소득공제
PDF
eBook
핸즈온 비지도 학습
텐서플로, 케라스, 사이킷런을 활용한 알고리즘과 방법론, AI 활용 사례
스마트한 PDF 필기 기능을 사용해 보세요!
- PDF 안내
-
이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.
이 상품의 태그
상세 이미지
소개
목차
|
CHAPTER 0 서문0.1 머신러닝의 역사0.2 인공지능의 귀환, 왜 지금인가?0.3 응용 인공지능의 출현0.4 지난 20년간 응용 인공지능 주요 성과0.5 좁은 인공지능부터 범용 인공지능까지0.6 목표와 접근방식0.7 이 책의 구성0.8 예제 다운로드 안내PART 1 비지도 학습 개요 CHAPTER 1 머신러닝 생태계와 비지도 학습 1.1 머신러닝 기본 용어 이해하기1.2 규칙 기반과 머신러닝 비교하기1.3 지도 학습과 비지도 학습 비교하기1.4 비지도 학습을 사용해 머신러닝 솔루션 개선하기1.5 지도 학습 알고리즘 자세히 살펴보기 1.6 비지도 학습 알고리즘 자세히 살펴보기 1.7 비지도 학습을 활용한 강화 학습 1.8 준지도 학습 1.9 비지도 학습의 성공적인 응용 사례 1.10 마치며 CHAPTER 2 머신러닝 프로젝트 A to Z 2.1 환경 설정 2.2 데이터 개요2.3 데이터 준비하기2.4 모델 준비하기2.5 머신러닝 모델(1)2.6 평가 지표2.7. 머신러닝 모델(2)2.8 테스트 데이터셋으로 4가지 모델 평가하기2.9 앙상블2.10 최종 모델 선택하기2.11 프로덕션 파이프라인2.12 마치며PART 2 사이킷런을 사용한 비지도 학습 모델 CHAPTER 3 차원 축소 3.1 차원 축소에 대한 동기 부여3.2 차원 축소 알고리즘3.3 PCA3.4 SVD3.5 랜덤 투영3.6 Isomap3.7 MDS3.8 LLE3.9 t-SNE3.10 사전 학습 3.11 ICA3.12 마치며CHAPTER 4 이상치 탐지 4.1 신용카드 사기 탐지4.2 일반 PCA를 활용한 이상치 탐지4.3 희소 PCA를 활용한 이상치 탐지4.4 커널 PCA를 활용한 이상치 탐지4.5 GRP를 활용한 이상치 탐지4.6 SRP를 활용한 이상치 탐지4.7 비선형 이상치 탐지4.8 사전 학습을 활용한 이상치 탐지4.9 ICA를 활용한 이상치 탐지4.10 테스트셋으로 이상치 탐지 성능 평가4.11 마치며CHAPTER 5 클러스터링 5.1 MNIST 데이터셋5.2 클러스터링 알고리즘5.3 k-평균5.4 계층적 클러스터링5.5 DBSCAN 개요5.6 마치며CHAPTER 6 그룹 세분화 6.1 랜딩 클럽 데이터6.2 군집 적합도 검정6.3 k-평균 클러스터링 응용 프로그램6.4 계층적 클러스터링 응용 프로그램6.5 HDBSCAN 응용 프로그램6.6 마치며PART 3 텐서플로와 케라스를 사용한 비지도 학습 모델 CHAPTER 7 오토인코더 7.1 신경망7.2 오토인코더: 인코더와 디코더7.3 과소완전 오토인코더7.4 과대완전 오토인코더7.5 고밀도 vs 희소 오토인코더7.6 노이즈 제거 오토인코더7.7 변분 오토인코더7.8 마치며CHAPTER 8 핸즈온 오토인코더 8.1 데이터 준비8.2 오토인코더의 구성 요소8.3 활성화 함수8.4 첫 번째 오토인코더8.5 선형 활성화 함수로 구성된 2-계층 과소완전 오토인코더8.6 비선형 오토인코더8.7 선형 활성화 함수로 구성된 과대완전 오토인코더8.8 선형 활성화 함수와 드롭아웃으로 구성된 과대완전 오토인코더8.9 선형 활성화 함수로 구성된 희소 과대완전 오토인코더8.10 선형 활성화 함수와 드롭아웃으로 구성된 희소 과대완전 오토인코더8.11 노이즈 데이터셋 생성8.12 노이즈 제거 오토인코더8.13 마치며CHAPTER 9 준지도 학습 9.1 데이터 준비9.2 지도 학습 모델9.3 비지도 학습 모델9.4 준지도 학습 모델9.5 지도 학습과 비지도 학습의 강력함9.6 마치며PART 4 텐서플로와 케라스를 사용한 심층 비지도 학습 CHAPTER 10 RBM을 사용한 추천 시스템 10.1 볼츠만 머신10.2 추천 시스템10.3 무비렌즈 데이터셋10.4 행렬 인수분해10.5 RBM을 사용한 협업 필터링10.6 마치며CHAPTER 11 DBN을 사용한 피처 추출 11.1 심층 신뢰 신경망 자세히 살펴보기11.2 MNIST 이미지 분류하기11.3 RBM11.4 DBN을 위한 세 RBM 훈련11.5 전체 DBN11.6 비지도 학습이 지도 학습을 개선하는 방법11.7 LightGBM을 사용한 이미지 분류기11.8 마치며CHAPTER 12 GAN 12.1 GAN의 개념12.2 DCGAN12.3 CNN12.4 DCGAN으로 돌아가기12.5 MNIST DCGAN 실행12.6 마치며CHAPTER 13 시계열 클러스터링 13.1 심전도 데이터13.2 시계열 클러스터링 접근 방법13.3 ECGFiveDays 데이터셋에서 k-Shape을 사용한 시계열 클러스터링13.4 ECG5000 데이터셋에서 k-Shape을 사용한 시계열 클러스터링13.5 ECG5000 데이터셋에서 k-평균을 사용한 시계열 클러스터링13.6 ECG5000 데이터셋에서 HDBSCAN을 사용한 시계열 클러스터링13.7 시계열 클러스터링 알고리즘 비교13.8 마치며CHAPTER 14 결론 14.1 지도 학습14.2 비지도 학습14.3 강화 학습14.4 오늘날 가장 유망한 비지도 학습 분야14.5 비지도 학습의 미래14.6 마치며
|
저자 소개3
Ankur A. Patel
프린스턴 대학교의 우드로 윌슨 스쿨을 졸업했고 존 A. 라킨(John A. Larkin) 기념상을 수상했다. JP 모건(JP Morgan)에서 애널리스트로 경력을 시작한 후 세계 최대 글로벌 매크로 헤지펀드 회사인 브리지워터 어소시에이츠(Bridgewater Associates)에서 최고 신흥시장국가신용거래자가 됐으며, 이후 머신러닝 기반 헤지펀드 회사인 R-스퀘어드 매크로(R-Squared Macro)를 설립했다. 비지도 학습 기법을 응용한 기술 분야에서 세계적으로 알려진 이스라엘 인공지능 회사 세타레이(ThetaRay)의 뉴욕 지사에서 데이터 사이언스팀을 이끌기도 했다.
현
프린스턴 대학교의 우드로 윌슨 스쿨을 졸업했고 존 A. 라킨(John A. Larkin) 기념상을 수상했다. JP 모건(JP Morgan)에서 애널리스트로 경력을 시작한 후 세계 최대 글로벌 매크로 헤지펀드 회사인 브리지워터 어소시에이츠(Bridgewater Associates)에서 최고 신흥시장국가신용거래자가 됐으며, 이후 머신러닝 기반 헤지펀드 회사인 R-스퀘어드 매크로(R-Squared Macro)를 설립했다. 비지도 학습 기법을 응용한 기술 분야에서 세계적으로 알려진 이스라엘 인공지능 회사 세타레이(ThetaRay)의 뉴욕 지사에서 데이터 사이언스팀을 이끌기도 했다.
현재는 세븐 파크 데이터(7 Park Data)의 데이터 사이언스팀 팀장이다. 대안 데이터를 사용해 헤지펀드나 법인회사를 위한 데이터 상품과 기업 고객을 대상으로 자연어 처리(NLP), 이상 징후 탐지, 클러스터링, 시계열 예측 등을 제공하는 머신러닝 서비스(MLaaS)를 개발한다.
현재는 세븐 파크 데이터(7 Park Data)의 데이터 사이언스팀 팀장이다. 대안 데이터를 사용해 헤지펀드나 법인회사를 위한 데이터 상품과 기업 고객을 대상으로 자연어 처리(NLP), 이상 징후 탐지, 클러스터링, 시계열 예측 등을 제공하는 머신러닝 서비스(MLaaS)를 개발한다.
롯데면세점 빅데이터팀 팀장이다. kt NexR의 데이터 사이언스팀 팀장과 SK C&C 데이터 사이언스 유닛 리더를 거치며 다양한 도메인에서 데이터 분석 업무를 수행했다. 최근에는 이커머스 산업에서 다양한 데이터를 결합하고 분석하여 초개인화(hyper-personalization)를 구현하기 위해 준지도 학습과 비지도 학습을 함께 응용한 분석 방법론을 연구하고 있다.
강재원의 다른 상품
대학에서 통계학을 전공했으며 현재는 SK C&C의 데이터 사이언티스트이다. FDS 시스템, 추천 시스템, 수요 예측, 고객 세분화, 마케팅 모델 등 다양한 산업의 분석 주제 영역에서 분석 작업을 수행했다. 최근에는 실시간 데이터 분석, 딥러닝, 비지도 학습 방법론, 머신러닝 해석력 확보를 위한 방법론에 관심이 있으며 관련 내용을 실무에 활용하고자 연구하고 있다.
품목정보
- 발행일
- 2020년 08월 07일
- 이용안내
-
- 배송 없이 구매 후 바로 읽기
- 이용기간 제한없음
- TTS 불가능
- 저작권 보호를 위해 인쇄 기능 제공 안함
- 지원기기
- 크레마, PC(윈도우 - 4K 모니터 미지원), 아이폰, 아이패드, 안드로이드폰, 안드로이드패드, 전자책단말기(저사양 기기 사용 불가), PC(Mac)
- 파일/용량
- PDF(DRM) | 10.18MB ?
- 글자 수/ 페이지 수
- 약 445쪽 ?
- ISBN13
- 9791162247693
출판사 리뷰
|
비지도 학습이 필요한 이유는 무엇일까? 세상은 빠르게 변하고 있습니다. 대부분 산업에서 데이터 분석 결과의 실시간 처리와 적용이 기본이 되고 있으며 데이터 수집 속도 또한 빨라졌습니다. 그에 따라 데이터 품질을 높이기 위해 발 빠르게 대응하는 한편 데이터에 내재된 패턴을 잘 파악해 깊이 있는 비즈니스 통찰력을 얻는 일은 더욱 중요해졌습니다. 한편, 최근 많은 기업이 데이터 분석을 통해 경쟁 우위를 확보하려 하는 만큼 예측 문제도 차츰 그 대상의 범위를 좁혀가고 있습니다. 레이블 데이터의 부족은 심화되고, 동시에 이종 데이터 간 결합의 필요성은 더욱 증가했습니다. 비지도 학습은 데이터 분석가 입장에서 이러한 문제에 대응할 수 있는 매우 유용한 기법입니다. 이 책은 사기 탐지 영역뿐 아니라 이커머스와 같이 고객을 다차원으로 이해하고 분석한 결과를 실시간으로 빠르게 적용해야 하는 도메인에서도 유용한 주제를 다룹니다. 특히 컴퓨팅 리소스 제약이나 성능 한계를 극복하기 위한 차원 축소 기법과 지도 및 비지도 학습을 혼합해 소량의 레이블 데이터만으로도 예측할 수 있는 준지도 학습, 원본 데이터의 확률 분포를 학습해 새로운 데이터에 대한 추론에 활용할 수 있는 생성적 비지도 학습 등은 앞서 언급한 이종 데이터 간의 결합 요구나 레이블 데이터의 부족과 같은 현실 세계에서의 한계점을 극복하는 데 매우 유용한 방법입니다.이 책은 이러한 방법들의 이론을 설명할 뿐만 아니라, 현실 세계에 있을 법한 이야기를 활용하여 실전 머신러닝 기법을 적용해볼 수 있게 안내합니다. 독자들은 소설책을 읽듯이 편하게 직접 예제를 따라 해보며 공부할 수 있을 것입니다.대상 독자 ㆍ데이터 분석 관련 업무 담당자(주니어~시니어)ㆍ실무에 머신러닝을 적용하려는 개발자주요 내용 ㆍ다양한 머신러닝 접근 방법의 장단점(지도 학습, 비지도 학습, 강화 학습)ㆍ머신러닝 프로젝트의 전반적인 설정 및 관리ㆍ차원 감소 알고리즘, 군집화 알고리즘 활용ㆍ오토인코더로 자동 피처 엔지니어링 및 피처 선택ㆍ지도 및 비지도 학습 알고리즘 결합으로 준지도 학습 솔루션 개발ㆍ볼츠만 머신을 사용하여 영화 추천 시스템 구축ㆍ생성적 적대 신경망(GAN)과 심층 신뢰 신경망(DBN)을 사용한 합성 이미지 생성ㆍ시계열 데이터에 대한 군집화 수행ㆍ최신 비지도 학습 성공 사례 및 향후 전망관련 서적 (제목 + ISBN)ㆍ미술관에 GAN 딥러닝 실전 프로젝트 / 9791162241080ㆍ코딩셰프의 3분 딥러닝, 케라스맛 / 9791162240397ㆍ텐서플로를 활용한 머신러닝 / 9791162241073ㆍ파이썬 라이브러리를 활용한 머신러닝(번역개정판) / 9791162241646
|
