딥러닝을 이용한 정형 데이터 분석

1장 정형 데이터를 딥러닝으로 다뤄야 하는 이유
__1.1 딥러닝 개요
__1.2 딥러닝의 장단점
__1.3 딥러닝 소프트웨어 스택
__1.4 정형 데이터와 비정형 데이터
__1.5 정형 데이터에 딥러닝을 사용하는 것에 대한 부정적 시각
__1.6 정형 데이터 문제로 딥러닝을 살펴보는 이유
__1.7 이 책에서 제공하는 코드 소개
__1.8 알아둘 내용
__1.9 정리

2장 판다스 데이터프레임과 책 전반에서 사용할 예제 소개
__2.1 다양한 종류의 딥러닝 개발 환경
__2.2 판다스를 살펴보기 위한 코드
__2.3 파이썬의 판다스 데이터프레임
__2.4 CSV 파일을 판다스 데이터프레임으로 만들기
__2.5 판다스를 사용한 SQL 등의 작업 수행
__2.6 주요 예제: 경전철의 지연 예측
__2.7 딥러닝을 배우는 데 현실의 데이터셋을 사용해야 하는 이유
__2.8 입력 데이터셋의 형식과 범위
__2.9 최종 목표: 엔드투엔드 솔루션
__2.10 솔루션 코드에 대한 상세한 설명
__2.11 개발 환경: 일반적인 환경과 딥러닝이 가능한 환경
__2.12 딥러닝을 배척하는 의견들
__2.13 딥러닝의 접근성이 좋아진 까닭
__2.14 딥러닝 모델 훈련 과정 맛보기
__2.15 정리

3장 데이터 준비 (1) 데이터의 탐색과 정리
__3.1 데이터 탐색 및 정리를 위한 코드
__3.2 파이썬에서 설정 파일을 사용하는 방법
__3.3 XLS 파일을 판다스 데이터프레임으로 변환하기
__3.4 판다스 데이터프레임을 피클링된 파일로 저장하여 세션 간 공유하기
__3.5 데이터 탐색
__3.6 데이터를 연속형, 범주형, 텍스트로 분류하기
__3.7 데이터셋에 내재된 문제 정돈: 누락된 데이터, 오류, 추측성 문제
__3.8 딥러닝에 필요한 데이터 규모의 산정
__3.9 정리

4장 데이터 준비 (2) 데이터 변형
4.1 데이터 준비와 변형을 위한 코드
__4.2 바르지 못한 값 다루기: Route
__4.3 유효하지 않은 값에 대해 하나의 대쳇값만 사용하는 이유
__4.4 올바르지 않은 값 다루기: Vehicle
__4.5 일관성 없는 값 다루기: Location
__4.6 공간 데이터 다루기: Location
__4.7 자료형 불일치 문제 다루기
__4.8 여전히 잘못된 데이터를 가진 행 다루기
__4.9 파생된 열 생성하기
__4.10 딥러닝 모델 훈련을 위해 비수치형 데이터를 수치형 데이터로 대체하는 방법
__4.11 엔드투엔드 솔루션 구성요소
__4.12 정리
__
5장 모델 준비와 구축
__5.1 데이터 누수 및 모델 훈련에 적절한 피처
__5.2 도메인 전문성과 데이터 누수를 방지하기 위한 최소 점수 검정
__5.3 경전철 지연 예측 문제에서 데이터 누수를 방지하는 방안
__5.4 케라스 모델 구축용 코드 살펴보기
__5.5 모델 훈련을 위한 데이터프레임의 단계별 리팩토링
__5.6 케라스 모델이 원하는 형식으로 데이터프레임 변형하기
__5.7 케라스와 텐서플로에 대한 간략한 역사
__5.8 텐서플로 1.x에서 2로 마이그레이션하기
__5.9 텐서플로와 파이토치
__5.10 케라스 딥러닝 모델의 구조
__5.11 데이터 구조가 케라스 모델을 정의하는 방식
__5.12 임베딩 계층의 능력
__5.13 데이터 구조에 따라 자동으로 케라스 모델을 구축하는 코드
__5.14 모델 탐색
__5.15 모델 파라미터
__5.16 정리

6장 모델 훈련과 실험 수행
__6.1 딥러닝 모델 훈련을 위한 코드
__6.2 딥러닝 모델의 훈련 과정 검토
__6.3 경전철 지연 예측용 모델의 최종 목표 검토
__6.4 훈련, 검증, 테스트용 데이터셋 선택
__6.5 초기 훈련 수행
__6.6 모델의 성능 측정
__6.7 케라스 콜백: 훈련 과정 중 최상의 결과를 얻는 방법
__6.8 여러 훈련 과정에서 동일한 결과를 얻는 방법
__6.9 훈련된 모델로 단일 샘플에 대해 예측하기
__6.10 훈련된 모델을 직접 저장하기
__6.11 일련의 실험을 통해 모델 성능 향상하기
__6.12 정리

7장 훈련된 모델로 추가적인 실험 수행
__7.1 더 많은 실험을 수행하기 위한 코드
__7.2 잘못된 값의 제거가 모델 성능을 개선할 수 있는지 검증
__7.3 범주형 열에 적용된 임베딩이 모델 성능을 개선할 수 있는지 검증
__7.4 딥러닝 모델과 XGBoost의 비교
__7.5 딥러닝 모델 개선을 위한 고려사항
__7.6 정리

8장 모델 배포
__8.1 모델 배포의 개요
__8.2 중요한 주제인 배포가 어려운 이유
__8.3 단일 샘플에 대한 모델의 검증 과정 되돌아보기
__8.4 웹 배포에서의 사용자 경험
__8.5 모델을 웹에 배포하기 위한 절차
__8.6 웹 배포의 이면
__8.7 페이스북 메신저 배포에서의 사용자 경험
__8.8 페이스북 메신저 배포의 이면
__8.9 라사에 대한 추가 배경지식
__8.10 모델을 라사로 페이스북 메신저에 배포하기 위한 절차
__8.11 파이프라인의 개요
__8.12 모델 훈련 단계의 파이프라인 정의
__8.13 예측 점수를 매기는 단계에 파이프라인 적용하기
__8.14 배포 후 모델을 유지/보수하는 방법
__8.15 정리

9장 향후 개선 방향
__9.1 지금까지 학습한 내용 되돌아보기
__9.2 경전철 지연 예측 프로젝트 개선을 위한 기본 아이디어
__9.3 상세한 위치 정보 추가 방안
__9.4 딥러닝 모델 훈련을 위한 날씨 데이터 추가 방안
__9.5 딥러닝 학습을 위한 계절 또는 시간대 데이터 파생 방안
__9.6 잘못된 값을 삭제하는 대신 결측값으로 대체하는 대안
__9.7 웹 배포용 모델을 외부에 공개하는 방법
__9.8 새로운 데이터셋에 대한 모델 구축 방안
__9.9 데이터셋 준비와 모델 훈련
__9.10 웹 모델 배포를 위한 코드 변경
__9.11 페이스북 메신저용 모델 배포
__9.12 다른 데이터셋에 적용하기 위한 사례 연구
__9.13 추가 학습 자료
__9.14 정리

부록 A 구글 코랩 가이드
__A.1 코랩이란
__A.2 코랩 세션에서 구글 드라이브 사용하기
__A.3 제공되는 저장소의 노트북을 코랩에서 실행하기
__A.4 코랩과 페이퍼스페이스의 장단점