소득공제
분철
- 베스트
- OS/데이터베이스 top100 7주
이미 소장하고 있다면 판매해 보세요.
- 국내배송만 가능
- 분철옵션 선택 시, 배송일이 변경될 수 있습니다.
- 분철상품은 해외배송이 불가합니다.
- 문화비소득공제 가능
이 분야의 이벤트
에이콘 데이터 과학 시리즈
이 상품의 태그
책소개
목차
|
1장. 클러스터링 소개
__소개 __비지도 학습과 지도 학습의 차이 __클러스터링 ____클러스터 식별 ____2차원 데이터 ____연습 1: 데이터에서 클러스터 인식 __k-평균 클러스터링 소개 ____수학이 필요 없는 k-평균 연습 ____k-평균 클러스터링 심화 연습 ____대안 거리 메트릭-맨해튼 거리 ____더 깊은 차원 ____연습 2: 파이썬으로 유클리드 거리 계산 ____연습 3: 거리 개념으로 클러스터 구성 ____연습 4: 직접 k-평균 구현 ____연습 5: 최적화를 통한 k-평균 구현 ____클러스터링 성능: 실루엣 점수 ____연습 6: 실루엣 점수 계산 ____활동 1: k-평균 클러스터링 구현 __요약 2장. 계층적 클러스터링 __소개 ____클러스터링 다시 살펴보기 ____k-평균 다시 살펴보기 __계층 구조 __계층적 클러스터링 소개 ____계층적 클러스터링 수행 단계 ____계층적 클러스터링 연습 예제 ____연습 7: 계층 구성 __연결 ____활동 2: 연결 기준 적용 __응집 vs 분산 클러스터링 ____연습 8: scikit-learn을 사용한 응집 클러스터링 구현 ____활동 3: 계층적 클러스터링과 k-평균 비교 __k-평균 vs 계층적 클러스터링 __요약 3장. 이웃 접근과 DBSCAN __소개 ____이웃으로서의 클러스터 __DBSCAN 소개 ____DBSCAN 심화 학습 ____DBSCAN 알고리즘 연습 ____연습 9: 이웃 반경 크기의 영향 평가 ____DBSCAN 속성 - 이웃 반경 ____활동 4: DBSCAN 처음부터 구현 ____DBSCAN 속성-최소 지점 수 ____연습 10: 최소 지점 수의 영향 평가 ____활동 5: DBSCAN과 k-평균 그리고 계층적 클러스터링 비교 __DBSCAN 대 k-평균과 계층적 클러스터링 __요약 4장. 차원 축소와 PCA __소개 ____차원 축소란 무엇인가? ____차원 축소 적용 ____차원의 저주 __차원 축소 기법 개요 ____차원 축소와 비지도 학습 __PCA ____평균 ____표준편차 ____공분산 ____공분산 행렬 ____연습 11: 통계의 기본 개념 이해 ____고윳값 및 고유 벡터 ____연습 12: 고윳값 및 고유 벡터 계산 ____PCA 처리 절차 ____연습 13: PCA 수동 실행 ____연습 14: Scikit-Learn PCA ____활동 6: 수동 PCA와 scikit-learn 비교 ____압축된 데이터셋 복원 ____연습 15: 수동 PCA로 분산 감소 시각화 ____연습 16: 분산 감소 시각화 ____연습 17: Matplotlib에서 3D 도표 그리기 ____활동 7: 확장된 아이리스 데이터셋을 사용한 PCA __요약 5장. 오토인코더 __소개 __인공 신경망 기초 ____뉴런 ____Sigmoid 함수 ____정류 선형 단위 ____연습 18: 인공 신경망의 뉴런 모델링 ____활동 8: ReLU 활성화 함수를 사용한 뉴런 모델링 ____신경망: 구조 정의 ____연습 19: Keras 모델 정의 ____신경망: 학습 ____연습 20: Keras 신경망 훈련 ____활동 9: MNIST 신경망 __오토인코더 ____연습 21: 간단한 오토인코더 ____활동 10: 간단한 MNIST 오토인코더 ____연습 22: 다중 계층 오토인코더 ____컨볼루셔널 신경망 ____연습 23: 컨볼루셔널 오토인코더 ____활동 11: MNIST 컨볼루셔널 오토인코더 __요약 6장. t-분포 확률적 이웃 임베딩 __소개 __확률적 이웃 임베딩 __t-분포 확률적 이웃 임베딩 ____연습 24: t-SNE MNIST ____활동 12: 와인 t-SNE __t-SNE 도표 해석 ____퍼플렉서티 ____연습 25: t-SNE MNIST와 퍼플렉서티 ____활동 13: t-SNE 와인과 퍼플렉서티 ____이터레이션 ____연습 26: t-SNE MNIST와 반복 ____활동 14: t-SNE 와인과 이터레이션 ____시각화에 대한 최종 의견 __요약 7장. 토픽 모델링 __소개 ____토픽 모델 ____연습 27: 환경 설정 ____토픽 모델 개요 ____비즈니스 활용 ____연습 28: 데이터 로딩 __텍스트 데이터 정리 ____데이터 정리 기법 ____연습 29: 단계별 데이터 정리 ____연습 30: 데이터 정리 마무리 ____활동 15: 트위터 데이터 로딩 및 정리 __잠재 디리클레 할당 ____변분 추론 ____백오브워즈 ____연습 31: 카운트 벡터라이저를 사용한 백오브워즈 모델 생성 ____퍼플렉서티 ____연습 32: 주제의 수 선택 ____연습 33: 잠재 디리클레 할당 실행 ____연습 34: LDA 시각화 ____연습 35: 4개 주제 시도 ____활동 16: 잠재 디리클레 할당과 건강 트윗 ____백오브워즈 추가 사항 ____연습 36: TF-IDF를 사용한 백오브워즈 생성 __음수 미포함 행렬 분해 ____프로베니우스 놈 ____증배 갱신 ____연습 37: 음수 미포함 행렬 분해 ____연습 38: NMF 시각화 ____활동 17: 음수 미포함 행렬 분해 __요약 8장. 장바구니 분석 __소개 __장바구니 분석 ____활용 사례 ____중요한 확률 지표 ____연습 39: 샘플 거래 데이터 생성 ____지지도 ____신뢰도 ____향상도와 레버리지 ____확신 ____연습 40: 지표 계산 __거래 데이터의 특징 ____연습 41: 데이터 불러오기 ____데이터 정리 및 형식화 ____연습 42: 데이터 정리 및 포매팅 ____데이터 인코딩 ____연습 43: 데이터 인코딩 ____활동 18: 전체 온라인 소매 데이터의 로딩과 준비 __Apriori 알고리즘 ____계산 수정 ____연습 44: Apriori 알고리즘 실행 ____활동 19: 전체 온라인 소매 데이터셋에 Apriori 적용 __연관 규칙 ____연습 45: 연관 규칙 도출 ____활동 20: 전체 온라인 소매 데이터셋의 연관 규칙 찾기 __요약 9장. 핫스팟 분석 __소개 ____공간 통계 ____확률 밀도 함수 ____산업에 핫스팟 분석 사용 __커널 밀도 추정 ____대역폭 값 ____연습 46: 대역폭 값의 효과 ____최적의 대역폭 선택 ____연습 47: 그리드 검색을 사용한 최적 대역폭 선택 ____커널 함수 ____연습 48: 커널 함수의 효과 ____커널 밀도 추정 도출 ____연습 49: 커널 밀도 추정의 도출 시뮬레이션 ____활동 21: 1차원에서의 밀도 추정 __핫스팟 분석 ____연습 50: Seaborn으로 데이터 로드 및 모델링 ____연습 51: 베이스맵 작업 ____활동 22: 런던에서의 범죄 분석 __요약 부록 |
저자 소개 4
Benjamin Johnston
세계 최고의 데이터 기반 의료 기업의 선임 데이터 과학자다. 문제 정의부터 솔루션 연구 개발, 최종 배포까지 제품 개발 전 과정에 걸쳐 혁신적인 디지털 솔루션 개발에 참여하고 있다. 현재 이미지 처리와 심층신경망 전문으로 머신 러닝 박사 과정을 이수하고 있다. 의료기기 설계 및 개발 분야에서 10년 이상의 경력이 있으며, 다양한 기술 분야에 종사하고 있다. 오스트레일리아 시드니대학교에서 공학 및 의학 분야의 1급 우등 학사 학위를 보유하고 있다.
Aaron Jones
통계 컨설턴트이자 미국의 가장 큰 소매상 중 한 곳의 전임 데이터 과학자다. 소매, 미디어, 환경 과학 분야에서 예측 모델과 추론 모델, 수많은 데이터 제품을 만들었다. 시애틀에 살고 있으며 인과관계 모델링, 군집 분석 알고리즘, 자연어 처리, 베이지안 통계 등에 관심이 있다.
Christopher Kruger
광고 분야에서 선임 데이터 과학자로 일했다. 다양한 업종의 고객을 위해 확장 가능한 클러스터링 솔루션을 설계했다. 최근 코넬대학교에서 컴퓨터 과학 석사 학위를 받았고, 현재 컴퓨터 비전 분야에서 일하고 있다.
인프라웨어에서 웹 브라우저 엔진 개발에 참여했으며, 현재는 게임 개발사인 I&V 게임즈에서 신작 개발에 전념하고 있다. 형식에 얽매이기보다는 자유로움 속에서 효율을 찾는 과정에 관심이 많다. 대학 시절부터 다수의 전시회에 출품해왔으며 공모전 입상 경력이 있다. SKT T스토어 제1회 공모전 스마트폰 게임 부문에서 입상하기도 했고, 개인 자격으로 애플 앱스토어에 10개 이상의 앱을 등록해 미국 앱스토어에서 카테고리 1위에 오르는 등 다양한 실험도 해왔다. 국내 최초의 유니티 관련 서적인 『유니티 게임 엔진 한글 메뉴얼』(2010)을 번역했으며, 이후 에이콘출판사에서 출간한 다수의
인프라웨어에서 웹 브라우저 엔진 개발에 참여했으며, 현재는 게임 개발사인 I&V 게임즈에서 신작 개발에 전념하고 있다. 형식에 얽매이기보다는 자유로움 속에서 효율을 찾는 과정에 관심이 많다. 대학 시절부터 다수의 전시회에 출품해왔으며 공모전 입상 경력이 있다. SKT T스토어 제1회 공모전 스마트폰 게임 부문에서 입상하기도 했고, 개인 자격으로 애플 앱스토어에 10개 이상의 앱을 등록해 미국 앱스토어에서 카테고리 1위에 오르는 등 다양한 실험도 해왔다. 국내 최초의 유니티 관련 서적인 『유니티 게임 엔진 한글 메뉴얼』(2010)을 번역했으며, 이후 에이콘출판사에서 출간한 다수의 책을 번역했다.
조경빈의 다른 상품
관련 분류
품목정보
- 발행일
- 2019년 11월 29일
- 쪽수, 무게, 크기
- 528쪽 | 188*235*25mm
- ISBN13
- 9791161753652
출판사 리뷰
|
이 책에서 다루는 내용
■ 클러스터링의 기본과 중요성 이해 ■ 기본 제공 패키지를 사용해 처음부터 k-평균, 계층적 및 DBSCAN 클러스터링 알고리즘 구축 ■ 차원 축소 및 적용 ■ Scikit-learn으로 Iris 데이터셋에서 PCA 구현 및 분석 ■ Keras로 CIFAR-10 데이터셋용 오토인코더 모델 구축 ■ 머신 러닝 익스텐션(Mlxtend)을 사용한 Apriori 알고리즘으로 거래 데이터 연구 이 책의 대상 독자 비지도 학습에 관심 있는 개발자, 데이터 과학자와 머신 러닝에 관심 있는 독자를 위한 책이다. 지수나 제곱근, 평균, 중위값 등을 포함한 수학 개념의 기초 지식과 함께 파이썬 프로그래밍 관련 지식이 필요하다. 지은이의 말 라벨링된 데이터가 없을 때 비지도 학습은 유용하고 현실적인 해결책이다. 이 책은 파이썬 라이브러리를 사용해 구조화되지 않은 데이터에 비지도 학습 방법을 적용해서 의미 있는 정보를 추출하는 최선의 방법을 알려준다. 데이터셋에서 유사한 데이터 지점을 찾아 함께 묶는 기본적인 과정으로 시작한다. 일단 k-평균 알고리즘에 익숙해지고 나면 차원 축소가 무엇이고 알고리즘을 어디에 적용하는지 배우게 된다. 과정을 진행하면서 다양한 신경망을 배우고 신경망으로 모델을 향상시키는 방법을 익힐 수 있다. 또한 비지도 학습의 적용 사례를 익히며 트위터에서 인기 있는 주제를 찾는 방법도 배울 수 있다. 마지막으로는 장바구니 분석, 다양한 제품 간의 관계 파악 등 흥미로운 주제도 다룬다. 이 책을 마치고 나면 파이썬을 사용해 자신만의 모델을 자신 있게 만들 수 있는 정도의 기술을 익히게 될 것이다. 데이터 분석을 시도했지만 결과물이 없었던 경험이 있을 것이다. 데이터셋에 익숙하지 않거나 분석을 어디서부터 시작해야 할지 막막했던 적도 있을 것이다. 누가 그 일을 처리해달라고 요청했는지에 따라 좌절을 느끼거나 심지어 당황스러웠을지도 모른다. 개발자 여러분은 혼자가 아니다. 흥미롭게도 데이터 그 자체가 너무 혼란스러워서 이해할 수 없는 경우가 많다. 여러분이 스프레드시트에 있는 모든 숫자의 의미를 이해하려고 노력할 때 대체적으로 비지도 학습 알고리즘이 수행하는 동작과 비슷한 일을 시도하는 때가 많다. 현실에 존재하는 데이터는 어떤 규칙이나 의미를 갖지 않는 경우가 많다. 그리고 개발자는 별다른 준비가 없는 상태에서 데이터 분석을 해야 할 때가 많다. 하지만 너무 조바심 낼 필요는 없다. 이 책에서 다루는 내용을 잘 익힌다면 어떤 데이터라도 당황하지 않고 분석을 시작할 수 있다. 비지도 학습 알고리즘이 어떻게 동작하는지 이해하고 어떤 상황에서 적용할 수 있는지를 좋은 예제와 함께 설명할 예정이다. 데이터에서 클러스터 찾기, 데이터 크기를 줄이는 방법과 비지도 학습의 각 측면을 실제 환경에 적용하는 방법도 다룬다. 이 책의 내용을 잘 이해한다면 비지도 학습으로 해결할 수 있는 문제와 해결할 수 없는 문제를 구분할 수 있게 될 것이다. 옮긴이의 말 제가 따로 이야기를 꺼내지 않더라도 최근 머신 러닝이 얼마나 많은 관심을 받고 있는지는 여러분이 더 잘 아실 거라 생각합니다. 인공지능의 역사는 생각보다 꽤 깁니다. 1940년대 후반에서 1950년대 초반 수학이나 철학, 공학, 경제 등 다양한 영역의 과학자들로부터 인공적인 두뇌의 가능성이 논의되기 시작했는데, 1956년에 이르러서 인공지능이 본격적으로 학문의 분야에 들어오게 됩니다. 하지만 반세기가 넘는 긴 역사에도 불구하고 인공지능은 그리 큰 발전을 만들어내지 못했습니다. 1950년대 중반부터 1970년대 중반까지 인공지능은 다양한 성과를 내면서 황금기를 여는 듯 했으나 이후 여러 복잡한 문제를 해결하는 데 연이어 실패하면서 꽤 오랜 기간 어두운 시기를 지나왔습니다. 그리고 다시 최근에 들어와서 컴퓨팅 파워의 증가와 인공지능 기술의 발전이 4차 산업혁명 시대와 만나면서 전 세계의 관심을 한 몸에 받는 분야가 됐습니다. 특히 우리나라 사람들이 인공지능의 발전을 피부로 크게 느낀 사건은 아마도 알파고와 이세돌의 대결이 아니었나 싶습니다. 저 또한 바둑을 잘 모름에도 그 긴 대국을 흥미롭게 지켜볼 정도였으니 말입니다. 이세돌과 대국했던 알파고는 인간의 기보를 바탕으로 지도 학습을 통해 만들어진 인공지능입니다. 지도 학습은 기본적으로 정답을 알고 있는 방대한 데이터를 기반으로 학습을 하는 방식을 말합니다. 아마존이 보유하고 있는 방대한 고객의 구매 패턴 데이터를 정답 데이터로 삼아 고객이 다음에 구매할 가능성이 높은 제품을 추천해주는 것이 한 예가 될 수 있습니다. 반면 비지도 학습은 정답을 알지 못하는 데이터로부터 패턴과 관계를 찾아내면서 의미를 파악해내는 접근 방법입니다. 인간 세상에서 우리가 얻을 수 있는 데이터는 정답이 없는 데이터인 경우가 더 많기에 비지도 학습은 매우 중요하고 유용한 머신 러닝 기법입니다. 이 책은 파이썬과 다양한 파이썬 라이브러리를 활용해 비지도 학습의 다양한 예시와 사례를 통해 독자가 이해하기 쉬운 방법으로 친절하게 설명하고 있습니다. 머신 러닝에 대한 사전 지식이 전혀 없더라도 이 책의 내용을 이해하는 데 큰 어려움은 없을 것이고 이 책을 시작으로 머신 러닝의 매력에 흠뻑 빠져들 것이라 확신합니다. |
