| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000046023680 | |
| 005 | 20200409172226 | |
| 007 | ta | |
| 008 | 200409s2020 ulka 001c kor | |
| 020 | ▼a 9791161753928 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000015537594 | |
| 040 | ▼a 211023 ▼c 211023 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h eng |
| 082 | 0 4 | ▼a 006.31 ▼2 23 |
| 085 | ▼a 006.31 ▼2 DDCK | |
| 090 | ▼a 006.31 ▼b 2020z12 | |
| 100 | 1 | ▼a Lantz, Brett |
| 245 | 1 0 | ▼a R을 활용한 머신러닝 : ▼b R로 머신러닝 알고리즘 작성, 데이터 준비, 데이터 예측 기법 깊이 파기 / ▼d 브레트 란츠 지음 ; ▼e 윤성진, ▼e 크라스랩 옮김 |
| 246 | 1 9 | ▼a Machine learning with R : expert techniques for predictive modeling ▼g (3rd ed.) |
| 260 | ▼a 서울 : ▼b 에이콘, ▼c 2020 | |
| 300 | ▼a 595 p. : ▼b 삽화 ; ▼c 24 cm | |
| 500 | ▼a 색인수록 | |
| 650 | 0 | ▼a Machine learning ▼x Statistical methods |
| 650 | 0 | ▼a R (Computer program language) |
| 700 | 1 | ▼a 윤성진, ▼e 역 |
| 710 | ▼a 크라스랩, ▼e 역 | |
| 900 | 1 0 | ▼a 란츠, 브레트, ▼e 저 |
| 945 | ▼a KLPA |
Holdings Information
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Main Library/Monographs(3F)/ | Call Number 006.31 2020z12 | Accession No. 111830402 (12회 대출) | Availability Available | Due Date | Make a Reservation | Service |
| No. 2 | Location Science & Engineering Library/Sci-Info(Stacks1)/ | Call Number 006.31 2020z12 | Accession No. 121252937 (20회 대출) | Availability Available | Due Date | Make a Reservation | Service |
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Main Library/Monographs(3F)/ | Call Number 006.31 2020z12 | Accession No. 111830402 (12회 대출) | Availability Available | Due Date | Make a Reservation | Service |
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Science & Engineering Library/Sci-Info(Stacks1)/ | Call Number 006.31 2020z12 | Accession No. 121252937 (20회 대출) | Availability Available | Due Date | Make a Reservation | Service |
Contents information
Book Introduction
몇 줄의 R 코드로 머신러닝이 어떻게 작동되는지 눈으로 직접 확인할 수 있고 최신 기법까지 내 손으로 직접 짜 볼 수 있는 짜릿한 경험과 자신감을 제공한다. 3판에서는 정돈된 데이터를 만드는 방법을 새롭게 설명하고 최신 버전의 예제를 제공한다.
머신러닝의 근원과 컴퓨터가 예시를 학습하는 원리, R 프로그래밍 언어를 사용해 머신러닝 작업에 맞도록 데이터 준비, 최근접 이웃과 베이즈 기법을 사용해 중요한 결과 분류, 결정트리, 규칙, 서포트 벡터 머신을 사용한 미래의 사건 예측, 회귀 기법을 사용한 수치 데이터 예측 및 금융 수치 추정, 신경망을 사용해 복잡한 프로세스 모델링 등을 담았다.
이 책을 읽다 보면 '머신러닝이 이렇게 쉬운 것이라니?'라는 생각이 들기도 하고, 수학이나 프로그래밍 언어를 잘 몰랐어도 직관적으로 머릿속에 쏙쏙 들어오는 머신러닝 개념에 흥미를 느끼고 있는 자신을 발견하게 될 것이다. 몇 줄의 R 코드로 머신러닝이 어떻게 작동되는지 눈으로 직접 확인할 수 있고 최신 기법까지 내 손으로 직접 짜 볼 수 있는 짜릿한 경험과 자신감을 제공하는 것이 이 책의 매력이다. 머신러닝을 즐겁게 시작하고 싶은 독자 여러분에게 이 책을 추천한다.
3판에서는 정돈된 데이터를 만드는 방법을 새롭게 설명하고 최신 버전의 예제를 제공한다.
★ 이 책에서 다루는 내용 ★
■ 머신러닝의 근원과 컴퓨터가 예시를 학습하는 원리
■ R 프로그래밍 언어를 사용해 머신러닝 작업에 맞도록 데이터 준비
■ 최근접 이웃과 베이즈 기법을 사용해 중요한 결과 분류
■ 결정트리, 규칙, 서포트 벡터 머신을 사용한 미래의 사건 예측
■ 회귀 기법을 사용한 수치 데이터 예측 및 금융 수치 추정
■ 신경망을 사용해 복잡한 프로세스 모델링
■ 모델 평가 및 성능 개선
■ R을 Spark, H2O, TensorFlow 등 SQL 데이터베이스나 떠오르는 빅데이터 기술과 연결
★ 이 책의 대상 독자 ★
데이터를 활용하고자 하는 모든 이를 위해 썼다. 머신러닝을 어느 정도 알고 있지만 R은 전혀 사용해보지 않았거나 조금만 아는 독자를 염두하고 썼으며 어떤 경우든 이 책은 빠른 학습을 지원한다. 기초 수학과 프로그램에 익숙하다면 다소 도움이 되겠지만 어떠한 경험도 필수요건은 아니다. 필요한 것은 호기심뿐이다.
★ 이 책의 구성 ★
1장, '머신러닝 소개'에서는 기계 학습자(machine learner)를 정의하고 구분해주는 용어와 개념을 살펴보고, 학습 작업을 적절한 알고리즘에 매칭하는 방법을 제시한다.
2장, '데이터의 관리와 이해'에서는 R을 이용해서 데이터를 직접 다룰 수 있는 기회를 제공한다. 데이터를 로딩하고, 탐색하고, 이해하는 데 사용되는 필수 데이터 구조와 절차를 설명한다.
3장, '게으른 학습: 최근접 이웃을 사용한 분류'에서는 단순하지만 강력한 머신러닝 알고리즘을 이해하고, 첫 번째 실제 작업인 암의 악성 샘플 식별에 적용하는 방법을 알려준다.
4장, '확률적 학습: 나이브 베이즈 분류'에서는 최첨단 스팸 필터링 시스템에서 사용하고 있는 확률의 핵심 개념을 소개한다. 독자는 자신만의 스팸 필터를 개발하는 과정에서 텍스트 마이닝의 기초를 배울 수 있다.
5장, '분할 정복: 의사 결정 트리와 규칙 기반의 분류'에서는 예측을 정확하고 쉽게 설명하는 두 가지 학습 알고리즘을 탐색한다. 이 방법은 투명성이 중요한 작업에 적용된다.
6장, '수치 데이터 예측: 회귀 방법'에서는 수치 예측에 사용되는 머신러닝 알고리즘을 소개한다. 이 기법은 통계 분야에 아주 많이 포함돼 있으므로, 수치 관계를 이해하는 데 필요한 필수 척도도 함께 알아본다.
7장, '블랙박스 방법: 신경망과 서포트 벡터 머신'에서는 복잡하고 강력한 두 종류의 머신러닝 알고리즘을 다룬다. 수학이 위협적으로 보일 수 있겠지만, 내부 작동을 보여주는 예제와 함께 간단한 용어로 진행한다.
8장, '패턴 찾기: 연관 규칙을 이용한 장바구니 분석'에서는 많은 소매업체가 채택한 추천 시스템의 알고리즘을 접할 수 있다. 소매업체가 나의 구매 습관을 나보다 더 잘 아는 이유가 궁금한 적이 있었다면 8장에서 그 비밀을 밝혀준다.
9장, '데이터 그룹 찾기: k-평균 군집화'에서는 관련 아이템을 군집화하는 절차를 알아본다. 이 알고리즘을 활용해 온라인 커뮤니티에서 프로파일을 식별한다.
10장, '모델 성능 평가'에서는 머신러닝 프로젝트의 성공 여부를 측정하고 미래 데이터에 대해 학습자가 신뢰할 만한 성능 추정치를 얻는 방법의 정보를 제공한다.
11장, '모델 성능 개선'에서는 머신러닝 대회의 최상위 팀이 사용하는 방법을 소개한다. 경쟁이 심하거나 데이터를 최대한 활용하고 싶다면 이런 기술을 레퍼토리에 추가해야 한다.
12장, '특화된 머신러닝 주제'에서는 머신러닝의 최첨단 분야를 탐구한다. 빅데이터로 작업하는 것에서 더 빠르게 R 작업하는 것까지 12장에서 다루는 주제는 R로 할 수 있는 범위를 넓히는 데 도움이 된다.
Information Provided By: :
Author Introduction
브레트 란츠(지은이)
혁신적인 데이터 방법을 사용해 인간 행동을 이해하는 데 15년 이상을 보냈다. 사회학자 출신으로 처음에는 대학생들의 소셜 네트워크 프로필의 대규모 데이터베이스를 연구하는 동안 머신러닝에 매료됐다. DataCamp 강사로, 전 세계에서 머신러닝 워크숍에 참여했다. 스포츠, 비디오 게임, 자율주행차량, 외국어 학습 등 다양한 주제에 대한 데이터 과학 애플리케이션에 열중하며 이와 관련해 dataspelunking.com에서 블로그를 작성하기를 원하고 있다.
윤성진(옮긴이)
KAIST 전산학과에서 컴퓨터 그래픽스를 전공했으며 LG전자 전자기술원, 티맥스소프트, 액센츄어 등에서 소프트웨어 연구 개발, 미들웨어 및 모듈형 로봇 플랫폼 제품 기획 업무를 수행했다. 인공지능 전문가로서 한국외국어대학교에서 딥러닝, 자료 구조, 데이터 마이닝을 가르치고, ㈜인공지능연구원에서 연구개발을 총괄했다. 현재는 SoftAI의 연구소장으로서 AI 솔루션 연구 개발을 하고 있으며 서울과학종합 대학원대학교 AI첨단대학원 겸직 교수를 역임하고 있다. 대표 저서에는 『Do it! 딥러닝 교과서』(이지스퍼블리싱, 2021), 『파이썬으로 구현하는 로보어드바이저』(에이콘, 2024), 『모두를 위한 컨벡스 최적화』(오픈소스, 2018)가 있다.
(주)크라스랩(옮긴이)
(주)크라스랩은 머신러닝을 기반으로 다양한 연구를 수행하고 있으며, 특히 머신러닝 기반의 금융분석과 핀테크에 중점을 두고 있다. KAIST 전산학과 계산이론 연구실 출신의 이병욱 대표가 이끌고 있으며, 그의 저서 『블록체인 해설서』(에이콘, 2019)는 대한민국학술원에 의해 2019년도 교육부 우수학술도서로 선정됐다.
Table of Contents
1장. 머신러닝 소개 __머신러닝의 기원 __머신러닝의 사용과 남용 ____머신러닝 성공 사례 ____머신러닝의 한계 ____머신러닝의 윤리 __기계의 학습 방법 ____데이터 저장소 ____추상화 ____일반화 ____평가 __실전 머신러닝 ____입력 데이터 형식 ____머신러닝 알고리즘 형식 ____입력 데이터와 알고리즘 매칭 __R을 이용한 머신러닝 ____R 패키지 설치 ____패키지 로딩과 언로딩 ____RStudio 설치 __요약 2장. 데이터의 관리와 이해 __R 데이터 구조 ____벡터 ____팩터 ____리스트 ____데이터 프레임 ____행렬과 배열 __R을 이용한 데이터 관리 ____데이터 구조 저장, 로드, 제거 ____CSV 파일에서 데이터 임포트와 저장 __데이터 탐색과 이해 ____데이터 구조 탐색 ____수치 변수 탐색 ____범주 변수 탐색 ____변수 간의 관계 탐색 __요약 3장. 게으른 학습: 최근접 이웃을 사용한 분류 __최근접 이웃 분류의 이해 ____k-NN 알고리즘 ____k-NN 알고리즘이 게으른 이유 __예제: k-NN 알고리즘으로 유방암 진단 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 4장. 확률적 학습: 나이브 베이즈 분류 __나이브 베이즈의 이해 ____베이지안 기법의 기본 개념 ____나이브 베이즈 알고리즘 __예제: 나이브 베이즈 알고리즘을 이용한 휴대폰 스팸 필터링 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 5장. 분할 정복: 의사 결정 트리와 규칙 기반의 분류 __의사 결정 트리의 이해 ____분할 정복 ____C5.0 의사 결정 트리 알고리즘 __예제: C5.0 의사 결정 트리를 이용한 위험 은행 대출 식별 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __분류 규칙 이해 ____분리 정복 ____1R 알고리즘 ____리퍼 알고리즘 ____의사 결정 트리에서 규칙 구성 ____무엇이 트리와 규칙을 탐욕스럽게 만드는가? __예제: 규칙 학습자를 이용한 독버섯 식별 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 6장. 수치 데이터 예측: 회귀 방법 __회귀의 이해 ____단순 선형 회귀 ____보통 최소 제곱 추정 ____상관관계 ____다중 선형 회귀 __예제: 선형 회귀를 이용한 의료비 예측 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __회귀 트리와 모델 트리의 이해 ____트리에 회귀 추가 __예제: 회귀 트리와 모델 트리로 와인 품질 평가 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 7장. 블랙박스 방법: 신경망과 서포트 벡터 머신 __신경망의 이해 ____생물학적 뉴런에서 인공 뉴런으로 ____활성 함수 ____네트워크 토폴로지 ____역전파로 신경망 훈련 __예제: ANN으로 콘크리트 강도 모델링 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __서포트 벡터 머신의 이해 ____초평면을 이용한 분류 ____비선형 공간을 위한 커널의 사용 __예제: SVM으로 OCR 수행 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 향상 __요약 8장. 패턴 찾기: 연관 규칙을 이용한 장바구니 분석 __연관 규칙의 이해 ____연관 규칙 학습을 위한 아프리오리 알고리즘 ____규칙 흥미 측정: 지지도와 신뢰도 ____아프리오리 원칙을 이용한 규칙 집합의 구축 __예제: 연관 규칙으로 자주 구매되는 식료품 식별 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 9장. 데이터 그룹 찾기: k-평균 군집화 __군집화의 이해 ____머신러닝 작업으로서 군집화 ____k-평균 군집화 알고리즘 __k-평균 군집화를 이용한 십대 시장 세분화 발굴 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 10장. 모델 성능 평가 __분류 성능 측정 ____분류기의 예측 이해 ____혼동 행렬 자세히 보기 ____혼동 행렬을 사용한 성능 측정 ____정확도를 넘어: 다른 성능 척도 ____ROC 곡선으로 성능 트레이드오프 시각화 __미래의 성능 예측 ____홀드아웃 방법 __요약 11장. 모델 성능 개선 __성능 개선을 위한 신용 모델 튜닝 ____자동 파라미터 튜닝을 위한 caret 사용 __메타학습으로 모델 성능 개선 ____앙상블의 이해 ____배깅 ____부스팅 ____랜덤 포레스트 __요약 12장. 특화된 머신러닝 주제 __실세계 데이터 관리와 준비 ____tidyverse 패키지를 이용한 정돈된 데이터 만들기 ____외부 파일에서 읽고 쓰기 ____SQL 데이터베이스의 데이터 쿼리 __온라인 데이터와 서비스 작업 ____웹 페이지의 전체 텍스트 다운로드 ____웹 페이지에서 데이터 파싱 __도메인에 특화된 데이터 작업 ____생체 정보학 데이터 분석 ____네트워크 데이터 분석과 시각화 __R 성능 개선 ____대용량 데이터셋 관리 ____병렬 컴퓨팅으로 더 빠른 학습 ____최적 학습 알고리즘 도입 ____GPU 컴퓨팅 __요약