상세정보

머신러닝/딥러닝을 시작하려는 모든 분들을 대상으로 한다. 간단한 그림과 명쾌한 설명으로 이해하기 쉬운 알고리즘부터 차근차근 단계별로 배우면서 어려움 없이 머신러닝/딥러닝을 학습할 수 있도록 구성했다. 이번 개정판에서는 최신 트렌드로 자리 잡은 임베딩 및 전이학습의 이론과 실습을 추가했고, 최신 텐서플로 2로 작성된 코드를 구글 코랩을 활용해 온라인에서 직접 실습할 수 있게 구성했다.

머신러닝/딥러닝을 처음 시작하는 분들을 위한 책입니다!

《나의 첫 머신러닝/딥러닝》은 머신러닝/딥러닝을 시작하려는 모든 분들을 대상으로 합니다. 간단한 그림과 명쾌한 설명으로 이해하기 쉬운 알고리즘부터 차근차근 단계별로 배우면서 어려움 없이 머신러닝/딥러닝을 학습할 수 있도록 구성했습니다.

이번 개정판에서는 최신 트렌드로 자리 잡은 임베딩 및 전이학습의 이론과 실습을 추가했고, 최신 텐서플로 2로 작성된 코드를 구글 코랩을 활용해 온라인에서 직접 실습할 수 있게 구성했습니다.

★ 이 책에서 배우는 내용 ★

◎ 머신러닝 필수 개념
◎ 딥러닝 필수 개념
◎ k-최근접 이웃
◎ 서포트 벡터 머신
◎ 의사결정 트리
◎ 나이브 베이즈
◎ 앙상블
◎ 군집화
◎ 선형회귀
◎ 로지스틱 회귀
◎ 주성분 분석
◎ 다층 퍼셉트론
◎ 컨볼루셔널 뉴럴 네트워크(CNN)
◎ 순환신경망(RNN)
◎ 오토인코더
◎ Word2Vec, FastText, Glove
◎ 전이학습

정보제공 :

목차
01 개발자가 처음 만난 머신러닝의 세계 
 1.1 머신러닝이란? = 2
 1.2 프로젝트 과정 미리보기 = 3
 1.3 실습의 중요성 = 4
02 실습 준비 
 2.1 예제 코드 = 5
 2.2 구글 코랩(Google Colaboratory) = 5
03 자주 등장하는 머신러닝 필수 개념 
 3.1 지도학습과 비지도학습 = 8
  3.1.1 지도학습 = 8
  3.1.2 비지도학습 = 9
 3.2 분류와 회귀 = 9
  3.2.1 분류 = 9
  3.2.2 회귀 = 10
 3.3 과대적합과 과소적합 = 11
  3.3.1 과소적합 = 11
  3.3.2 과대적합 = 12
 3.4 혼동 행렬 = 14
 3.5 머신러닝 모델의 성능 평가 = 15
  3.5.1 TP(true positive) - 맞는 것을 올바르게 예측한 것 = 15
  3.5.2 TN(true negative) - 틀린 것을 올바르게 예측한 것 = 15
  3.5.3 FP(false positive) - 틀린 것을 맞다고 잘못 예측한 것 = 16
  3.5.4 FN(false negative) - 맞는 것을 틀렸다고 잘못 예측한 것 = 17
  3.5.5 정확도 = 17
  3.5.6 정밀도 = 18
  3.5.7 재현율 = 19
  3.5.8 F1 점수 = 19
 3.6 k-폴드 교차 검증 = 23
04 머신러닝 알고리즘 실습 
 4.1 머신러닝 알고리즘 실습 개요 = 25
  4.1.1 알고리즘 선정 이유 = 25
 4.2 k-최근접 이웃(k-Nearest Neighbor, kNN) = 27
  4.2.1 [이론] k-최근접 이웃 알고리즘(kNN) = 28
  4.2.2 [실습] 농구선수의 게임 데이터를 활용한 포지션 예측 = 38
 4.3 서포트 벡터 머신(SVM) = 50
  4.3.1 [이론] 서포트 벡터 머신 = 50
  4.3.2 [실습] 농구선수의 게임 기록을 학습해서 포지션을 예측해보자 = 61
 4.4 의사결정 트리 = 68
  4.4.1 [이론] 의사결정 트리 = 68
  4.4.2 [실습] 서울 지역(강동, 강서, 강남, 강북) 다중 분류하기 = 78
 4.5 나이브 베이즈 = 91
  4.5.1 [이론] 나이브 베이즈 = 91
  4.5.2 [실습] 가우시안 나이브 베이즈를 활용한 붓꽃 분류 = 100
  4.5.3 [실습] 베르누이 나이브 베이즈를 활용한 스팸 분류 = 108
  4.5.4 [실습] 다항분포 나이브 베이즈를 활용한 영화 리뷰 분류 = 113
 4.6 앙상블 = 119
  4.6.1 [이론] 배깅 = 119
  4.6.2 [이론] 부스팅 = 123
  4.6.3 [실습] 랜덤 포레스트 손글씨 분류 = 125
  4.6.4 [실습] 보팅 앙상블 손글씨 분류 = 128
 4.7 군집화 = 133
  4.7.1 [이론] k 평균 알고리즘 = 133
  4.7.2 [실습] 키와 몸무게에 따른 체형 군집화 = 140
 4.8 선형회귀 = 143
  4.8.1 [이론] 선형회귀 = 143
  4.8.2 [실습] 선형회귀 = 151
 4.9 로지스틱 회귀 = 155
  4.9.1 [이론] 로지스틱 회귀 = 155
  4.9.2 [실습] 단일 입력 로지스틱 회귀 = 162
  4.9.3 [실습] 다중 입력 로지스틱 회귀 = 165
  4.9.4 [실습] 소프트맥스(다중 분류 로지스틱 회귀) = 168
 4.10 주성분 분석 = 173
  4.10.1 [이론] 주성분 분석 = 174
  4.10.2 [실습] 식습관 데이터를 차원축소시켜서 시각화하기 = 177
05 딥러닝의 기본 개념 
 5.1 딥러닝의 탄생 = 186
 5.2 딥러닝과 머신러닝의 관계 = 187
 5.3 딥러닝 이름의 유래 = 188
 5.4 딥러닝 탄생 배경 = 188
 5.5 퍼셉트론 = 189
 5.6 다층 퍼셉트론 = 193
 5.7 뉴런(노드) = 195
 5.8 딥러닝의 학습 = 197
  5.8.1 순전파(forward propagation) = 197
  5.8.2 손실함수 = 198
  5.8.3 최적화 = 198
  5.8.4 역전파 = 200
  5.8.5 옵티마이저 = 201
 5.9 딥러닝의 과대적합 = 207
  5.9.1 드롭아웃 = 207
  5.9.2 조기 종료 = 209
 5.10 [실습] 퍼셉트론 = 210
 5.11 [실습] 뉴런(노드) = 215
 5.12 [실습] 다층 퍼셉트론으로 XOR 구현하기 = 217
 5.13 [실습] 다층 퍼셉트론으로 손글씨 숫자 분류하기 = 222
06 딥러닝 
 6.1 컨볼루셔널 뉴럴 네트워크(CNN) = 228
  6.1.1 [이론] CNN = 228
  6.1.2 [실습] CNN = 241
 6.2 순환신경망(RNN) = 246
  6.2.1 [이론] RNN = 246
  6.2.2 [이론] LSTM = 253
  6.2.3 [실습] RNN 기초 = 261
  6.2.4 [실습] LSTM 기초 = 268
  6.2.5 [실습] LSTM - 지문을 읽고 주제 분류하기 = 270
 6.3 오토인코더 = 277
  6.3.1 [이론] 오토인코더 = 277
  6.3.2 [실습] 손글씨 숫자 데이터 시각화 = 278
 6.4 단어 임베딩 = 284
  6.4.1 [이론] Word2Vec = 284
  6.4.2 [실습] Word2Vec = 293
  6.4.3 [실습] 사전 학습된 Word2Vec 맛보기 = 302
  6.4.4 [이론] FastText = 303
  6.4.5 [실습] 사전학습된 FastText 맛보기 = 304
  6.4.6 [실습] 사전 학습된 Glove 맛보기 = 306
 6.5 전이 학습 = 309
  6.5.1 [이론] 전이 학습 = 309
  6.5.2 [실습] 사전 학습된 임베딩으로 사용자 리뷰 분류하기 = 312
참고문헌 
 딥러닝 이론／실습 = 318
 파이썬 활용 데이터 과학 및 엔지니어링 = 319
 Numpy = 319
 IPython = 319
 Matplotlib = 319
 Seaborn = 320
 Cython = 320
 Pandas = 320
 scikit-learn = 320
 scikit-image = 322
 Jupyter Notebook = 322
 Keras = 322
 Tensorflow = 322