|
|
|
|
| | | ㆍ판매가 | 32,000 원 (0%, 0 원 할인) | | | | | | | ㆍ452 쪽 | 173*230*30mm/1009g | ISBN : 9791187497035 | | |
|
|
|
|   | 머신러닝과 예측 분석은 비지니스 및 여러 기관의 운영 방식을 변화시키고 있다. 이 책 [파이썬 머신러닝]은 독자들이 예측 분석 세계에 접근할 수 있도록 해주며 파이썬이 데이터 과학과 관련된 세계적으로 주요 언어 중 하나인 이유를 설명하고 있다. 여러분이 데이터에 대해 더 좋은 질문을 하고자 한다면 혹은 머신러닝 시스템을 개선하여 시스템 능력을 확대하고 싶다면, 이 책이 매우 유용할 것이다. 사이킷런(scikit-learn) 시애노(Theano), 케라스(Keras), 감성분석에서 신경망에 이르는 모든 것들에 대한 피쳐링 안내 및 팁을 포함하여 강력한 파이썬 라이브러리의 광범위한 영역을 다루고 있기 때문에 여러분 스스로 마주하고 있는 가장 중요한 질문들에 스스로 곧 대답할 수 있게 될 것이다. |
 CHAPTER 1 컴퓨터에 데이터를 학습할 수 있는 능력 부여하기
1.1 데이터를 지식으로 변환하기 위한 지능형기계 구성
1.2 머신러닝의 세 가지 유형
1.2.1 지도 학습(Supervised Learning)으로 미래에 관한 예측 만들기
1.2.2 강화학습을 활용한 상호작용문제 해결
1.2.3 비지도 학습(unsupervised learning)으로 은닉구조 발견
1.3 기초 용어와 표기 소개
1.4 머신러닝 시스템 구축을 위한 로드맵
1.4.1 전처리 데이터 갖추기
1.4.2 예측모델의 훈련 및 선택
1.4.3 모델 평가와 경험하지 않은 데이터 인스턴스 예측
1.5 머신러닝을 위한 파이썬의 사용
1.5.1 파이썬 패키지 설치
1.6 요약
CHAPTER 2 분류를 위한 머신러닝 알고리즘 훈련
2.1 인공뉴런 - 머신러닝의 초기 역사 들여다보기
2.2 파이썬에서 퍼셉트론 학습 알고리즘 구현하기
2.3 아이리스 데이터에 퍼셉트론 모델 훈련하기
2.3 에이다라인과 학습의 수렴
2.3.1 그래디언트 디센트가 있는 비용함수 최소화
2.3.2 파이썬으로 에이다라인 구현하기
2.3.3 큰 스케일의 머신러닝과 확률적 그래디언트 디센트
2.4 요약
CHAPTER 3 사이킷런을 사용한 머신러닝분류기
3.1 분류 알고리즘의 선택
3.2 사이킷런의 첫 번째 단계
3.2.1 사이킷런을 사용한 퍼셉트론의 훈련
3.3 로지스틱 회귀를 통한 모델링 분류 확률
3.3.1 로지스틱 회귀 직관력과 조건부 확률
3.3.2 로지스틱 비용함수의 가중치 학습
3.3.3 사이킷런으로 로지스틱 회귀 모델 훈련하기
3.3.4 정규화를 사용한 오버피팅 방지
3.4 서포트 벡터 머신의 마진 분류 최대화
3.4.1 최대 마진 직관력
3.4.2 여유 변수를 사용하여 비선형의 분리 가능 사례 처리
3.4.3 사이킷런 내의 다른 구현들
3.5 커널 SVM을 사용한비선형 문제의 해결
3.5.1 고차원 공간에서 분리 하이퍼 평면을 찾기 위한 커널 트릭의 사용
3.6 의사결정나무 학습
3.6.1 IG 최대화 - 투자 대비 최대 효과를 얻는 것
3.6.2 의사결정나무 만들기
3.6.3 랜덤 포레스트를사용해서 약한 학습기들(weak learners)을 결합하여 강한 학습기(strong learners) 만들기
3.7 KNN - 레이지러닝 알고리즘
3.8 요약
CHAPTER 4 좋은 훈련 데이터의구성 - 데이터 전처리
4.1 결측 데이터 다루기
4.1.1 결측값을 가진 샘플이나 피처 제거하기
4.1.2 결측값의 보정
4.1.3 사이킷런 에스티메이터API 이해하기
4.2 범주형 데이터 다루기
4.2.1 순위형 피처 매핑
4.2.2 분류 레이블 인코딩
4.2.3 명목형 피처에 원 핫 인코딩 수행하기
4.3 데이터를 훈련용과 테스트용으로 분할하기
4.4 피처들을 동일한 스케일로 가져오기
4.5 의미 있는 피처 선택
4.5.1 L1 정규화가 있는 희소 솔루션
4.5.2 연속형 피처 선택 알고리즘
4.6 랜덤 포레스트를 활용한 피처 중요도의평가
4.7 요약
CHAPTER 5 차원축소를 이용한 데이터 압축
5.1 주성분 분석을 활용한 비지도적 차원축소
5.1.1 전체분산과 설명분산
5.1.2 피처 변환
5.1.3 사이킷런에서 주성분 분석
5.2 선형 판별 분석을 활용한 지도적 데이터 압축
5.2.1 이산행렬 계산
5.2.2 새로운 피처 부분공간에 대한 선형 판별선택
5.2.3 샘플을 새 피처 공간에 투영하기
5.2.4 사이킷런을 활용한 LDA
5.3 비선형 매핑을 위한 커널 주성분 분석의 사용
5.3.1 커널 함수와 커널 트릭
5.3.2 파이썬에서커널 주성분 분석의 구현
5.3.3 새로운 관측치의 투영
5.3.4 사이킷런에서의 커널 주성분 분석
5.4 요약
CHAPTER 6 모델 평가와 하이퍼파라미터 튜닝에 관한 사례학습
6.1 파이프라인을 가진 스트리밍 워크플로우
6.1.1 Breast Cancer Wisconsin 데이터 로딩
6.1.2 파이프라인 내의 변환기와 에스티메이터 결합하기
6.2 k-fold 교차검증을 사용하여 모델 성능 평가하기
6.2.1 홀드아웃 메서드
6.2.2 K-fold 교차검증
6.3 학습곡선과 검증곡선에 의한 알고리즘 디버깅
6.3.1 학습곡선에 의한 바이어스와 분산 문제진단
6.3.2 검증곡선으로오버피팅과 언더피팅 다루기
6.4 그리드 검색을 사용한 머신러닝 모델의 미세 튜닝
6.4.1 그리드 검색을 사용한 하이퍼파라미터 튜닝
6.4.2 중첩 교차검증으로 알고리즘 선택하기
6.5 여러 가지 성능 평가 메트릭 살펴보기
6.5.1 컨퓨젼 매트릭스 읽기
6.5.2 분류 모델의정밀도와 리콜 최적화
|
|
|  | 현재 파이썬 머신러닝에 등록된 서평이 없습니다. |  |
|
|
|
