이미 소장하고 있다면 판매해 보세요.
- 국내배송만 가능
- 분철옵션 선택 시, 배송일이 변경될 수 있습니다.
- 분철상품은 해외배송이 불가합니다.
- 문화비소득공제 가능
제이펍-I♥A.I 시리즈
이 상품의 시리즈 알림신청
이 상품의 태그
카드뉴스로 보는 책
상세 이미지
책소개
목차
|
CHAPTER 1 소개
1.1 사용된 라이브러리 2 1.2 Pip을 이용한 설치 5 1.3 Conda를 이용한 설치 7 CHAPTER 2 머신러닝 과정에 대한 개요 CHAPTER 3 분류 문제 둘러보기: 타이타닉 데이터셋 3.1 프로젝트 구조의 제안 11 3.2 필요한 패키지 12 3.3 질문을 하자 13 3.4 데이터에 관한 용어 14 3.5 데이터의 수집 15 3.6 데이터의 정리 16 3.7 특징의 생성 24 3.8 샘플 데이터 27 3.9 데이터의 대치 27 3.10 데이터의 표준화 29 3.11 리팩터링 30 3.12 베이스라인 모델 31 3.13 다양한 알고리즘 32 3.14 스태킹 34 3.15 모델 만들기 35 3.16 모델의 평가 36 3.17 모델의 최적화 37 3.18 오차 행렬 38 3.19 ROC 곡선 40 3.20 학습 곡선 41 3.21 모델의 배포 42 CHAPTER 4 누락된 데이터 4.1 누락된 데이터의 분석 46 4.2 누락된 데이터의 삭제 50 4.3 데이터의 대치 51 4.4 지시자 열의 추가 52 CHAPTER 5 데이터의 정리 5.1 열의 이름 53 5.2 누락된 값의 교체 54 CHAPTER 6 탐색 6.1 데이터의 크기 57 6.2 요약 통계 58 6.3 히스토그램 59 6.4 산점도 60 6.5 조인트 플롯 61 6.6 쌍 격자 63 6.7 박스 플롯과 바이올린 플롯 65 6.8 두 순서형 값의 비교 66 6.9 상관관계 68 6.10 라드비즈 72 6.11 평행 좌표 74 CHAPTER 7 데이터 전처리 7.1 표준화 77 7.2 범위 조정 79 7.3 더미 변수 80 7.4 레이블 인코더 82 7.5 프리퀀시 인코딩 83 7.6 문자열에서 범주 가져오기 83 7.7 그 밖의 범주형 인코딩 85 7.8 날짜형 데이터의 특징 공학 88 7.9 col_na 특징의 추가 89 7.10 수동적 특징 공학 90 CHAPTER 8 특징의 선택 8.1 공선성을 가진 열 94 8.2 라소 회귀 97 8.3 재귀적 특징 제거 99 8.4 상호 정보량 100 8.5 주성분 분석 102 8.6 특징 중요도 102 CHAPTER 9 불균형 범주의 문제 9.1 다른 평가 지표 사용하기 103 9.2 트리 기반 알고리즘과 앙상블 103 9.3 모델에 페널티 부과하기 104 9.4 소수집단 데이터 업샘플링하기 105 9.5 소수집단 데이터 생성하기 106 9.6 과반수집단 데이터를 다운샘플링하기 106 9.7 업샘플링 후 다운샘플링하기 108 CHAPTER 10 분류 10.1 로지스틱 회귀 111 10.2 나이브 베이즈 116 10.3 서포트 벡터 머신 118 10.4 K-최근접 이웃 122 10.5 디시전 트리 125 10.6 랜덤 포레스트 134 10.7 XGBoost 139 10.8 LightGBM을 사용한 그래디언트 부스팅 150 10.9 TPOT 156 CHAPTER 11 모델 선택 11.1 검증 곡선 161 11.2 학습 곡선 163 CHAPTER 12 분류용 평가 지표로 평가하기 12.1 오차 행렬 165 12.2 평가 지표 168 12.3 정확도 170 12.4 재현율 171 12.5 정밀도 171 12.6 F1 171 12.7 분류 보고서 172 12.8 ROC 173 12.9 정밀도-재현율 곡선 174 12.10 누적 이득 도표 175 12.11 리프트 곡선 177 12.12 범주의 균형 179 12.13 범주 예측 오류 180 12.14 차별 임계치 181 CHAPTER 13 모델 설명 13.1 회귀 계수 183 13.2 특징 중요도 184 13.3 LIME 184 13.4 트리 기반 모델의 해석 186 13.5 부분 의존성 도표 187 13.6 대리 모델 191 13.7 SHAP 192 CHAPTER 14 회귀 14.1 베이스라인 모델 200 14.2 선형 회귀 200 14.3 SVM 204 14.4 K-최근접 이웃 207 14.5 디시전 트리 209 14.6 랜덤 포레스트 216 14.7 XGBoost 회귀 220 14.8 LightGBM 회귀 분석 227 CHAPTER 15 회귀용 평가 지표로 평가하기 15.1 평가 지표 233 15.2 잔차 도표 236 15.3 이분산성 237 15.4 정규 잔차 238 15.5 예측 오차 도표 240 CHAPTER 16 회귀 모델의 해석 16.1 SHAP 243 CHAPTER 17 차원성 감소 17.1 PCA 250 17.2 UMAP 269 17.3 t-SNE 275 17.4 PHATE 279 CHAPTER 18 클러스터링 18.1 K-평균 285 18.2 응집 클러스터링 293 18.3 클러스터의 이해 296 CHAPTER 19 파이프라인 19.1 분류 파이프라인 303 19.2 회귀 파이프라인 306 19.3 PCA 파이프라인 307 |
저자 소개 2
Matt Harrison
맷 해리슨은 파이썬과 데이터 과학을 위한 교육 및 컨설팅 회사인 MetaSnake를 운영 중이다. 2000년부터 데이터 과학, BI, 스토리지, 테스트 및 자동화, 오픈소스 스택 관리, 금융, 검색 등 다양한 도메인에서 파이썬을 활용한 경험이 많다.
한국전자통신 연구원에서 네트워크 제어/관리/지능화 시스템을 구축하는 일을 하며, 컴퓨터에서 일어나는 전반적인 일에 관심이 많다. 특히 최근 몇 년간은 머신러닝 모델의 라이프사이클을 관리하고 머신러닝 시스템을 운영하는 MLOps와 더불어, 생성형 AI 모델을 튜닝하고 모델링하는 방법과 이를 운영하는 LLMOps 분야에도 많은 관심을 가지고 허깅 페이스 펠로(Hugging Face Fellow), 구글 디벨로퍼스 엑스퍼트(Google Developers Expert) 등 다양한 커뮤니티 활동을 병행하고 있다.
박찬성의 다른 상품
품목정보
- 발행일
- 2021년 04월 30일
- 쪽수, 무게, 크기
- 332쪽 | 128*188*17mm
- ISBN13
- 9791191600001
책 속으로
|
이 책에서는 다양한 라이브러리를 사용한다. 이는 장점인 동시에 단점일 수 있다. 이들 중 일부는 설치가 까다롭거나 다른 라이브러리 버전과 충돌 문제가 발생할 수 있다. 모든 라이브러리를 설치해야 하는 것은 아니며, 필요한 라이브러리를 상황에 맞게 ‘그때그때 설치’하면 된다.
--- p.2 이번에 다룰 예제에서는 질문에 대답을 하는 예측 모델을 만들고자 한다. 타이타닉호 참사에서의 생존 여부는 탑승객 및 여행의 특징으로 분류할 것이다. 간단한 프로젝트이지만, 여러 모델링 단계를 보여 주는 교육적인 도구로서의 역할을 할 것이다. 우리가 만들 모델은 탑승객의 정보를 입력받아 해당 탑승객이 타이타닉에서 생존했을지를 예측할 수 있어야 한다. 생존했는지 사망했는지, 생존이라는 레이블을 예측하기 때문에 이는 분류 문제다. --- p.13 이 시점에서 코드를 리팩터링한다. 보통 2개의 함수를 만드는데, 하나는 데이터 정리 작업에 대한 것이고, 다른 하나는 데이터를 학습용과 테스트용으로 분리한 다음 각 데이터셋마다 필요한 다른 변환 처리 작업을 수행하기 위한 것이다. --- p.30 라드비즈(RadViz) 도표는 각 표본을 원 속에 표현하는데, 원의 둘레 부분에 특징을 표시한다(그림 6-12). 값들은 정규화되어 표현된다. 각 특징마다 표본 값들에 연결된 가상의 실이 있다고 상상해 보자. 그러면 표본들은 값을 기준으로 서로의 특징 방향으로 당겨지는 형태가 된다. 이 도표는 타깃들 사이의 분리 가능성을 시각화하는 한 가지 기법이다. --- p.72 차원의 저주(curse of dimensionality)는 고려되어야 할 또 다른 문제다. 차원을 증가시키면 증가시킬수록 데이터의 밀도는 점점 더 희박해지며, 근접 계산(neighbor calculation)은 그 유용성을 상실하게 된다. 따라서 밀도의 빈 공간을 채워 넣기 위해서는 더 많은 데이터가 필요하고, 만약 충분한 데이터가 없다면 데이터로부터 신호(signal)을 끄집어내기가 어려워진다. --- p.93 클러스터링은 그룹을 여러 집단으로 분리하는 데 사용되는 비지도 머신러닝 기법이다. 비지도인 이유는 모델에 주입될 레이블이 없기 때문이다. 단지 특징들의 검사를 통해, 같은 클러스터에 속할 유사한 샘플들을 선별한다. 18장에서는 K-평균(K-means) 및 계층적 클러스터링(hierarchical clustering) 방법을 알아보고, 다양한 기법을 사용하여 타이타닉 데이터셋을 살펴본다. --- p.285 |
출판사 리뷰
|
- 타이타닉 데이터셋을 사용한 분류
- 누락된 데이터를 다루는 등의 데이터 정리 - 탐색적 데이터 분석 - 샘플 데이터를 사용한 일반적인 전처리 과정 - 모델에 유용한 특징의 선택 - 모델의 선택 - 분류 모델을 위한 평가지표와 평가 - 다양한 머신러닝 기법을 사용한 회귀 예제 - 회귀 모델을 위한 평가지표와 평가 - 클러스터링 - 차원성 감소 머신러닝의 길잡이가 되어줄 Quick Reference! 인공지능을 구현하는 방법론 중 하나인 머신러닝에 대해 알아야 할 수학 공식이나 통계 지식이 너무 많아 압도될 때가 있습니다. 이 책은 이런 고민을 해결해 주는 책입니다. 너무 복잡하고 어려운 과정을 추상화해서 쉽게 사용하고 싶다거나, 알고리즘의 복잡한 내부를 바닥까지 이해하지는 못하더라도 머신러닝 알고리즘을 가져와 내 데이터에 바로 적용해 보고 싶을 때 사용할 수 있는 도구들을 소개하고 그 활용 방법을 알려줍니다. 다양한 데이터 분석기법 및 시각화 방법을 함축적 내용으로 소개하여, 옆에 두고 보면서 궁금한 것이 생겼을 때 찾아보는 용도로도 좋습니다. 이 책의 특징 머신러닝을 배울 때 참고하며 읽기 좋은 책 도구의 종류, 사용 방법, 각종 파라미터 등을 빠르게 훑으며 기억을 상기할 수 있는 좋은 레퍼런스 자료 머신러닝 모델의 구성 요소, 데이터와 모델의 평가 및 분석을 다양한 도구로 접근해 다각적으로 바라보는 방법을 제시 이 책의 대상 독자 -머신러닝에 관심 있는 프로그래머 -머신러닝의 방법론을 정립하고 싶은 분 -머신러닝의 개념을 다시 한번 정리하고 싶은 분 -머신러닝의 다양한 라이브러리와 시각화 방법을 알고 싶은 분 |
