통계학으로 배우는 머신러닝 2/e

1장. 소개

2장. 지도 학습의 개요
__2.1 소개
__2.2 변수 타입과 용어
__2.3 예측을 위한 단순한 두 접근법: 최소 제곱과 최근접이웃
____2.3.1 선형 모델과 최소 제곱42
____2.3.2 최근접이웃 방법
____2.3.3 최소제곱에서 최근접이웃까지
__2.4 통계적 결정 이론
__2.5 고차원에서의 국소적 방법
__2.6 통계적 모델, 지도 학습 및 함수 근사60
____2.6.1 결합분포 Pr(X, Y )를 위한 통계적 모델
____2.6.2 지도 학습
____2.6.3 함수 근사
__2.7 구조화된 회귀 모델
____2.7.1 문제의 어려움
__2.8 제한된 추정량의 종류
____2.8.1 조도 벌점과 베이즈 방법
____2.8.2 커널법과 국소 회귀
____2.8.3 기저함수와 딕셔너리 방법
__2.9 모델 선택과 편향 - 분산 상반관계
__참고문헌
__연습 문제

3장. 회귀를 위한 선형법
__3.1 소개
__3.2 선형회귀 모델과 최소제곱
____3.2.1 예제: 전립선암
____3.2.2 가우스-마코프 정리
____3.2.3 단순 일변량 회귀로부터의 다중회귀
____3.2.4 다중 출력
__3.3 부분집합 선택
____3.3.1 최량 부분집합 선택
____3.3.2 전진 및 후진 스텝별 선택
____3.3.3 전진 - 스테이지별 회귀
____3.3.4 전립선암 데이터 예제(계속)
__3.4 수축법
____3.4.1 릿지회귀
____3.4.2 라쏘
____3.4.3 논의: 부분집합 선택, 릿지회귀 그리고 라쏘
____3.4.4 최소각회귀
__3.5 유도된 입력 방향을 사용하는 방법들
____3.5.1 주성분회귀
____3.5.2 부분최소제곱
__3.6 논의: 선택법과 수축법 비교
__3.7 다중 결과 수축 및 선택
__3.8 라쏘 및 관련된 경로 알고리즘에 관한 추가 내용
____3.8.1 증가적 전진 스테이지별 회귀
____3.8.2 조각별 - 선형 경로 알고리즘
____3.8.3 댄치그 선택자
____3.8.4 그룹화 라쏘
____3.8.5 라쏘의 추가적인 속성
____3.8.6 경로별 좌표 최적화
__3.9 연산적 고려 사항
__참고문헌
__연습 문제

4장. 분류를 위한 선형법
__4.1 소개
__4.2 지시행렬의 선형회귀
__4.3 선형판별분석
____4.3.1 정칙판별분석
____4.3.2 LDA를 위한 연산
____4.3.3 축소된 랭크 선형판별분석
__4.4 로지스틱회귀
____4.4.1 로지스틱회귀 모델 적합
____4.4.2 예제: 남아프리카인 심장병
____4.4.3 이차근사 및 추론
____4.4.4 L1 정칙화 로지스틱회귀
____4.4.5 로지스틱회귀 아니면 LDA?
__4.5 분리초평면
____4.5.1 로젠블랫의 퍼셉트론 학습 알고리즘
____4.5.2 최적 분리초평면
__참고문헌
__연습 문제

5장. 기저전개와 정칙화
__5.1 소개
__5.2 조각별 다항식과 스플라인
____5.2.1 자연 삼차 스플라인
____5.2.2 예제: 남아프리카 심장 질환(계속)
____5.2.3 예제: 음소 인식
__5.3 필터링과 특성 추출
__5.4 평활 스플라인
____5.4.1 자유도와 평활자 행렬
__5.5 평활화 매개변수의 자동적 선택
____5.5.1 자유도 고정하기
____5.5.2 편향 - 분산 상반관계
__5.6 비모수적 로지스틱회귀
__5.7 다차원 스플라인
__5.8 정칙화 및 재생 커널 힐베르트 공간
____5.8.1 커널에 의해 생성된 함수의 공간
____5.8.2 RKHS 예시
__5.9 웨이블릿 평활화
____5.9.1 웨이블릿 기저와 웨이블릿 변환
____5.9.2 적응적 웨이블릿 필터링
__참고문헌
__연습 문제
__부록: 스플라인 연산
____B - 스플라인
____평활 스플라인의 연산

6장. 커널 평활법
__6.1 1차원 커널 평활자
____6.1.1 국소 선형회귀
____6.1.2 국소 다항회귀
__6.2 커널의 너비 선택하기
__6.3 Rp에서의 국소 회귀
__6.4 Rp에서의 구조적 국소 회귀 모델
____6.4.1 구조화 커널
____6.4.2 구조화 회귀함수
__6.5 국소 가능도 및 다른 모델
__6.6 커널 밀도 추정 및 분류
____6.6.1 커널 밀도 추정
____6.6.2 커널 밀도 분류
____6.6.3 단순 베이즈 분류기
__6.7 방사기저함수와 커널
__6.8 밀도 추정과 분류를 위한 혼합 모델
__6.9 연산 고려 사항
__참고문헌
__연습 문제

7장. 모델 평가 및 선택
__7.1 소개
__7.2 편향, 분산, 모델 복잡도
__7.3 편향-분산 분해
____7.3.1 예제: 편향 - 분산 상반관계
__7.4 훈련 오류율에 관한 낙관도
__7.5 표본-내 예측오차의 추정값
__7.6 매개변수의 유효 개수
__7.7 베이즈 접근법과 BIC
__7.8 최소 설명 길이
__7.9 밥닉-체브넨키스 차원
____7.9.1 예제(계속)
__7.10 교차 검증
____7.10.1 K-겹 교차 검증
____7.10.2 교차 검증을 하는 잘못된 그리고 옳은 방법
____7.10.3 교차 검증은 정말로 작동하는가?
__7.11 부트스트랩법
____7.11.1 예제(계속)
__7.12 조건부 혹은 기대 테스트 오차
__참고문헌
__연습 문제

8장. 모델 추론과 평균화
__8.1 소개
__8.2 부트스트랩과 최대가능도 방법
____8.2.1 평활화 예제
____8.2.2 최대가능도 추정
____8.2.3 부트스트랩 대 최대가능도
__8.3 베이즈 방법
__8.4 부트스트랩과 베이즈 추정 사이의 관계
__8.5 EM 알고리즘
____8.5.1 2 - 성분 혼합모델
____8.5.2 일반적인 EM 알고리즘
____8.5.3 최대화 - 최대화 과정으로써의 EM
__8.6 사후분포로부터 표본 추출을 위한 MCMC
__8.7 배깅
____8.7.1 예제: 시뮬레이션 데이터로 된 트리
__8.8 모델 평균화와 스태킹
__8.9 확률적 검색: 범핑
__참고문헌
__연습 문제

9장. 가법 모델, 트리 및 관련 방법들
__9.1 일반화 가법 모델
____9.1.1 가법 모델 적합시키기
____9.1.2 예제: 가법 로지스틱회귀
____9.1.3 요약
__9.2 트리 기반 방법
____9.2.1 배경
____9.2.2 회귀 트리
____9.2.3 분류 트리
____9.2.4 다른 문제들
____9.2.5 스팸 예제(계속)
__9.3 PRIM: 범프 헌팅
____9.3.1 스팸 예제(계속)
__9.4 MARS: 다변량 적응적 회귀 스플라인
____9.4.1 스팸 데이터(계속)
____9.4.2 예제(시뮬레이션된 데이터)
____9.4.3 다른 문제들
__9.5 전문가 계층 혼합
__9.6 결측 데이터
__9.7 연산 고려 사항
__참고문헌
__연습 문제

10장. 부스팅과 가법 트리
__10.1 부스팅법
____10.1.1 개요
__10.2 부스팅 적합과 가법 모델
__10.3 전진 스테이지별 가법 모델링
__10.4 지수손실과 에이다 부스트
__10.5 왜 지수손실인가?
__10.6 손실함수와 로버스트성
__10.7 데이터 마이닝을 위한 "기성품" 같은 과정
__10.8 예제: 스팸 데이터
__10.9 부스팅 트리
__10.10 경사 부스팅을 통한 수치적 최적화
____10.10.1 최급하강
____10.10.2 경사 부스팅
____10.10.3 경사 부스팅의 구현
__10.11 부스팅을 위한 적절한 크기의 트리
__10.12 정칙화
____10.12.1 수축
____10.12.2 부표집
__10.13 해석
____10.13.1 예측변수의 상대 중요도
____10.13.2 부분 의존도 도표
__10.14 삽화
____10.14.1 캘리포니아 주택
____10.14.2 뉴질랜드 물고기
____10.14.3 인구통계 데이터
__참고문헌
__연습 문제

11장. 신경망
__11.1 소개
__11.2 사영추적 회귀
__11.3 신경망
__11.4 신경망 적합시키기
__11.5 신경망을 훈련시킬 때의 문제
____11.5.1 시작값
____11.5.2 과적합
____11.5.3 입력변수의 척도화
____11.5.4. 은닉 유닛과 층의 개수
____11.5.5 복수의 최솟값들
__11.6 예제: 시뮬레이션 데이터
__11.7 예제: 우편번호 데이터
__11.8 논의
__11.9 베이즈 신경망과 NIPS 2003 챌린지
____11.9.1 베이즈, 부스팅, 배깅
____11.9.2 성능 비교
__11.10 연산 고려 사항
__참고문헌
__연습 문제

12장. 서포트벡터머신과 유연한 판별식
__12.1 도입
__12.2 서포트벡터분류기
____12.2.1 서포트벡터분류기 연산하기
____12.2.2 혼합 예제(계속)
__12.3 서포트벡터머신과 커널
____12.3.1 분류를 위한 SVM 연산
____12.3.2 벌점화 방법으로서의 SVM
____12.3.3 함수 추정과 재생커널
____12.3.4 SVM과 차원성의 저주
____12.3.5 SVM 분류기를 위한 경로 알고리즘
____12.3.6 회귀를 위한 서포트벡터머신
____12.3.7 회귀와 커널
____12.3.8 논의
__12.4 선형판별분석 일반화
__12.5 유연한 판별분석
____12.5.1 FDA 추정값 계산하기
__12.6 벌점화 판별분석
__12.7 혼합판별분석
____12.7.1 예제: 파형 데이터
__12.8 연산 고려 사항
__참고문헌
__연습 문제

13장. 프로토타입 방법과 최근접이웃법
__13.1 개요
__13.2 프로토타입법
____13.2.1 K- 평균 군집화
____13.2.2 학습 벡터 양자화
____13.2.3 가우스 혼합
__13.3 K-최근접이웃 분류기
____13.3.1 예제: 비교 연구
____13.3.2 예제: K - 최근접이웃과 이미지 장면 분류
____13.3.3 불변 계량과 탄젠트 거리
__13.4 적응적 최근접이웃법
____13.4.1 예제
____13.4.2 최근접이웃을 위한 전역 차원 축소
__13.5 연산 고려 사항
__참고문헌
__연습 문제

14장. 비지도 학습
__14.1 개요
__14.2 연관성 규칙
____14.2.1 시장 바스켓 분석
____14.2.2 아프리오리 알고리즘
____14.2.3 예제: 시장 바스켓 분석
____14.2.4 지도 학습 같은 비지도
____14.2.5 일반화 연관성 규칙
____14.2.6 지도 학습법의 선택
____14.2.7 예제: 시장 바스켓 분석(계속)
__14.3 군집분석
____14.3.1 근접도 행렬
____14.3.2 속성에 근거한 비유사도
____14.3.3 개체 비유사도
____14.3.4 군집화 알고리즘
____14.3.5 조합적 알고리즘
____14.3.6 K - 평균
____14.3.7 K - 평균 연군집화로서의 가우스 혼합
____14.3.8 예제: 인간 종양 미세 배열 데이터
____14.3.9 벡터 양자화
____14.3.10 K- 중위점
____14.3.11 실제적인 문제
____14.3.12 계층적 군집화
__14.4 자기 조직화 맵
__14.5 주성분, 주곡선과 주표면
____14.5.1 주성분
____14.5.2 주곡선과 주표면
____14.5.3 스펙트럼 군집화
____14.5.4 커널 주성분
____14.5.5 희박 주성분
__14.6 비음수행렬 분해
____14.6.1 원형분석
__14.7 독립성분분석과 탐색적 사영추적
____14.7.1 잠재변수와 인자분석
____14.7.2 독립성분분석
____14.7.3 탐색적 사영추적
____14.7.4 ICA의 직접적 접근법
__14.8 다차원 척도화
__14.9 비선형 차원 축소와 국소 다차원 척도화
__14.10 구글 페이지랭크 알고리즘
__참고문헌
__연습 문제

15장. 랜덤포레스트
__15.1 개요
__15.2 랜덤포레스트의 정의
__15.3 랜덤포레스트의 세부 사항
____15.3.1 아웃오브백 표본
____15.3.2 변수 중요도
____15.3.3 근접도 도표
____15.3.4 랜덤포레스트와 과적합
__15.4 랜덤포레스트의 분석
____15.4.1 분산 및 역상관 효과
____15.4.2 편향
____15.4.3 적응적 최근접이웃
__참고문헌
__연습 문제

16장. 앙상블 학습
__16.1 개요
__16.2 부스팅과 정칙화 경로
____16.2.1 벌점화 회귀
____16.2.2 "희박성 베팅" 원칙
____16.2.3 정칙화 경로, 과적합 그리고 마진
__16.3 학습 앙상블
____16.3.1 좋은 앙상블 학습하기
____16.3.2 규칙 앙상블
__참고문헌
__연습 문제

17장. 무향 그래프 모델
__17.1 개요
__17.2 마코프 그래프 및 이들의 속성
__17.3 연속형 변수를 위한 무향 그래프 모델
____17.3.1 그래프 구조가 알려져 있을 때 매개변수의 추정
____17.3.2 그래프 구조의 추정
__17.4 이산변수를 위한 무향 그래프 모델
____17.4.1 그래프 구조가 알려져 있을 때 매개변수의 추정
____17.4.2 은닉 노드
____17.4.3 그래프 구조의 추정
____17.4.4 제약된 볼츠만 머신
__참고문헌
__연습 문제

18장. 고차원 문제: p≪N
__18.1 p가 N보다 훨씬 클 때
__18.2 대각 선형판별분석과 최근접 수축 중심점
__18.3 이차 정칙화 선형 분류기
____18.3.1 정칙판별분석
____18.3.2 이차 정칙화로 된 로지스틱회귀
____18.3.3 서포트벡터분류기
____18.3.4 특성 선택
____18.3.5 p ≫ N일 때 연산적인 지름길
__18.4 L1 정칙화 선형 분류기
____18.4.1 단백질 질량 분광분석의 라쏘 적용
____18.4.2 함수형 데이터를 위한 퓨즈화 라쏘
__18.5 특성을 쓸 수 없을 때의 분류
____18.5.1 예제: 문자열 커널과 단백질 분류
____18.5.2 내적 커널과 쌍별 거리를 사용하는 분류 및 다른
____18.5.3 예제: 초록 분류
__18.6 고차원 회귀: 지도 주성분
____18.6.1 잠재변수 모델링과의 연결성
____18.6.2 부분최소제곱과의 관계
____18.6.3 특성 선택을 위한 전제조건화
__18.7 특성 평가와 다중검정 문제
____18.7.1 오발견율
____18.7.2 비대칭 절단점과 SAM 과정
____18.7.3 FDR의 베이즈적 해석
__18.8 참고문헌
__연습 문제