상세정보

목차

머신러닝 이론 입문 - 나카이 에츠지 지음, 김범준 옮김, 곽동민 감수
IT 개발자 중에서 머신러닝 알고리즘을 공부하고 싶어하며 그 알고리즘 속에 포함된 이론을 이해하여 업무에 활용하고 싶어하는 독자를 대상으로 쓰여졌다. '데이터 분석 결과를 업무 판단에 이용한다'라는 개념을 가지고 각종 알고리즘을 설명한 책이다.

http://www.aladin.co.kr/shop/wproduct.aspx?ItemId=85143748&copyPaper=1&ttbkey=ttbhcr98061138004&start=api

▣ 01장: 데이터 과학과 머신러닝
1.1 업무상에서 데이터 과학이 하는 역할
1.2 머신러닝 알고리즘 분류
___1.2.1 분류: 클래스 판정을 산출하는 알고리즘
___1.2.2 회귀분석: 수치를 예측하는 알고리즘
___1.2.3 클러스터링: 지도자 없이 그룹화하는 알고리즘
___1.2.4 그 밖의 알고리즘
1.3 이 책에서 사용하는 예제
___1.3.1 회귀분석에 의한 관측값 추측
___1.3.2 선형판별에 의한 신규 데이터 분류
___1.3.3 이미지 파일 감색 처리(대표색 추출)
___1.3.4 손글씨 문자 인식
1.4 분석 도구 준비
___1.4.1 이 책에서 사용할 데이터 분석 도구
___1.4.2 실행 환경 설치 순서(CentOS 6)
___1.4.3 실행 환경 설치 순서(Mac OS X)
___1.4.4 실행 환경 설정 순서(Windows 7/8.1)
___1.4.5 IPython 사용법

▣ 02장: 최소제곱법 - 머신러닝 이론의 첫 걸음
2.1 다항식 근사와 최소제곱법에 의한 추정
___2.1.1 트레이닝 세트의 특징 변수와 목적 변수
___2.1.2 다항식 근사와 오차함수 설정
___2.1.3 오차함수를 최소화할 수 있는 조건
___2.1.4 예제 코드로 확인한다
___2.1.5 통계모델이라는 관점에서 최소제곱법이란
2.2 오버 피팅 검출
___2.2.1 트레이닝 셋과 테스트 셋
___2.2.2 테스트 셋으로 검증한 결과
___2.2.3 교차 검증을 통해 일반화 능력을 검증한다
___2.2.4 데이터 개수에 따른 오버 피팅 변화
2.3 부록 - 헤세행렬의 성질

▣ 03장: 최우추정법 - 확률을 사용한 추정 이론
3.1 확률 모델을 이용한다
___3.1.1 데이터 발생 확률 설정
___3.1.2 우도함수로 파라미터를 평가한다
___3.1.3 예제 코드로 확인한다
3.2 단순한 예로 설명한다
___3.2.1 정규분포의 파라메트릭 모델
___3.2.2 예제 코드로 확인한다
___3.2.3 추정량을 평가하는 방법(일치성과 불편성)
3.3 부록-표본평균·표본분산의 일치성과 불편성
___3.3.1 표본평균·표본분산의 일치성과 불편성 증명
___3.3.2 예제 코드로 확인한다

▣ 04장: 퍼셉트론 - 분류 알고리즘 기초
4.1 확률적 기울기 하강법 알고리즘
___4.1.1 평면을 분할하는 직선의 방정식
___4.1.2 오차함수를 사용하여 분류 결과를 평가한다
___4.1.3 기울기 벡터로 파라미터를 수정한다
___4.1.4 예제 코드로 확인한다
4.2 퍼셉트론을 기하학적으로 해석한다
___4.2.1 바이어스 항의 임의성과 알고리즘 수렴 속도
___4.2.2 퍼셉트론의 기하학적 해석
___4.2.3 바이어스 항의 기하학적인 의미

▣ 05장: 로지스틱 회귀와 ROC 곡선 - 학습 모델을 평가하는 방법
5.1 분류 문제에 최우추정법을 적용한다
___5.1.1 데이터 발생 확률 설정
___5.1.2 최우추정법으로 파라미터를 결정한다
___5.1.3 예제 코드로 확인한다
5.2 ROC 곡선으로 학습 모델을 평가한다
___5.2.1 로지스틱 회귀를 현실 문제에 적용한다
___5.2.2 ROC 곡선으로 성능 평가
___5.2.3 예제 코드로 확인한다
5.3 부록 - IRLS법 도출

▣ 06장: k-평균법 - 비지도 학습모델 기초
6.1 k-평균법을 통한 클러스터링과 그 응용
___6.1.1 비지도 학습모델 클러스터링
___6.1.2 k-평균법을 사용한 클러스터링
___6.1.3 이미지 데이터에 응용
___6.1.4 예제 코드로 확인한다
___6.1.5 k-평균법의 수학적 근거
6.2 게으른 학습모델로서의 k-최근접이웃
___6.2.1 k-최근접이웃으로 분류
___6.2.2 k-최근접이웃의 문제점

▣ 07장: EM 알고리즘 - 최우추정법에 의한 비지도 학습
7.1 베르누이 분포를 사용한 최우추정법
___7.1.1 손글씨 문자 합성 방법
___7.1.2 이미지 생성기와 최우추정법
7.2 혼합분포를 사용한 최우추정법
___7.2.1 혼합분포로 확률계산
___7.2.2 EM 알고리즘 절차
___7.2.3 예제 코드로 확인한다
___7.2.4 클러스터링으로 데이터를 해석한다
7.3 부록 - 손글씨 문자 데이터를 다운로드한다

▣ 08장: 베이즈 추정 - 데이터를 기반으로 확신을 더하는 방법
8.1 베이즈 추정 모델과 베이즈 정리
___8.1.1 베이즈 추정의 개념
___8.1.2 베이즈 정리 입문
___8.1.3 베이즈 추정으로 정규분포를 정한다: 파라미터 추정
___8.1.4 베이즈 추정으로 정규분포를 결정한다: 관측값의 분포를 추정
___8.1.5 예제 코드로 확인한다
8.2 베이즈 추정을 회귀분석에 응용
___8.2.1 파라미터의 사후분포 계산
___8.2.2 관측값의 분포를 추정
___8.2.3 예제 코드로 확인한다
8.3 부록-최우추정법과 베이즈 추정의 관계

[인터넷서점 알라딘 제공]