소득공제
R을 활용한 머신 러닝 2/e
R로 머신 러닝 알고리즘 작성, 데이터 준비, 데이터 예측 기법 깊이 파기
- 베스트
- IT 모바일 top100 1주
- 본 도서의 개정판이 출간되었습니다.
이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 문화비소득공제 가능
책소개
목차
|
1장. 머신 러닝 소개
__머신 러닝의 기원 __머신 러닝의 사용과 남용 ____머신 러닝 성공 사례 ____머신 러닝의 한계 ____머신 러닝의 윤리 __기계의 학습 방법 ____데이터 저장소 ____추상화 ____일반화 ____평가 __실전 머신 러닝 ____입력 데이터 타입 ____머신 러닝 알고리즘 타입 ____입력 데이터와 알고리즘 매칭 __R을 이용한 머신 러닝 ____R 패키지 설치 ____패키지 로딩과 언로딩 __요약 2장. 데이터의 관리와 이해 __R 데이터 구조 ____벡터 ____팩터 ____리스트 ____데이터 프레임 ____행렬과 배열 __R을 이용한 데이터 관리 ____데이터 구조 저장, 로드, 제거 ____CSV 파일에서 데이터 가져오기와 저장하기 __데이터 탐색과 이해 ____데이터 구조 탐색 ____수치 변수 탐색 ______중심 경향 측정: 평균과 중앙값 ______분산 측정: 사분위수와 다섯 숫자 요약 ______수치 변수의 시각화: 상자그림 ______수치 변수 시각화: 히스토그램 ______수치 데이터의 이해:균등 분포와 정규 분포 ______분산 측정:분산과 표준 편차 __범주 변수 탐색 ____중앙화 경향 측정: 모드 __변수 간의 관계 탐색 ____관계 시각화: 산포도 ____관계 관찰: 이원교차표 __요약 3장. 게으른 학습: 최근접 이웃 분류 __최근접 이웃 분류의 이해 ____k-NN 알고리즘 ______거리로 유사도 측정 ______적절한 k 선택 ______k-NN 사용을 위한 데이터 준비 ____k-NN 알고리즘이 게으른 이유 __예제: k-NN 알고리즘으로 유방암 진단 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ______변환: 수치 데이터 정규화 ______데이터 준비: 훈련 및 테스트 데이터셋 생성 ____2단계: 데이터로 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 ______변환: z-점수 표준화 ______k대체 값 테스트 __요약 4장. 확률적 학습: 나이브 베이즈 분류 __나이브 베이즈 이해 ____베이즈 방법의 기본 개념 ______확률의 이해 ______결합 확률의 이해 ______베이즈 정리를 이용한 조건부 확률 계산 ____나이브 베이즈 알고리즘 ______나이브 베이즈를 이용한 분류 ______라플라스 추정량 ______나이브 베이즈에서 수치 특성 이용 __예제: 나이브 베이즈 알고리즘을 이용한 휴대폰 스팸 필터링 ____1단계: 데이터 수집 ____2단계: 데이터 탐색 및 준비 ______데이터 준비: 텍스트 데이터 정리 및 표준화 ______데이터 준비: 텍스트 문서를 단어로 나누기 ______데이터 준비: 훈련 및 테스트 데이터셋 생성 ______텍스트 데이터 가시화: 단어 구름 ______데이터 준비: 자주 사용하는 단어의 지시자 특성 생성 ____3단계: 데이터에 대한 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 5장. 분할 정복: 의사결정 트리와 규칙 기반의 분류 __의사결정 트리의 이해 ____분할 정복 ____C5.0 의사결정 트리 알고리즘 ______최고의 분할 선택 ______의사결정 트리 가지치기 __예제: C5.0 의사결정 트리를 이용한 위험 은행 대출 식별 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ______데이터 준비: 랜덤한 훈련 및 테스트 데이터셋 생성 ____3단계: 데이터에 대한 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 ______의사결정 트리의 정확도 향상 ______다른 것보다 더 비싼 실수 __분류 규칙 이해 ____분리 정복 ____1R 알고리즘 ____리퍼 알고리즘 ____의사결정 트리에서 규칙 구성 ____무엇이 트리와 규칙을 탐욕스럽게 만드는가? __예제: 규칙 학습자를 이용한 독버섯 식별 ____1단계: 데이터 수집 ____2단계: 데이터 탐색과 준비 ____3단계: 데이터에 대한 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __요약 6장. 수치 데이터 예측: 회귀 방법 __회귀의 이해 ____단순 선형 회귀 ____보통 최소 제곱 추정 ____상관관계 ____다중 선형 회귀 __예제: 선형 회귀를 통한 의료비 예측 ____1단계: 데이터 수집 ____2단계: 데이터 탐색 및 준비 ______특징 간 관계 탐색: 상관 행렬 ______특징 간 관계 시각화: 산포도 행렬 ____3단계: 데이터에 대한 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 ______모델 명시:비선형 관계 추가 ______변환:수치 변수를 이진 지시 변수로 전환 ______모델 명시: 상호작용 영향 추가 ______모두 합치기: 개선된 회귀 모델 __회귀 트리와 모델 트리의 이해 ____트리에 회귀 추가 __예제: 회귀 트리와 모델 트리로 와인 품질 평가 ____1단계: 데이터 수집 ____2단계: 데이터 탐색 및 준비 ____3단계: 데이터에 대한 모델 훈련 ______의사결정 트리 시각화 ____4단계: 모델 성능 평가 ______평균 절대 오차로 성능 측정 ____5단계: 모델 성능 개선 __요약 7장. 블랙박스 방법: 신경망과 서포트 벡터 머신 __신경망의 이해 ____생물학적 뉴런에서 인공 뉴런으로 ____활성 함수 ____네트워크 토폴로지 ______계층 개수 ______정보 이동 방향 ______계층별 노드 개수 ____역전파로 신경망 훈련 __예제: ANN으로 콘크리트 강도 모델링 ____1단계: 데이터 수집 ____2단계: 데이터 탐색 및 준비 ____3단계: 데이터 대한 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 __서포트 벡터 머신의 이해 ____초평면을 이용한 분류 ______선형적으로 분리 가능한 데이터의 경우 ______비선형적으로 분리 가능한 데이터의 경우 ____비선형 공간을 위한 커널의 사용 __예제: SVM으로 OCR 수행 ____1단계: 데이터 수집 ____2단계: 데이터 탐색 및 준비 ____3단계: 데이터에 대한 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 향상 __요약 8장. 패턴 찾기: 연관 규칙을 이용한 장바구니 분석 __연관 규칙의 이해 ____연관 규칙 학습을 위한 아프리오리 알고리즘 ____규칙 흥미 측정:지지도와 신뢰도 ____아프리오리 원칙을 이용한 규칙 집합의 구축 __예제: 연관 규칙으로 자주 구매되는 식료품 식별 ____1단계: 데이터 수집 ____2단계: 데이터 탐색 및 준비 ______데이터 준비:거래 데이터를 위한 희소 행렬 생성 ______아이템 지지도 시각화:아이템 빈도 그래프 ______거래 데이터 시각화:희소 행렬 도표화 ____3단계: 데이터에 대한 모델 훈련 ____4단계: 모델 성능 평가 ____5단계: 모델 성능 개선 ______연관 규칙 집합 정렬 ______연관 규칙의 부분집합 구하기 ______연관 규칙을 파일이나 데이터 프레임에 저장 __요약 |
저자 소개 2
Brett Lantz
혁신적인 데이터 방법을 이용해 인간의 행동을 이해하고자 10년 이상을 보냈다. 숙련된 사회학자로서 10대들의 소셜 네트워크 웹사이트 프로파일의 대규모 데이터베이스를 연구하면서 처음으로 머신 러닝에 매료됐다. 그 이후로 휴대폰 통화 의료 청구 데이터 자선 활동 등의 여러 학문에 걸친 연구를 진행해왔다. 가족과 시간을 보내고 대학 스포츠를 하고 닥스훈트와 즐겁게 지낼 때가 아니면 데이터에서 통찰력을 찾는 데 관한 지식을 공유하는 전용 웹사이트인 http://dataspelunking.com을 관리한다.
브레트 란츠의 다른 상품
KAIST 전산학과에서 컴퓨터 그래픽스를 전공했으며 LG전자 전자기술원, 티맥스소프트, 액센츄어 등에서 소프트웨어 연구 개발, 미들웨어 및 모듈형 로봇 플랫폼 제품 기획 업무를 수행했다. 인공지능 전문가로서 한국외국어대학교에서 딥러닝, 자료 구조, 데이터 마이닝을 가르치고, ㈜인공지능연구원에서 연구개발을 총괄했다.
현재는 SoftAI의 연구소장으로서 AI 솔루션 연구 개발을 하고 있으며 서울과학종합 대학원대학교 AI첨단대학원 겸직 교수를 역임하고 있다. 대표 저서에는 『Do it! 딥러닝 교과서』(이지스퍼블리싱, 2021), 『파이썬으로 구현하는 로보어드바이저』(에이콘,
KAIST 전산학과에서 컴퓨터 그래픽스를 전공했으며 LG전자 전자기술원, 티맥스소프트, 액센츄어 등에서 소프트웨어 연구 개발, 미들웨어 및 모듈형 로봇 플랫폼 제품 기획 업무를 수행했다. 인공지능 전문가로서 한국외국어대학교에서 딥러닝, 자료 구조, 데이터 마이닝을 가르치고, ㈜인공지능연구원에서 연구개발을 총괄했다.
현재는 SoftAI의 연구소장으로서 AI 솔루션 연구 개발을 하고 있으며 서울과학종합 대학원대학교 AI첨단대학원 겸직 교수를 역임하고 있다. 대표 저서에는 『Do it! 딥러닝 교과서』(이지스퍼블리싱, 2021), 『파이썬으로 구현하는 로보어드바이저』(에이콘, 2024), 『모두를 위한 컨벡스 최적화』(오픈소스, 2018)가 있다.
현재는 SoftAI의 연구소장으로서 AI 솔루션 연구 개발을 하고 있으며 서울과학종합 대학원대학교 AI첨단대학원 겸직 교수를 역임하고 있다. 대표 저서에는 『Do it! 딥러닝 교과서』(이지스퍼블리싱, 2021), 『파이썬으로 구현하는 로보어드바이저』(에이콘, 2024), 『모두를 위한 컨벡스 최적화』(오픈소스, 2018)가 있다.
윤성진의 다른 상품
품목정보
- 발행일
- 2017년 09월 15일
- 쪽수, 무게, 크기
- 576쪽 | 1048g | 188*235*28mm
- ISBN13
- 9791161750538
책 속으로
|
머신 러닝의 핵심은 정보를 실행 가능한 지능으로 변환하는 알고리즘과 관련이 있다. 이러한 사실 때문에 머신 러닝은 요즘과 같은 빅데이터 시대에 잘 맞다. 머신 러닝이 없었다면 정보의 방대한 흐름을 따라 잡기가 거의 불가능하다. (교차 플랫폼, 비용이 들지 않는 통계 프로그래밍 환경인) R의 명성이 높아지고 있어서 머신 러닝을 시작하기에 지금 같은 적기는 없을 것이다. R은 데이터 통찰력을 찾을 수 있게 도와주는 강력하고 배우기 쉬운 툴셋을 제공한다. 이 책에서는 실습 사례와 내부 핵심 엔진의 작동 방식을 이해하는 데 필요한 기초 이론을 결합해서 독자의 프로젝트에 머신 러닝을 적용할 때 필요한 모든 지식을 제공한다. --- 지은이의 말 중에서
평소에 어떤 것이 너무 궁금해서 공부는 하고 싶은데 "과연 할 수 있을까" 걱정만 하다가, 어느 날 아주 우연히 어떤 글이나 책을 보고 "아! 이렇게 쉬운 거였어?"하며 아주 허탈해한 적이 있을 것이다. 아마도 머신 러닝을 시작하고 싶은 많은 분께 이 책이 그런 경험을 선사하지 않을까 생각한다. 머신 러닝이 산업 전반에 빠르게 확산되는 중이고 뛰어난 성과를 보여줄 것이라는 기대감이 급격하게 상승하고 있기 때문에 이제는 머신 러닝을 IT 분야의 소수를 위한 것으로 취급하고 무시할 수는 없다. 그런데 막상 머신 러닝을 배우려면 선형 대수, 확률 통계, 미적분, 프로그래밍 언어와 같은 것들을 알아야 한다고 하니 공부를 시작하기가 영 부담스럽기만 할 것이다. 이 책은 수학이나 프로그래밍 언어에 대한 깊은 지식 없이도 머신 러닝의 개념을 직관적으로 이해하고 어떻게 활용하면 되는지를 아주 쉽게 설명해준다. 간결한 몇 줄의 R 코드로 머신 러닝의 존재감을 입증하면서 말이다. 그렇다고 결코 가볍지만은 않은 것이 이 책의 매력이다. 최신 기법과 기술까지 놓치지 않는 섬세함으로 독자들의 지적 욕구를 충분히 채워줄 것이다. 머신 러닝을 즐겁게 시작하고 싶은 독자분들께 이 책을 추천해본다. --- 옮긴이의 말 중에서 |
출판사 리뷰
|
이 책에서 다루는 내용
- R의 힘을 이용해서 실제 데이터 과학 응용으로 일반적인 머신 러닝 알고리즘 구축 - 분석을 위한 데이터 정제 및 준비와 결과를 시각화하기 위한 R 기술 이해 - 여러 종류의 머신 러닝 모델을 찾아 데이터 요구사항 충족 및 분석 문제를 해결하기 위한 최고의 모델 파악 - 베이지안과 최근접 이웃 방법을 이용한 데이터 분류 - 의사결정 트리, 규칙, 서포트 벡터 머신을 구축한 값 예측 - 선형 회귀를 이용한 수치 값 예측과 신경망을 이용한 데이터 모델링 - 머신 러닝 모델의 성능 평가와 개선 - 텍스트 마이닝, 소셜 네트워크 데이터, 빅데이터에 특화된 머신 러닝 기법 이 책의 대상 독자 이 책은 데이터를 실전에 사용하고 싶은 사람들을 위한 책이다. 머신 러닝에 대해 이미 조금은 알고 있지만 R을 사용해보지 않았거나 R에 대해 조금 알지만 머신 러닝은 처음일 수 있다. 어떤 경우든 이 책을 통해 빠르게 학습하고 응용할 수 있게 될 것이다. 기본적인 수학과 프로그래밍 개념을 조금이라도 아는 것이 머신 러닝을 배우는 데에 도움 되겠지만, 이전의 경험은 필요 없다. 오직 필요한 것은 호기심뿐이다. 이 책의 구성 1장, '머신 러닝 소개'에서는 기계 학습자(machine learner)를 정의하고 구분해주는 용어와 개념을 살펴보고 학습 작업을 적절한 알고리즘에 매칭하는 방법을 제시한다. 2장, '데이터의 관리와 이해'에서는 R을 이용해서 데이터를 직접 다룰 수 있는 기회를 제공한다. 데이터를 로딩하고 탐색하고 이해하는 데 사용되는 필수 데이터 구조와 절차를 설명한다. 3장, '게으른 학습: 최근접 이웃 분류'에서는 단순하지만 강력한 머신 러닝 알고리즘을 이해하고 첫 번째 실제 작업인 암의 악성 샘플 식별에 적용하는 방법을 알려준다. 4장, '확률적 학습: 나이브 베이즈 분류'에서는 최첨단 스팸 필터링 시스템에서 사용하고 있는 확률의 핵심적인 개념을 소개한다. 독자는 자신만의 스팸 필터를 개발하는 과정에서 텍스트 마이닝의 기초를 배운다. 5장, '분할 정복: 의사결정 나무와 규칙 기반의 분류'에서는 예측을 정확하고 쉽게 설명하는 두 학습 알고리즘을 탐색한다. 이 방법은 투명성이 중요한 작업에 적용된다. 6장, '수치 데이터 예측: 회귀 방법'에서는 수치 예측에 사용되는 머신 러닝 알고리즘을 소개한다. 이 기법은 통계 분야에 아주 많이 포함돼 있으므로 수치 관계를 이해하는 데 필요한 필수 척도도 함께 알아본다. 7장, '블랙박스 방법: 신경망과 서포트 벡터 머신'에서는 복잡하고 강력한 두 종류의 머신 러닝 알고리즘을 다룬다. 수학이 위협적으로 보일 수 있겠지만, 내부 작동을 보여주는 예제와 함께 간단한 용어로 진행할 것이다. 8장, '패턴 찾기: 연관 규칙을 이용한 장바구니 분석'에서는 많은 소매업체가 채택한 추천 시스템의 알고리즘을 접할 수 있다. 소매업체가 나의 구매 습관을 나보다 더 잘 아는 이유가 궁금한 적이 있었다면 8장에서 그 비밀을 밝혀준다. 9장, '데이터 그룹 찾기: k-평균 군집화'에서는 관련 아이템을 군집화하는 절차를 알아본다. 이 알고리즘을 활용해서 온라인 커뮤니티에서 프로파일을 식별할 것이다. 10장, '모델 성능 평가'에서는 머신 러닝 프로젝트의 성공 여부를 측정하고 미래 데이터에 대해 학습자의 신뢰할 만한 성능 추정치를 얻는 방법에 대한 정보를 제공한다. 11장, '모델 성능 개선'에서는 머신 러닝 대회의 최상위 팀이 사용하는 방법을 밝힌다. 경쟁이 심하거나 단순히 데이터를 최대한 활용하고 싶다면 이런 기술을 레퍼토리에 추가할 필요가 있다. 12장, '특화된 머신 러닝 주제: 머신 러닝의 최첨단 분야를 탐구한다. 빅데이터로 작업하는 것부터 R 작업을 더 빠르게 하는 것까지 12장에서 다루는 주제는 R로 할 수 있는 범위를 넓히는 데 도움이 된다. |
