한 이해
__12.1 개요
__12.2 가설함수와 비용함수
__12.3 알고리즘
__12.4 비용함수의 원천


13장. 분류 문제와 로지스틱회귀분석
__13.1 개요
__13.2 선형회귀 대 로지스틱회귀
__13.3 비용함수
__13.4 로그-오즈
__13.5 연결 함수
__13.6 분류 문제에서의 모델 평가
__13.7 소프트맥스 회귀
__13.8 예제


14장. 모델 선택 및 정규화
__14.1 개요
__14.2 교차 검증
__14.3 변수 선택
__14.4 정규화 과정과 변수 선택
__14.5 예제


15장. 분류와 회귀 나무
__15.1 개요
__15.2 회귀 나무
__15.3 최적 회귀 나무의 선택
__15.4 분류 나무
__15.5 나무의 몇 가지 이슈
__15.6 예제


16장. 랜덤 포레스트
__16.1 개요
__16.2 배깅
__16.3 OOB 오차
__16.4 변수 중요도
__16.5 랜덤 포레스트 알고리즘
__16.6 랜덤 포레스트에서의 변수 중요도
__16.7 예제


17장. 그래디언트 부스팅
__17.1 개요
__17.2 부스팅
__17.3 ADABOOST.M1
__17.4 부스팅과 가법 모델
__17.5 전진 순차방식 가법 모델링
__17.6 지수 손실함수와 적응 부스팅
__17.7 부스팅의 확장
__17.8 부스팅의 초 모수 조정
__17.9 부스팅의 정규화
__17.10 예제


18장. 서포트 벡터 머신
__18.1 개요
__18.2 로지스틱회귀와 초평면
__18.3 표기법
__18.4 마진과 최적 마진 분류기(optimal margin classifier)
__18.5 라그랑지 쌍대성
__18.6 라그랑지 쌍대성을 이용한 최대 마진 분류기
__18.7 커널
__18.8 정규화와 비분리 경우
__18.9 여유 변수(slack variable)와 초 모수 C
__18.10 비용함수
__18.11 서포트 벡터 머신의 모수 추정
__18.12 예제: 커널 함수로 분리 가능한 경우(하드 마진)
__18.13 예제: 커널 함수로 분리가 불가능한 경우(소프트 마진)
__18.14 예제: 선형 이외의 커널 함수 적용
__18.15 초 모수의 결정
__18.16 예제: [BANK] 데이터 적용


19장. 다층 신경망
__19.1 개요
__19.2 표기법
__19.3 전진 패스
__19.4 활성함수
__19.5 전진 패스의 예시
__19.6 후진 패스
__19.7 후진 패스의 예시
__19.8 초깃값 주기
__19.9 기울기 소멸 문제
__19.10 입력변수의 표준화
__19.11 과적합 문제
__19.12 예제: [BANK] 데이터 적용


20장. 합성곱 신경망
__20.1 개요
__20.2 합성곱층
__20.3 결합층
__20.4 완전연결층
__20.5 합성곱 신경망 아키텍처의 예시
__20.6 모수의 추정
__20.7 예제: [DIGITS] 데이터 적용(다층 신경망)
__20.8 예제: [DIGITS] 데이터 적용(합성곱 신경망)


21장. 순환 신경망
__21.1 개요
__21.2 기본 순환 신경망
__21.3 모수의 추정
__21.4 후진 패스 예제
__21.5 장단기 기억 신경망
__21.6 LSTM 예시


22장. 특이값 분해
__22.1 개요
__22.2 정의
__22.3 분해 행렬의 계산
__22.4 특이값 분해 계산
__22.5 특이값 분해 예제: 추천 시스템


23장. 주성분 분석
__23.1 개요
__23.2 정의
__23.3 주성분의 계산
__23.4 주성분을 이용한 차원 축소
__23.5 주성분의 기학학적 의미
__23.6 주성분의 계산 예제
__23.7 주성분을 이용한 분석(예: MNIST 손글씨 숫자 데이터)


24장. 연관 분석
__24.1 개요
__24.2 표기법
__24.3 지지도, 신뢰도 그리고 향상도
__24.4 APRIORI 알고리즘
__24.5 APRIORI 알고리즘 예시
__24.6 APRIORI 알고리즘의 문제
__24.7 예제


25장. 군집 분석
__25.1 개요
__25.2 표기법
__25.3 k-평균 군집화
__25.4 k-평균 군집화 알고리즘
__25.5 k-평균 군집화 알고리즘 예시
__25.6 격차 통계량을 이용한 k의 선택
__25.7 격차 통계량 계산 예제
__25.8 실루엣 값을 이용한 군집의 평가
__25.9 실루엣 값 계산 예제