옮긴이의 글
추천의 글
지은이의 글

1장 소개
1.1 머신러닝이란?
1.2 학습의 종류
1.2.1 지도 학습
1.2.2 비지도 학습
1.2.3 준지도 학습
1.2.4 강화 학습
1.3 지도 학습의 작동 원리
1.4 모델이 새로운 데이터에 작동하는 이유

2장 표기법과 정의
2.1 표기법
2.1.1 데이터 구조
2.1.2 대문자 시그마(sigma) 기호
2.1.3 대문자 파이 기호
2.1.4 집합 연산
2.1.5 벡터 연산
2.1.6 함수
2.1.7 max와 arg max
2.1.8 할당 연산자
2.1.9 도함수와 그레이디언트
2.2 확률 변수
2.3 불편 추정량
2.4 베이즈 정리
2.5 파라미터 추정
2.6 파라미터 vs. 하이퍼파라미터
2.7 분류 vs. 회귀
2.8 모델 기반 학습 vs. 사례 기반 학습
2.9 얕은 학습 vs. 딥러닝

3장 기본 알고리즘
3.1 선형 회귀
3.1.1 문제
3.1.2 해결책
3.2 로지스틱 회귀
3.2.1 문제
3.2.2 해결책
3.3 결정 트리 학습
3.3.1 문제
3.3.2 해결책
3.4 서포트 벡터 머신
3.4.1 잡음 다루기
3.4.2 비선형성 다루기
3.5 k-최근접 이웃

4장 학습 알고리즘
4.1 학습 알고리즘의 구성요소
4.2 경사 하강법
4.3 머신러닝 엔지니어가 일하는 방법
4.4 학습 알고리즘의 특징

5장 기본 실무 기술
5.1 특성 공학
5.1.1 원핫 인코딩
5.1.2 구간 분할
5.1.3 정규화
5.1.4 표준화
5.1.5 누락된 특성 다루기
5.1.6 데이터 대체 기법
5.2 학습 알고리즘 선택
5.3 훈련 세트, 검증 세트, 테스트 세트
5.4 과소적합과 과대적합
5.5 규제
5.6 모델 성능 평가
5.6.1 혼동 행렬
5.6.2 정밀도/재현율
5.6.3 정확도
5.6.4 비용 민감도 기반 정확도
5.6.5 ROC 곡선 아래 면적(AUC)
5.7 하이퍼파라미터 튜닝
5.7.1 교차 검증

6장 신경망과 딥러닝
6.1 신경망
6.1.1 다층 퍼셉트론
6.1.2 피드포워드 신경망
6.2 딥러닝
6.2.1 합성곱 신경망
6.2.2 순환 신경망

7장 문제 해결
7.1 커널 회귀
7.2 다중 분류
7.3 단일 클래스 분류
7.4 다중 레이블 분류
7.5 앙상블 학습
7.5.1 부스팅과 배깅
7.5.2 랜덤 포레스트
7.5.3 그레이디언트 부스팅
7.6 시퀀스 레이블링
7.7 시퀀스-투-시퀀스 학습
7.8 능동 학습
7.9 준지도 학습
7.10 원샷 학습
7.11 제로샷 학습

8장 특수 기법
8.1 불균형한 데이터셋 다루기
8.2 결합 모델
8.3 신경망 훈련
8.4 고급 규제 기법
8.5 다중 입력 다루기
8.6 다중 출력 다루기
8.7 전이 학습
8.8 알고리즘 효율성

9장 비지도 학습
9.1 밀도 추정
9.2 군집
9.2.1 k-평균
9.2.2 DBSCAN과 HDBSCAN
9.2.3 클러스터 개수 결정하기
9.2.4 다른 군집 알고리즘
9.3 차원 축소
9.3.1 주성분 분석
9.3.2 UMAP

10장 다른 학습 방법
10.1 메트릭 학습
10.2 순위 학습
10.3 추천 학습
10.3.1 행렬 분해 방법
10.3.2 잡음 제거 오토인코더
10.4 자기 지도 학습: 단어 임베딩
10.5 이상치 탐지

11장 결론
11.1 이 책에서 다루지 않은 것들
11.2 감사의 글
11.3 다음에 읽을 책