CHAPTER 1 소개
1.1 왜 머신러닝인가?
_1.1.1 머신러닝으로 풀 수 있는 문제
_1.1.2 문제와 데이터 이해하기
1.2 왜 파이썬인가?
1.3 scikit-learn
_1.3.1 scikit-learn 설치
1.4 필수 라이브러리와 도구들
_1.4.1 주피터 노트북
_1.4.2 NumPy
_1.4.3 SciPy
_1.4.4 matplotlib
_1.4.5 pandas
_1.4.6 mglearn
1.5 파이썬 2 vs. 파이썬 3
1.6 이 책에서 사용하는 소프트웨어 버전
1.7 첫 번째 애플리케이션: 붓꽃의 품종 분류
_1.7.1 데이터 적재
_1.7.2 성과 측정: 훈련 데이터와 테스트 데이터
_1.7.3 가장 먼저 할 일: 데이터 살펴보기
_1.7.4 첫 번째 머신러닝 모델: k-최근접 이웃 알고리즘
_1.7.5 예측하기
_1.7.6 모델 평가하기
1.8 요약
CHAPTER 2 지도 학습
2.1 분류와 회귀
2.2 일반화, 과대적합, 과소적합
_2.2.1 모델 복잡도와 데이터셋 크기의 관계
2.3 지도 학습 알고리즘
_2.3.1 예제에 사용할 데이터셋
_2.3.2 k-최근접 이웃
_2.3.3 선형 모델
_2.3.4 나이브 베이즈 분류기
_2.3.5 결정 트리
_2.3.6 결정 트리의 앙상블
_2.3.7 커널 서포트 벡터 머신
_2.3.8 신경망(딥러닝
2.4 분류 예측의 불확실성 추정
_2.4.1 결정 함수
_2.4.2 예측 확률
_2.4.3 다중 분류에서의 불확실성
2.5 요약 및 정리
CHAPTER 3 비지도 학습과 데이터 전처리
3.1 비지도 학습의 종류
3.2 비지도 학습의 도전 과제
3.3 데이터 전처리와 스케일 조정
_3.3.1 여러 가지 전처리 방법
_3.3.2 데이터 변환 적용하기
_3.3.3 훈련 데이터와 테스트 데이터의 스케일을 같은 방법으로 조정하기
_3.3.4 지도 학습에서 데이터 전처리 효과
3.4 차원 축소, 특성 추출, 매니폴드
실제 문제에 대한 해법을 찾는 머신러닝 기술자를 위한 본격 머신러닝 입문서
이 책은 머신러닝 알고리즘을 밑바닥부터 만드는 법을 다루지는 ‘않으며’, 대신 사이킷런과 다른 라이브러리에 이미 구현된 방대한 양의 모델을 사용하는 법에 집중합니다. 머신러닝과 인공지능에 대한 사전 지식이 필요 없는 입문서로, 파이썬과 사이킷런을 중심으로 머신러닝 애플리케이션을 성공적으로 만드는 모든 단계를 밟아갑니다. 여기서 소개하는 방법들은 상용 애플리케이션을 만드는 데이터 전문가는 물론 연구자와 과학자에게도 도움이 될 것입니다. 파이썬과 NumPy,...
실제 문제에 대한 해법을 찾는 머신러닝 기술자를 위한 본격 머신러닝 입문서
이 책은 머신러닝 알고리즘을 밑바닥부터 만드는 법을 다루지는 ‘않으며’, 대신 사이킷런과 다른 라이브러리에 이미 구현된 방대한 양의 모델을 사용하는 법에 집중합니다. 머신러닝과 인공지능에 대한 사전 지식이 필요 없는 입문서로, 파이썬과 사이킷런을 중심으로 머신러닝 애플리케이션을 성공적으로 만드는 모든 단계를 밟아갑니다. 여기서 소개하는 방법들은 상용 애플리케이션을 만드는 데이터 전문가는 물론 연구자와 과학자에게도 도움이 될 것입니다. 파이썬과 NumPy, matplotlib 라이브러리에 친숙하다면 이 책의 대부분을 이해할 수 있습니다.
★ 주요 내용
머신러닝의 기본 개념과 응용
널리 사용되는 머신러닝 알고리즘의 장점과 단점
머신러닝으로 처리한 데이터를 표현하는 방법
모델 평가와 매개변수 튜닝을 위한 고급 방법
체인 모델과 워크플로 캡슐화를 위한 파이프라인
텍스트 데이터를 다루는 기술
머신러닝과 데이터 과학 기술 향상을 위한 조언
