제 1 부 인공지능과 머신 러닝 1

1. 인공지능 1
1.1. 인공지능: 현대적 접근방식 1
1.2. 스마트 홈 생태계 3

2. 머신러닝 5
2.1. 기계 학습 핵심 : 최적화와 일반화 6
2.2. 인공지능, 기계학습과 딥러닝 8
2.3. 기계학습 학습방식 10
2.4. 기타 학습법 14
2.4. 머신 러닝 모델 18
2.5. 머신러닝 단점 30
2.6. 모델 평가 32

제 2 부 데이터와 머신 러닝 35

3. 데이터 35
3.1. Data, 정보, 지식과 지혜 35
3.2. 정형과 비정형 데이터 37

4. 데이터 전처리와 특성 추출 44
4.1. 데이터의 유형 : 시계열 데이터 44
4.2. 데이터 셋 불균형 49
4.3. k Fold Cross-Validation 51
4.4. 데이터 전처리(Data preprocessing) 51
4.5. 데이터 축소 55
4.6. 데이터 랭글링 57
4.7. 데이터 마이닝 61

제 3 부 머신러닝의 모델 66

5. 부트스트랩(bootstrap) 66
5.1. 부트스트랩(Bootstrap) 어원 67
5.2. Bootstrap sampling 특징 68

6. KNN (K-Nearest Neighbor) 80
6.1. k-NN 분류 80
6.2. KNN 동작원리 81
6.3. k-NN 분류와 회귀 82
6.4. k-NN 단점 83
6.5. 하이퍼파라미터 매개변수 지정 84
6.6. k -NN 회귀 89

7. 결정 트리(decision tree)) 91
7.1. 분류 트리와 회귀 트리 92
7.2. 구조 설명 : 노드, 클래스, 리프, 레이블 94
7.3. 평가 측정지표 96
7.5. 지니 불순물(Gini impurity) 101
7.6. 정보 이득(Information gain) 102
7.7. 결정트리 모델의 특징 103
7.8. 결정트리 구현 106

8. 랜덤 포레스트(random forest) 114
8.1. Random Forest 프로세스 115
8.2. 배깅과 랜덤포레스트 알고리즘 118
8.3. 랜덤 포레스트 특성 121
8.4. 랜덤 포레스트 구현과 평가 124

9. 앙상블(ensemble) 128
9.1. 배깅(bagging)과 부스팅(boosting) 129
9.2. 배깅과 부스팅 특징 133
9.3. 앙상블의 일반적인 유형 135
9.4. 앙상블 학습 애플리케이션 141
9.5. 앙상블 알고리즘 구현 143
9.6. 앙상블 테크닉: blending 147
9.7. 스태킹 앙상블(stacking ensemble) 149

10. 클래스 불균형 152

11. 데이터 사이언스 156
11.1. 데이터 파티션 156
11.2. anova 분석 158
11.3. 그랜저 인과관계(granger causality) 159
11.4. 나이브 베이즈 분류기 168
11.5 분류성능평가지표 169