책 이미지
책 정보
· 분류 : 국내도서 > 컴퓨터/모바일 > 컴퓨터 공학 > 자료구조/알고리즘
· ISBN : 9791188621842
· 쪽수 : 260쪽
· 출판일 : 2019-12-19
책 소개
목차
CHAPTER 1 머신러닝 기초 1
1.1 머신러닝 소개 3
머신러닝 3
머신러닝의 유형 4
머신러닝의 활용 10
1.2 머신러닝 준비하기 11
데이터의 중요성 11
지도 학습(분류)의 예 14
구현 방법 17
비지도 학습의 예 19
시각화 23
그래프의 종류와 표현 방법: matplotlib을 이용한 그래프 출력 29
판다스를 이용해 데이터를 이해하고 다루기 38
마치며 45
CHAPTER 2 지도 학습 47
01 선형회귀 49
기본 개념 49
알고리즘 50
더 나아가기 53
02 정규화 58
기본 개념 58
알고리즘 61
더 나아가기 64
03 로지스틱 회귀 67
기본 개념 67
알고리즘 69
더 나아가기 71
04 서포트 벡터 머신 74
기본 개념 74
알고리즘 75
더 나아가기 77
05 커널 기법을 적용한 서포트 벡터 머신 80
기본 개념 81
알고리즘 81
더 나아가기 83
06 나이브 베이즈 분류 86
기본 개념 86
알고리즘 89
더 나아가기 93
07 랜덤 포레스트 94
기본 개념 94
알고리즘 95
더 나아가기 99
08 신경망 101
기본 개념 101
알고리즘 104
더 나아가기 108
09 k-최근접 이웃 알고리즘(kNN) 110
기본 개념 110
알고리즘 112
더 나아가기 113
CHAPTER 3 비지도 학습 117
10 주성분 분석 119
기본 개념 119
알고리즘 121
더 나아가기 124
11 잠재 의미 분석 125
기본 개념 125
알고리즘 127
더 나아가기 131
12 음수 미포함 행렬 분해 132
기본 개념 132
알고리즘 134
더 나아가기 136
13 잠재 디리클레 할당 139
기본 개념 139
알고리즘 141
더 나아가기 143
14 k-평균 알고리즘 146
기본 개념 146
알고리즘 147
더 나아가기 149
15 가우시안 혼합 모델 151
기본 개념 151
알고리즘 152
더 나아가기 156
16 국소 선형 임베딩 157
기본 개념 157
알고리즘 158
더 나아가기 161
17 t-분포 확률적 임베딩 163
기본 개념 163
알고리즘 164
더 나아가기 168
CHAPTER 4 평가 방법과 여러 가지 데이터 처리 171
4.1 평가 방법 173
지도 학습의 평가 173
분류 문제의 평가 방법 174
회귀 문제의 평가 방법 183
평균제곱오차와 결정계수의 차이 188
다른 알고리즘을 이용할 때와 비교 188
하이퍼 파라미터 설정 190
모델의 과적합 191
과적합을 막는 방법 192
학습 데이터와 검정 데이터 나누기 193
교차 검증 196
하이퍼 파라미터 탐색하기 198
4.2 문서 데이터의 전처리 202
단어 빈도 수를 이용한 변환 202
TF-IDF를 이용한 변환 203
머신러닝 모델에 적용 204
4.3 이미지 데이터 변환하기 207
픽셀 밝기 값 활용하기 207
변환한 벡터 데이터로 머신러닝 모델 만들기 209
CHAPTER 5 파이썬 개발 환경 211
5.1 파이썬 3 설치 213
윈도우 10 213
macOS 214
리눅스 215
아나콘다를 윈도우 10에 설치 216
5.2 가상 환경 218
표준 개발 환경에서 가상 환경 설정하기 218
아나콘다 220
5.3 외부 라이브러리 설치 221
외부 라이브러리 221
외부 라이브러리 설치 221
참고문헌 223
APPENDIX 부록 225
읽으면 도움 되는 수학 개념 몇 가지 226
이 책의 주요 용어 230
찾아보기 237
리뷰
책속에서
머신러닝은 학습 대상에 따라 다양한 알고리즘 중 적절한 것을 선택해 사용합니다. 이 책은 여러분이 적절한 머신러닝 알고리즘을 선택하도록 돕는다는 목적으로 썼습니다. 이 책을 읽은 후에는 실제로 머신러닝을 수행할 때 필요한 머신러닝 알고리즘 각각의 특성을 이해할 것입니다.
모델을 구현하고 학습과 예측을 진행했으므로 pred 변수에 저장된 데이터를 어떻게 클러스터링했는지 확인하겠습니다. 여기에서는 데이터를 시각화해 클러스터링한 결과를 확인합니다. 다음 샘플 코드를 실행하면 데이터를 시각화한 그래프를 출력할 수 있습니다.
LASSO 회귀는 사각형 그래프를 나타내는 함수와 만나는 접점을 계산하므로 학습 파라미터가 0이 되기 쉽다는 특징이 있습니다. 이 특징 때문에 파라미터가 0인 특징을 사용하지 않고 모델을 구축할 수 있습니다. 즉, LASSO 회귀 기반의 특징을 선택하면 모델을 일반화하거나 해석하기 쉽습니다.
