The Hundred-Page Machine Learning Book

1장. 개요

1.1 머신 러닝이란
1.2 학습 유형
1.2.1 지도 학습
1.2.2 비지도 학습
1.2.3 준지도 학습
1.2.4 강화 학습
1.3 지도 학습의 원리
1.4 훈련 데이터로 만든 모델이 처음 보는 데이터에 대해서도 효과적인 이유


2장. 수학 정의와 표기법

2.1 표기법
2.1.1 데이터 구조
2.1.2 대문자 시그마 기호
2.1.3 대문자 파이 기호
2.1.4 집합 연산
2.1.5 벡터 연산
2.1.6 함수
2.1.7 max와 min, arg max와 arg min 연산
2.1.8 대입 연산자
2.1.9 도함수와 기울기
2.2 확률 변수
2.3 비편향 추정량
2.4 베이즈 규칙
2.5 파라미터 추정
2.6 파라미터 vs. 하이퍼파라미터
2.7 분류 vs. 회귀
2.8 모델 기반 학습 vs. 사례 기반 학습
2.9 표층 학습 vs. 심층 학습


3장. 기본 알고리즘

3.1 선형 회귀
3.1.1 문제 정의
3.1.2 해결 방법
3.2 로지스틱 회귀
3.2.1 문제 정의
3.2.2 해결 방법
3.3 결정 트리 학습
3.3.1 문제 정의
3.3.2 해결 방법
3.4 SVM
3.4.1 노이즈를 다루는 방법
3.4.2 본질적으로 비선형적인 경우에 대처하는 방법
3.5 kNN


4장. 학습 알고리즘 심층 분석

4.1 학습 알고리즘의 기본 구성 요소
4.2 경사 감소법
4.3 머신 러닝 엔지니어의 작업 방식
4.4 학습 알고리즘에서 주의할 점


5장. 핵심 기법

5.1 특징 공학
5.1.1 원핫 인코딩
5.1.2 비닝
5.1.3 정규화
5.1.4 표준화
5.1.5 결측값 처리 방법
5.1.6 데이터 대체 기법
5.2 학습 알고리즘 결정하기
5.3 세 가지 집합
5.4 언더피팅과 오버피팅
5.5 규제화
5.6 모델 성능 평가 방법
5.6.1 혼동 행렬
5.6.2 정밀도와 재현율
5.6.3 정확도
5.6.4 비용 민감 정확도
5.6.5 AUC
5.7 하이퍼파라미터 튜닝
5.7.1 교차 검증


6장. 신경망과 딥러닝

6.1 신경망
6.1.1 다계층 퍼셉트론의 예
6.1.2 피드포워드 신경망 구조
6.2 딥러닝
6.2.1 CNN
6.2.2 RNN


7장. 문제와 해결 방법

7.1 커널 회귀
7.2 다중 클래스 분류
7.3 단일 클래스 분류
7.4 다중 레이블 분류
7.5 앙상블 학습
7.5.1 부스팅과 배깅
7.5.2 랜덤 포레스트
7.5.3 그래디언트 부스팅
7.6 레이블 시퀀스 학습
7.7 시퀀스-투-시퀀스 학습
7.8 액티브 러닝
7.9 준지도 학습
7.10 원샷 러닝
7.11 제로샷 러닝


8장. 고급 기법

8.1 불균형 데이터셋 처리하기
8.2 모델 조합하기
8.3 신경망 학습시키기
8.4 고급 규제화
8.5 다중 입력 처리하기
8.6 다중 출력 처리하기
8.7 전이 학습
8.8 알고리즘 효율


9장. 비지도 학습

9.1 밀도 추정
9.2 군집화
9.2.1 K-평균
9.2.2 DBSCAN과 HDBSCAN
9.2.3 군집 개수 결정하기
9.2.4 다른 군집화 알고리즘
9.3 차원 축소
9.3.1 PCA
9.3.2 UMAP
9.4 아웃라이어 탐지


10장. 그 밖에 다양한 학습 기법

10.1 메트릭 학습
10.2 랭킹 학습
10.3 추천 학습
10.3.1 FM
10.3.2 DAE
10.4 자가 지도 학습: 단어 임베딩


11장. 결론

11.1 이 책에서 다루지 않은 내용
11.1.1 토픽 모델링
11.1.2 가우시안 프로세스
11.1.3 일반화 선형 모델
11.1.4 확률 그래픽 모델
11.1.5 마르코프 체인 몬테 카를로
11.1.6 GAN
11.1.7 유전 알고리즘
11.1.8 강화 학습
11.2 감사의 글