머신 러닝 인 파이썬

1장. 예측할 때 사용하는 두 가지 핵심 알고리즘
- 왜 이 두 가지 알고리즘이 유용한가?
- 피널라이즈드 회귀 기법은 무엇인가?
- 앙상블 기법은 무엇인가?
- 어떤 알고리즘을 사용할 것인지 결정하는 방법
- 예측 모델 생성을 위한 단계별 절차
- 각 장의 내용과 연관관계
- 요약

2장. 데이터 이해로 문제 이해하기
- 새로운 문제의 구조 확인
- 속성과 레이블의 차이 때문에 모델이 선택된다
- 바위와 기뢰 데이터 세트의 특성 시각화
- 요인 변수로 수치 값 예측: 전복의 나이는 몇 살인가?
- 수치 속성을 사용한 수치 예측-와인 테이스트 계산하기
- 다중 분류 문제: 유리의 종류는 무엇인가?
- 요약

3장. 예측 모델 생성: 성능, 복잡성, 빅 데이터의 균형
- 기초 문제: 함수 근사 이해하기
- 알고리즘 선택 및 성능에 영향을 미치는 요인-복잡성과 데이터
- 예측 모델의 성능 측정
- 모델과 데이터의 조화
- 요약

4장. 피널라이즈드 선형 회귀
- 왜 피널라이즈드 선형 회귀 기법이 유용한가
- 피널라이즈드 선형 회귀: 최적 성능을 위한 선형 회귀 조절
- 피널라이즈드 선형 회귀 문제 풀기
- 수치 입력으로 선형 회귀 확장
- 요약

5장. 피널라이즈드 선형 기법을 이용한 예측 모델 생성
- 피널라이즈드 선형 회귀 파이썬 패키지
- 다변수 회귀: 와인 테이스트 예측
- 다중 분류: 범죄 현장의 유리 샘플 분류
- 요약

6장. 앙상블 기법
- 이진 의사결정 트리
- 부트스트랩 애그리게이션: 배깅
- 그래디언트 부스팅
- 랜덤 포레스트
- 요약

7장. 파이썬으로 앙상블 예측 모델 생성
- 파이썬 앙상블 패키지를 이용한 회귀 문제 풀기
- 와인 테이스트 예측을 위한 배깅 코딩
- 파이썬 앙상블 모델에서 비수치형 속성 사용하기
- 파이썬 앙상블 메서드로 이항 분류 문제 풀기
- 파이썬 앙상블 기법으로 다중 분류 문제 풀기
- 알고리즘 비교
- 요약