품목정보
발행일	2022년 08월 26일
쪽수, 무게, 크기	480쪽 \| 18824530mm
ISBN13	9791192469249
ISBN10	1192469240

더보기

카드 뉴스로 보는 책

지은이·옮긴이 소개 xiii 기술 감수자 소개 xiv 옮긴이 머리말 xv 베타리더 후기 xvii 감사의 글 xix 이 책에 대하여 xx CHAPTER 1 머신러닝과 파이썬 시작하기 1 1.1 머신러닝 소개 2 1.2 머신러닝의 전제 조건 7 1.3 세 가지 유형의 머신러닝 시작하기 8 1.4 머신러닝의 핵심 파헤치기 11 1.5 데이터 처리와 특징 공학 23 1.6 모델 결합 29 1.7 소프트웨어 설치 및 설정 34 1.8 요약 39 1.9 연습 문제 39 CHAPTER 2 나이브 베이즈를 이용한 영화 추천 엔진 구축 41 2.1 분류 시작하기 42 2.2 나이브 베이즈 45 2.3 나이브 베이즈 구현 52 2.4 나이브 베이즈를 이용한 영화 추천기 구축 57 2.5 분류 성능 평가 62 2.6 교차 검증으로 모델 조정 66 2.7 요약 69 2.8 연습 문제 69 2.9 참고 문헌 70 CHAPTER 3 서포트 벡터 머신을 이용한 얼굴 인식 71 3.1 SVM으로 구분 경계 탐색 72 3.2 SVM을 이용한 얼굴 이미지 분류 90 3.3 태아심박동검사에서 태아 상태 분류 96 3.4 요약 98 3.5 연습 문제 99 CHAPTER 4 트리 기반 알고리즘을 이용한 온라인 광고 클릭률 예측 101 4.1 광고 클릭률 예측의 개요 102 4.2 두 가지 유형의 데이터로 시작하기: 수치형과 범주형 103 4.3 루트에서 리프까지 의사결정 트리 탐색 104 4.4 밑바닥부터 구현하는 의사결정 트리 115 4.5 사이킷런을 이용한 의사결정 트리 구현 123 4.6 의사결정 트리를 이용한 광고 클릭률 예측 124 4.7 의사결정 트리 앙상블: 랜덤 포레스트 130 4.8 의사결정 트리 앙상블: 그레이디언트 부스티드 트리 132 4.9 요약 135 4.10 연습 문제 135 CHAPTER 5 로지스틱 회귀를 이용한 온라인 광고 클릭률 예측 137 5.1 범주형 특징을 수치형으로 변환: 원-핫 인코딩과 순서 인코딩 138 5.2 로지스틱 회귀를 이용한 데이터 분류 141 5.3 로지스틱 회귀 모델 훈련 146 5.4 온라인 학습을 통한 대규모 데이터셋 훈련 158 5.5 다중 클래스 분류 161 5.6 텐서플로를 이용한 로지스틱 회귀 구현 163 5.7 랜덤 포레스트를 이용한 특징 선택 165 5.8 요약 167 5.9 연습 문제 167 CHAPTER 6 테라바이트 규모의 클릭 로그 예측 169 6.1 아파치 스파크의 핵심 배우기 170 6.2 파이스파크 프로그래밍 175 6.3 스파크를 통한 대규모 클릭 로그 학습 178 6.4 스파크를 이용한 범주형 변수의 특징 공학 189 6.5 요약 195 6.6 연습 문제 196 CHAPTER 7 회귀 알고리즘을 이용한 주가 예측 197 7.1 주식시장과 주가의 개요 198 7.2 회귀란 무엇인가? 199 7.3 주가 데이터 수집 200 7.4 선형회귀를 이용한 추정 210 7.5 의사결정 트리 회귀를 이용한 추정 217 7.6 서포트 벡터 회귀를 이용한 추정 225 7.7 회귀 성능 평가 226 7.8 회귀 알고리즘 세 가지를 이용한 주가 예측 228 7.9 요약 233 7.10 연습 문제 233 CHAPTER 8 인공 신경망을 이용한 주가 예측 235 8.1 신경망의 이해 236 8.2 신경망 구축 242 8.3 적절한 활성화 함수 선택 248 8.4 신경망의 과적합 방지 249 8.5 신경망을 이용한 주가 예측 251 8.6 요약 259 8.7 연습 문제 259 CHAPTER 9 텍스트 분석 기법을 이용한 20개 뉴스그룹 데이터셋 분석 261 9.1 컴퓨터가 언어를 이해하는 방법: NLP 262 9.2 인기 있는 NLP 라이브러리와 NLP 기초 265 9.3 뉴스그룹 데이터 가져오기 274 9.4 뉴스그룹 데이터 탐색 276 9.5 텍스트 데이터의 특징 고려 279 9.6 t-SNE를 이용한 뉴스그룹 데이터 시각화 286 9.7 요약 289 9.8 연습 문제 290 CHAPTER 10 군집화와 주제 모델링을 이용한 뉴스그룹 데이터셋의 기본 주제 찾기 291 10.1 선생님 없이 학습하기: 비지도학습 292 10.2 k-평균을 이용한 뉴스그룹 데이터 군집화 293 10.3 뉴스그룹 이면의 주제 발견 311 10.4 요약 318 10.5 연습 문제 319 CHAPTER 11 머신러닝 모범 사례 321 11.1 머신러닝 솔루션 워크플로 322 11.2 데이터 준비 단계의 모범 사례 323 11.3 훈련셋 생성 단계의 모범 사례 329 11.4 모델 훈련, 평가, 선택 단계의 모범 사례 340 11.5 배포와 모니터링 단계의 모범 사례 345 11.6 요약 349 11.7 연습 문제 350 CHAPTER 12 합성곱 신경망을 이용한 옷 이미지 분류 351 12.1 CNN의 구성 요소 352 12.2 분류를 위한 CNN 구조 설계 356 12.3 옷 이미지 데이터셋 358 12.4 CNN을 이용한 옷 이미지 분류 361 12.5 데이터 증강을 통한 CNN 분류기 강화 369 12.6 데이터 증강을 통한 옷 이미지 분류기 개선 375 12.7 요약 378 12.8 연습 문제 378 CHAPTER 13 순환 신경망을 이용한 시퀀스 예측 379 13.1 순차 학습 소개 380 13.2 예시를 통해 배우는 RNN 구조 380 13.3 RNN 모델 훈련 386 13.4 장단기 메모리를 이용한 장기 의존성 극복 387 13.5 RNN을 이용한 영화 리뷰 감정 분석 390 13.6 RNN으로 나만의 《전쟁과 평화》 작성하기 398 13.7 트랜스포머 모델을 이용한 언어 이해도 향상 409 13.8 요약 412 13.9 연습 문제 412 CHAPTER 14 강화학습을 이용한 복잡한 환경에서의 의사결정 413 14.1 작업 환경 설정 413 14.2 예시를 이용한 강화학습 소개 417 14.3 동적 프로그래밍을 이용한 FrozenLake 환경 해결 421 14.4 몬테카를로 학습 수행 432 14.5 Q-러닝 알고리즘으로 택시 문제 풀기 441 14.6 요약 449 14.7 연습 문제 449 찾아보기 450

더보기

상세 이미지 상세 이미지 보이기/감추기

상품 이미지를 확대해서 볼 수 있습니다. 원본 이미지

더보기

저자 소개 (2명)

책 속으로 책속으로 보이기/감추기

정밀도, 재현율, F1 점수는 다중 클래스 분류에도 적용할 수 있는데, 이 경우에는 관심 있는 클래스를 양성으로 처리하고 그 밖의 다른 클래스는 음성으로 처리한다. / 클래스 평균 F1 점수와 클래스별 F1 점수 모두 가장 높은 값을 얻도록 이진 분류기를 조정(예를 들어 나이브 베이즈 분류기의 평활화 계수와 같은 초매개변수(hyperparameter)의 다양한 조합을 시도하는 경우)할 수 있으면 좋겠지만, 일반적으로는 어렵다. 어떤 경우에는 한 모델의 평균 F1 점수가 다른 모델보다 높지만, 특정 클래스에 대해서는 F1 점수가 상당히 낮다. 또 어떤 경우에는 두 모델의 평균 F1 점수가 동일하지만,한 모델의 어떤 클래스에 대한 F1 점수는 높고 다른 클래스에 대해서는 F1 점수가 낮다. 이와 같은 상황에서 어떤 모델이 더 잘 작동하는지는 어떻게 판단할 수 있을까?
--- p.64

온라인 디스플레이 광고는 머신러닝을 활용하기에 매우 좋은 예 중 하나다. 광고주와 소비자는 타깃이 명확한 광고에 큰 관심을 가진다. 지난 20년 동안 업계는 광고 타기팅의 효과를 예측하기 위해 머신러닝 모델에 크게 의존해왔는데, 특정 연령대의 소비자가 이 제품에 관심을 가질 가능성, 특정 가계소득 수준의 고객이 광고를 본 뒤에 이 제품을 구매할 가능성, 스포츠 사이트를 자주 방문하는 방문자가 해당 광고를 읽는 데 더 많은 시간을 할애할 가능성 등이 이에 해당한다. 광고의 효과를 측정하는 가장 일반적인 방법은 클릭률(click-through rate, CTR)로, 전체 조회수 대비 특정 광고를 클릭하는 비율이다.
--- p.102

예측력을 높이려면 더 많은 특징을 생성해야 한다. 요약하자면, 머신러닝에서의 특징 공학은 머신러닝 알고리즘의 성능을 향상하기 위해 기존 특징을 기반으로 도메인별(domain-specific) 특징을 생성하는 과정이다. / 일반적으로 특징 공학에는 충분한 도메인 지식이 필요한데, 매우 어려울뿐더러 시간이 많이 소요될 수 있다. 실제로 머신러닝 문제를 해결하는 데 사용되는 특징은 바로 눈에 보이지 않는 만큼, 스팸 이메일 탐지와 뉴스그룹 분류에서의 용어 빈도나 tf-idf 특징과 같이 구체적으로 설계하고 구성해야 한다. 따라서 머신러닝에서 특징 공학은 필수 요소이면서 실제 문제를 해결하기 위해 가장 큰 노력을 쏟는 부분이다.
--- p.202

앞서 언급했듯이, 같은 어근에서 나온 단어를 처리하는 두 가지 기본 전략으로 어간 추출과 표제어 추출이 있다. 어간 추출이 좀 더 빠른 접근 방식으로 필요할 때는 글자를 잘라내기도 한다. 예를 들어 words는 어간 추출 후에 word가 된다. 또한 어간 추출의 결과가 꼭 유효한 단어일 필요는 없는데, 예를 들어 trying과 try를 어간 추출하면 tri가 된다. 반면 표제어 추출은 느리지만 더 정확하다. 사전 조회(dictionary lookup)를 통해 유효한 단어의 반환을 보장한다. 앞 절에서 NLTK를 이용해서 어간 추출과 표제어 추출을 구현해보았으니, 필요하면 이를 참조한다. / 지금까지 다룬 모든 내용(전처리, 불용어 삭제, 표제어 추출, 카운트 벡터화)을 통합하면 다음과 같다.
--- p.284

데이터 증강(data augmentation)은 일반화 성능을 개선하기 위해서 기존 훈련 데이터셋을 확장하는 것이다. 이를 통해 더 많은 데이터를 수집하고 레이블링하는 데 드는 비용을 줄일 수 있다. 텐서플로에서는 케라스 API의 ImageDataGenerator 모듈을 이용해서 실시간으로 이미지 증강을 구현한다. / 이미지 데이터를 증강하는 여러 가지 방법이 있는데, 가장 간단한 방법은 이미지를 수평 방향이나 수직 방향으로 뒤집는(flipping) 것이다. 예를 들어 기존 이미지를 수평으로 뒤집으면 새로운 이미지가 생긴다. 수평으로 뒤집은 이미지를 생성하려면 다음과 같이 이미지 데이터 생성기를 만들어야 한다.

--- p.369~370

출판사 리뷰 출판사 리뷰 보이기/감추기

다양한 프레임워크, 다양한 알고리즘, 다양한 예제로 익히는 실전 머신러닝 개발 머신러닝이 업계 전반에서 널리 활용되고 있지만, 기법과 도구는 나날이 새로워지고 있어 어떤 조합을 어떤 시나리오에 적용할지 막막함을 느끼는 실무자가 많다. 이 책은 일부 알고리즘을 깊이 파고들기보다는 다양한 애플리케이션 예제를 훑고 구현함으로써 EDA, 특징 공학, 분류, 회귀, 군집화, NLP 등 영역에서의 머신러닝 알고리즘의 작동 원리를 되새길 수 있게 한다. 1장은 머신러닝 기술을 개괄하고, 바로 2장부터 나이브 베이즈를 이용해 영화 추천 엔진을 구축해본다. 라이브러리 없이 ‘밑바닥부터’ 구현하는 법과 사이킷런을 이용하는 법을 모두 다루며, 이러한 방식이 이후 챕터에서도 자주 반복된다. 3장은 SVM을 설명하고 얼굴 인식이나 심전도 분류에 활용한다. 4장부터 6장은 온라인 광고 클릭률 데이터셋을 사용한 예측을 살펴본다. 4장은 의사결정 트리, 랜덤 포레스트 등 트리 기반 알고리즘으로, 5장은 로지스틱 회귀로 광고 클릭률 예측기를 만들어본다. 이 과정에서 사이킷런, XGBoost, 텐서플로 등 익숙한 라이브러리들의 사용법도 익힐 수 있다. 6장은 스파크를 사용해 테라바이트 규모의 로그를 분석해봄으로써 광고 클릭률 예측기를 더욱 확장한다. 7장과 8장은 누구나 관심 있는 주가 예측 문제를 다룬다. 7장에서는 회귀 기법을 자세히 설명한 다음에, 8장에서는 딥러닝의 기초인 신경망을 설명한 다음에 여러 방식으로 구현해 주가 예측에 적용해본다. 9장과 10장은 뉴스그룹 데이터셋을 예시로 NLP 애플리케이션을 실습한다. NLP에서 널리 쓰이는 라이브러리들을 개괄한 다음, 토큰화, 어간 추출, 표제어 추출 등 NLP의 기초를 설명하고, 나아가 차원 축소(t-SNE), 비지도학습(주제 모델링, k-평균 군집화)까지 살펴본다. 11장은 잠시 숨을 고르고 머신러닝 작업 워크플로에서 단계별로 대표적인 모범 사례를 꼽아 살펴본다. 12장과 13장은 각각 CNN과 RNN을 다룬다. 텐서플로(케라스)를 사용하여, 12장은 의류 이미지 분류기를 만들며 데이터 증강 같은 유용한 기법을 소개하고, 13장은 감정 분석과 텍스트 생성 실습을 하며 트랜스포머 같은 최신 모델도 소개한다. 마지막 14장은 OpenAI Gym 환경에서 가치 반복, 정책 반복, Q-러닝 등을 이용해 강화학습을 실습해본다. 책 전체에 걸쳐 수많은 도구, 기법, 개념이 등장하지만, 하나하나를 자세히 살펴보기보다는 큰 그림과 실제 구현하는 법에 초점을 둔 책이다. 아직 다양한 개발 경험을 쌓지 못한 실무자들에게 풍성한 간접경험을 제공한다는 점이 큰 미덕이다. EDA, 특징 공학, 분류, 회귀, 군집화, NLP 등 업계에서 널리 활용되는 머신러닝 기법의 작동 원리를 살펴봄으로써 오늘날의 ‘거의 모든’ 머신러닝 커리큘럼을 접할 수 있다. 주요 내용 ■ 머신러닝 및 데이터 과학에서 다루는 주요 개념 ■ 파이썬을 활용한 데이터 마이닝 및 분석 ■ 아파치 스파크로 복잡한 데이터를 이용하는 모델 훈련 확장 ■ NLTK, 젠심 같은 파이썬 라이브러리를 통한 텍스트 분석 및 NLP ■ 머신러닝 모델 선택, 구축, 성능 평가, 최적화 ■ 바닐라 파이썬, 텐서플로 2, 파이토치, 사이킷런 등으로 머신러닝 알고리즘 구현

회원리뷰 (4건) 회원리뷰 이동

리뷰 쓰기

혜택 및 유의사항?

총 평점 10.0점 10.0 / 10.0

검색결과 정렬 옵션 삭제

회원리뷰 전체보기

한줄평 (1건) 한줄평 이동

한줄평 쓰기

혜택 및 유의사항?

총 평점 10.0점 10.0 / 10.0

구매 한줄평

한줄평 전체보기

배송/반품/교환 안내

배송 안내

반품/교환 안내에 대한 내용입니다.
배송 구분	예스24 배송 배송비 : 무료배송
포장 안내	안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다. 목적 : 안전한 포장 관리 촬영범위 : 박스 포장 작업

반품/교환 안내

상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내에 대한 내용입니다.
반품/교환 방법	고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태)
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리