소득공제
Building Machine Learning Systems with Python 한국어판
Scikit-learn 라이브러리로 구현하는 기계 학습 시스템
윌리 리커트 ,루이스 페드로 코엘류 공저 전철욱 역
에이콘출판사
2014.03.31.
이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 문화비소득공제 가능
책소개
목차
|
1장. 기계 학습 파이썬으로 시작하기
___기계 학습과 파이썬: 꿈의 조합 ___이 책이 알려주는 내용(과 알려주지 않는 내용) ___정체됐을 때 해야 할 작업 ___시작 ______NumPy, SciPy, Matplotlib 소개 ______파이썬 설치 ______NumPy와 효과적으로, SciPy와 지능적으로 적용하기 쉬운 데이터 만들기 ______NumPy 배우기 _________인덱싱 _________존재하지 않는 값 처리 _________실행 시간 비교 _________SciPy 배우기 ___첫 번째 기계 학습 애플리케이션 ______데이터 읽기 ______데이터 정리와 전처리 ______적절한 모델과 학습 알고리즘 선택 _________모델을 만들기에 앞서 _________단순한 직선으로 시작하기 _________좀 더 복잡한 모델 _________일보후퇴, 이보전진: 데이터 다시 보기 _________훈련과 테스트 _________최초 질문에 대답하기 ___정리 2장. 실제 예제를 이용한 분류법 학습 ___아이리스 데이터셋 ______첫 번째 단계, 시각화 ______첫 번째 분류 모델 만들기 _________평가: 홀드아웃 데이터와 교차 검증 ___좀 더 복잡한 분류기 만들기 ___좀 더 복잡한 데이터셋과 분류기 ______씨앗 데이터셋의 학습 ______속성과 속성 엔지니어링 ______최근접 이웃 분류 ______이진 분류와 다중 범주 분류 ___정리 3장. 군집화: 관련된 게시물 찾기 ___게시물의 관련도 측정 ______어떻게 하지 말아야 하는가 ______어떻게 해야 하는가 ___전처리: 공통 단어의 유사한 개수로서 측정된 유사도 ______원시 텍스트를 단어 주머니로 변환 ______단어 세기 ______단어 카운트 벡터 정규화 ______덜 중요한 단어의 삭제 ______어근 추출 _________NLTK 설치와 사용 _________NLTK와 벡터라이저 확장 ______강화된 불용어 ______우리의 성취와 목표 ___군집화 ______K평균 ______우리의 발상을 평가하기 위한 테스트 데이터 얻기 ______게시물 군집화 ___초기 도전과제 해결 ______노이즈의 또 다른 시각 ___매개변수 변경 ___정리 4장. 주제 모델링 ___잠재 디리클레 할당(LDA) ______주제 모델 만들기 ___주제 공간에서의 유사성 비교 ______위키피디아 전체의 모델링 ___주제의 개수 고르기 ___정리 5장. 분류 I: 형편없는 답변 감지 ___큰 그림 그리기 ___세련된 답변 구별법 학습 ______인스턴스 개선 ______분류기 개선 ___데이터 가져오기 ______데이터를 의미 있는 뭉치로 잘라내기 ______속성의 사전 선택과 처리 ______무엇이 좋은 답변인지 정의하기 ___첫 번째 분류기 만들기 ______k-최근접 이웃(kNN, k-nearest neighbor) 알고리즘으로 시작하기 ______속성 개선 ______분류기 훈련 ______분류기의 성능 측정 ______더 많은 속성 디자인하기 ___개선법 결정 ______편향과 변화량의 균형 ______고편향 고치기 ______고변화량 고치기 ______고편향 또는 저편향 ___로지스틱 회귀 ______간단한 예제와 약간의 수학 ______로지스틱 회귀를 게시물 분류에 적용하기 ___정확도 좀 더 보기: 정밀도와 재현율 ___분류기 살 빼기 ___배포 ___정리 6장. 분류 II: 감성 분석 ___큰 그림 그리기 ___트위터 데이터 가져오기 ___나이브 베이즈 분류기 소개 ______베이즈 정리 ______순박한 것 ______나이브 베이즈를 사용한 분류 ______못 보던 단어에 대한 해명과 기타 특이점 ______산술 언더플로(underflow) 설명하기 ___첫 번째 분류기 만들고 조절하기 ______쉬운 문제 먼저 해결하기 ___모든 범주 사용 ______분류기의 매개변수 조절 ___트윗 정리 ___단어의 종류 고려 ______단어의 종류 판단 ______SentiWordNet을 이용한 성공적인 편법 ______첫 번째 에스터메이터 ______모두 합하기 ___정리 7장. 회귀: 추천 ___회귀를 이용한 주택 가격 예상 ______다차원 회귀 ______회귀를 위한 교차 검증 ___벌점화 회귀 ______L1과 L2 벌칙 ______Scikit-learn에서 라소 또는 일래스틱 넷 사용 ___P가 N보다 큰 시나리오 ______텍스트 기반의 예제 ______영리한 방법으로 하이퍼 매개변수 설정하기 ______예측과 추천의 평점 ___정리 8장. 회귀: 향상된 추천 ___추천 향상 ______추천 이진 매트릭스 사용 ______영화의 이웃 보기 ______여러 기법의 결합 ___장바구니 분석 ______유용한 예측 얻기 ______슈퍼마켓 쇼핑 장바구니 분석 ______연관 룰 마이닝 ______좀 더 발전된 장바구니 분석 ___정리 9장. 분류III: 음악 장르 분류 ___큰 그림 그리기 ___음악 데이터 가져오기 ______WAV 형태로 변환 ___음악 살펴보기 ______음악을 사인 곡선 요소로 분해하기 ___FFT를 사용해 첫 번째 분류기 만들기 ______실험 기민성 증가 ______분류기 훈련 ______다중 범주 문제의 정확도 측정을 위한 혼돈 매트릭스 ______수용자 반응 특성을 이용한 분류기 성능 측정 대안 ___멜 주파수 켑스트럴 계수와 분류 성능 향상 ___정리 10장. 컴퓨터 비전: 패턴 인식 ___이미지 처리 소개 ___이미지 로딩과 출력 ______기본 이미지 처리 _________경계 짓기 _________가우시안 블러링(Gaussian blurring) _________다른 효과를 위한 필터링 ______소금과 후추 노이즈 추가 _________중앙에 초점 맞추기 ______패턴 인식 ______이미지로부터 속성 계산 ______속성 작성 ___좀 더 어려운 데이터셋의 분류 ___지역 속성 표현 ___정리 11장. 차원 수 줄이기 ___큰 그림 그리기 ___속성 선택 ______필터를 사용해 중복된 속성 탐지하기 _________상관 관계 _________상호 정보 ______래퍼를 사용해 속성에 대한 모델 묻기 ___그 밖의 속성 선택 기법 ___속성 추출 ______주요 구성요소 분석 _________PCA 훑어보기 _________PCA 적용하기 ______PCA의 한계와 LDA의 도움 ___다차원 축적(MDS) ___정리 12장. (조금 더 큰) 빅데이터 ___빅데이터 배우기 ___파이프라인을 작업으로 나누기 위한 jug 사용 ______작업에 대해 ______부분 결과 재사용 ______작업장 내부 보기 ______데이터 분석을 위한 jug 사용 ___아마존 웹 서비스(AWS) 사용 ______첫 번째 기계 만들기 _________아마존 리눅스에 파이썬 패키지 설치 _________클라우드 머신에서 jug 실행 ______startcluster로 클러스터 생성 자동화 ___정리 13장. 기계 학습을 더 배울 수 있는 자료 ___온라인 코스 ___책 ______Q&A 사이트 ______블로그 ______데이터 소스 ______경쟁하기 ___남겨진 것 ___정리 |
저자 소개
저자 : 윌리 리커트(Willi Richert)
기계 학습과 로보틱스 박사 학위자이며, 현재 마이크로소프트 빙(Bing)의 코어 렐러번스 팀(Core Relevance Team)에서 일하고 있다. 액티브 학습과 통계적 기계 번역 같은 다양한 기계 학습에 관여한다.
저자 : 루이스 페드로 코엘류(Luis Pedro Coelho)
전산 생물 학자는 생물체 시스템을 이해하는 수단으로 컴퓨터를 사용하는 사람들이다. 이 넓은 분야에서 루이스는 생물학 표본 이미지를 분석하는 데 기계 학습 기술을 응용하는 분야인 바이오이미지 인포메틱스(Bioimage Informatics)에 관련된 일을 한다. 그의 주 관심사는 대용량 이미지 데이터의 처리다. 로봇식 현미경으로 인해 하루에 대량의 이미지를 얻을 수 있게 됐으나, 이 모든 이미지의 시각적 관찰은 불가능해졌다.
루이스는 기계 학습 분야에서 세계적인 대학 중 하나인 카네기 멜론 대학교(Carnegie Mellon University)의 박사 학위자이며, 몇몇 과학 출판물의 저자이기도 하다.
루이스는 리스본 기술 대학교(Lisbon Technical University)의 컴퓨터 학과에서 배운 것을 실제 코드로 적용하고자 1998년부터 오픈소스 소프트웨어를 개발하기 시작했다. 2004년부터 파이썬으로 개발하기 시작했으며, 몇몇 오픈소스 라이브러리에 기여했다. 인기 있는 파이썬 컴퓨터 비전 패키지인 mahotas의 리더 개발자이자, 몇몇 기계 학습 코드의 기여자이다.
루이스는 기계 학습 분야에서 세계적인 대학 중 하나인 카네기 멜론 대학교(Carnegie Mellon University)의 박사 학위자이며, 몇몇 과학 출판물의 저자이기도 하다.
루이스는 리스본 기술 대학교(Lisbon Technical University)의 컴퓨터 학과에서 배운 것을 실제 코드로 적용하고자 1998년부터 오픈소스 소프트웨어를 개발하기 시작했다. 2004년부터 파이썬으로 개발하기 시작했으며, 몇몇 오픈소스 라이브러리에 기여했다. 인기 있는 파이썬 컴퓨터 비전 패키지인 mahotas의 리더 개발자이자, 몇몇 기계 학습 코드의 기여자이다.
역자 : 전철욱
명지대, 고려대에서 학사, 석사를 마쳤다. 한국, 일본, 호주에서 소프트웨어를 개발한 경험이 있고 공익을 위한 재능을 만들고자 노력한다. 웹의 개방성, 파이썬의 기민성, 기계 학습의 예측성을 좋아한다.
품목정보
- 발행일
- 2014년 03월 31일
- 쪽수, 무게, 크기
- 317쪽 | 770g | 188*235*30mm
- ISBN13
- 9788960775367
출판사 리뷰
|
★ 이 책에서 다루는 내용 ★
■ 텍스트, 이미지, 사운드를 적용하는 분류 시스템 개발 ■ 파이썬 오픈소스 라이브러리 Scikit-learn ■ 이미지 처리와 컴퓨터 비전을 위한 mahotas 라이브러리 ■ 위키피디아 전체를 모델로 하는 주제 모델링 ■ 장바구니 분석을 사용해 추천 준비 ■ 데이터 분석을 위한 jug 패키지 ■ 클라우드에서 분석을 실행하고자 아마존 웹 서비스 활용 ■ 과거 구매를 기반으로 사용자에게 제품 추천하기 ★ 이 책의 대상 독자 ★ 이 책은 오픈소스 라이브러리를 사용해 기계 학습을 수행하는 방법을 배우고자 하는 파이썬 프로그래머를 대상으로 한다. 현실적인 예제를 기반으로 기계 학습의 기본 방식을 둘러본다. 이 책은 또한 파이썬을 사용해 시스템을 만들기 시작하려는 기계 학습자도 대상으로 한다. 파이썬은 빠른 프로토타이핑을 위한 유연한 언어다. 반면 기본적인 알고리즘 모두는 C나 C++로 최적화해 작성됐다. 그러므로 결과 코드는 제품에 사용하기에 충분히 빠르고 강건하다. ★ 이 책의 구성 ★ 1장, 기계 학습 파이썬으로 시작하기 매우 단순한 예제로 기계 학습의 기본적인 개념을 소개한다. 단순하지만 과적합(overfitting)의 위험을 제기한다. 2장, 실제 예제를 이용한 분류법 학습 분류에 대해 배울 실제 데이터를 설명하고 꽃의 범주를 구별할 수 있도록 컴퓨터를 훈련한다. 3장, 군집화: 관련된 게시물 찾기 단어 주머니(bag-of-words) 접근법이 게시물에 대한 이해 없이 유사한 게시물 찾기에 적용할 때 얼마나 뛰어난지 설명한다. 4장, 주제 모델링 각 게시물을 하나의 군집으로 배정하는 것을 넘어, 실제 텍스트가 여러 주제에 속하듯이 게시물이 몇몇 주제에 어떻게 배정되는지 보여준다. 5장, 분류 I: 형편없는 답변 감지 질문에 대한 사용자의 답변이 좋은지 나쁜지를 판단하기 위한 로지스틱 회귀(logistic regression)의 사용법을 설명한다. 이와 더불어, 기계 학습 모델을 분석하기 위해 편향(bias)과 변화량(variance)의 균형을 어떻게 사용하는지도 배운다. 6장, 분류II: 감성 분석 나이브 베이즈(Naive Bayes)가 어떻게 작동하는지 소개하고, 트윗이 긍정적인지 부정적인지를 분류하는 데 나이브 베이즈를 어떻게 사용하는지 알아본다. 7장, 회귀: 추천 데이터를 다루는 고전적인 주제를 이야기한다. 그러나 이 고전적인 주제는 오늘날까지도 적절하다. 추천 시스템을 만들기 위해 이를 사용하고자 한다. 이 시스템은 새로운 제품을 추천하기 위해 좋고 싫음에 대해 사용자의 입력을 받는다. 8장, 회귀: 향상된 추천 동시에 여러 가지 기법을 사용해 추천을 향상시킨다. 평점 데이터(사용자가 항상 제공하진 않는다) 없이 쇼핑 데이터로부터 추천을 어떻게 만드는지 알아본다. 9장, 분류III: 음악 장르 분류 무작위의 수많은 노래를 기계 학습기가 분류할 수 있는 방법을 알아본다. 우리 스스로 속성을 만들기보다는 누군가의 전문 지식을 믿는 편이 더 괜찮을 때도 있음을 보여준다. 10장, 컴퓨터 비전: 패턴 인식 이미지를 다루는 구체적인 영역인 패턴 인식 분야에서 분류를 어떻게 적용하는지 설명한다. 11장, 차원 수 줄이기 기계 학습 알고리즘에 잘 적용할 수 있도록 데이터의 크기를 줄이는 그 밖의 기법들을 알아본다. 12장, (조금 더 큰) 빅데이터 데이터 크기가 어떻게 점점 커지는지를 설명하고 이런 점이 분석에서 자주 문제가 되는 이유를 설명한다. 이 장에서는 멀티코어와 컴퓨팅 클러스터의 장점을 활용해 좀 더 큰 데이터를 다루는 기법들을 살펴본다. 클라우드 컴퓨팅을 사용해 소개한다(클라우드 제공자로서 아마존의 웹 서비스를 사용한다). 부록, 기계 학습에 대한 보충 자료 기계 학습에 대한 훌륭한 리소스 목록이 실려 있다. |
![[IT 특집] 머신러닝의 충격](https://image.yes24.com/images/chyes24/0/4/3/e/043e9f5845b6e1b04722413a4e94f01f.jpg)
