파이썬으로 시작하는 머신러닝+딥러닝
사이킷런(sklearn)을 이용한 머신러닝부터 텐서플로우(TensorFlow), 케라스(Keras)를 이용한 딥러닝 개발까지
$25.30
SKU
9791197347047
[Free shipping over $100]
Standard Shipping estimated by Fri 12/6 - Thu 12/12 (주문일로부 10-14 영업일)
Express Shipping estimated by Tue 12/3 - Thu 12/5 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2022/05/15 |
| Pages/Weight/Size | 188*257*30mm |
| ISBN | 9791197347047 |
| Categories | IT 모바일 > OS/데이터베이스 |
Description
이 책에서는 우리가 흔히 머신러닝, 딥러닝이라고 부르는 데이터 분석 모델에 대해서 학습한다. 그리고 데이터 분석 모델을 만드는데 사용하는 대표적인 파이썬 프레임워크인 사이킷런(sklearn), 텐서플로우(TensorFlow), 케라스(Keras)를 이용한 머신러닝, 딥러닝 개발을 배운다.
Contents
1장. 머신러닝, 딥러닝이 무엇인가요?
__1.1 컴퓨터에게 지능을 만들어주는 인공지능
__1.2 컴퓨터는 어떻게 학습을 하죠?
____1.2.1 지도학습
____1.2.2 비지도학습
____1.2.3 강화학습
__1.3 인공신경망의 역사
__1.4 이 책에서 다루는 분석 모델
____1.4.1 이 책은 인공지능 분야 중 빅데이터를 컴퓨터가 스스로 학습하는 머신러닝과 딥러닝을 다룹니다
____1.4.2 이 책은 지도학습과 비지도학습 방법을 다룹니다
____1.4.3 이 책은 다음의 머신러닝 알고리즘을 다룹니다
____1.4.4 이 책은 다음의 딥러닝 알고리즘을 다룹니다
____1.4.5 이 책이 다루는 학습 성능을 개선하기 위한 방법입니다
____1.4.6 이 책이 다루는 학습 모델의 평가 방법입니다
____1.4.7 전체 맵(Mae)
__1.5 컴퓨터를 학습시키기 위한 준비
____1.5.1 환경 설정 - 코랩(Colab)
____1.5.2 데이터 분석을 위한 파이썬 기초 문법
__마무리
2장. 머신러닝 프로세스
__2.1 머신러닝 학습 절차
____2.1.1 문제 정의
____2.1.2 데이터 전처리
____2.1.3 학습
____2.1.4 평가
__2.2 실습 - 붓꽃 데이터 분류
____2.2.1 문제 정의
____2.2.2 데이터 정제
____2.2.3 학습 - 의사결정나무
____2.2.4 평가
____2.2.5 예측
__마무리
3장. 분류 모델의 성능 개선 방법
__3.1 좋은 점수를 받기 위해서는?
____3.1.1 학습 데이터를 바꾼다
____3.1.2 학습 방법을 바꾼다
__3.2 학습 데이터를 바꾼다
____3.2.1 교차검증
____3.2.2 스케일 조절
____3.2.3 차원축소
__3.3 학습 방법을 바꾼다
____3.3.1 모델의 종류를 바꿔보자
____3.3.2 모델을 튜닝하자
____3.3.3 너무 오래 학습하지 않는다!
__3.4 실습 문제 : 유방암 분류
__마무리
4장. 회귀 모델 - 집 값을 예측한다고?
__4.1 회귀 알고리즘
____4.1.1 선형회귀(Linear Regression)
____4.1.2 의사결정나무 기반 회귀 알고리즘
__4.2 회귀 모델의 평가 방법
____4.2.1 MSE(Mean Squared Error)
____4.2.2 결정계수(R2, R - Square)
__4.3 실습 1 - 붓꽃 데이터 회귀
____4.3.1 문제 정의 및 학습 데이터 준비
____4.3.2 학습 - 선형회귀 모델
____4.3.3 학습 - 의사결정나무 기반의 회귀 알고리즘
__4.4 실습 2 - 보스턴 집 값 예측
____4.4.1 문제 정의 및 학습 데이터 준비
____4.4.2 학습 - 선형회귀 모델
____4.4.3 학습 - 선형회귀 모델 응용
____4.4.4 학습 - 의사결정나무 기반 회귀 모델
__마무리
5장. 군집 모델
__5.1 클러스터링
____5.1.1 유사도 측정 방법
____5.1.2 계층적 군집
____5.1.3 K-means 알고리즘
____5.1.4 군집 알고리즘의 평가 방법
__5.2 실습 : 붓꽃 데이터 군집(K-means) 모델
____5.2.1 문제 정의 및 데이터 분할
____5.2.2 학습 - KMeans
____5.2.3 평가 - 실루엣 점수
____5.2.4 최적의 군집 수 찾기
__마무리
6장. 인공신경망을 만들자!
__6.1 딥러닝이란?
____6.1.1 인공신경망
____6.1.2 인공신경망의 학습
____6.1.3 인공신경망의 활성화 함수
____6.1.4 인공신경망의 손실 함수
__6.2 인공신경망 구성하기
____6.2.1 인공신경망 구성하기 - 기본
____6.2.2 인공신경망 구성하기 - 퀴즈
____6.2.3 인공신경망의 주요 함수
__6.3 실습 - 인공신경망 학습
____6.3.1 인공신경망 학습하기 - 기본
____6.3.2 성능 개선
__마무리
7장. CNN과 이미지 처리
__7.1 객체 인식에 탁월한 인공신경망의 구조
____7.1.1 컴퓨터의 이미지 처리
____7.1.2 CNN의 주요 구성
____7.1.3 이미지 데이터 전처리
__7.2 CNN 기반 인공신경망 학습하기
____7.2.1 MNIST 데이터셋
__7.3 똑똑한 인공신경망 활용하기
____7.3.1 전이학습
____7.3.2 VGGNet
____7.3.3 ResNet
____7.3.4 Inception, Xception
____7.3.5 EfficientNet
__마무리
8장. RNN과 자연어 처리
__8.1 컴퓨터는 사람의 말을 어떻게 이해할까?
____8.1.1 자연어 처리
____8.1.2 RNN
__8.2 컴퓨터가 이해할 수 있도록 사람 말을 바꿔주는 방법
____8.2.1 텍스트 전처리
____8.2.2 언어 모델(Language Model)
__8.3 실습 - 감정분석
__마무리
__1.1 컴퓨터에게 지능을 만들어주는 인공지능
__1.2 컴퓨터는 어떻게 학습을 하죠?
____1.2.1 지도학습
____1.2.2 비지도학습
____1.2.3 강화학습
__1.3 인공신경망의 역사
__1.4 이 책에서 다루는 분석 모델
____1.4.1 이 책은 인공지능 분야 중 빅데이터를 컴퓨터가 스스로 학습하는 머신러닝과 딥러닝을 다룹니다
____1.4.2 이 책은 지도학습과 비지도학습 방법을 다룹니다
____1.4.3 이 책은 다음의 머신러닝 알고리즘을 다룹니다
____1.4.4 이 책은 다음의 딥러닝 알고리즘을 다룹니다
____1.4.5 이 책이 다루는 학습 성능을 개선하기 위한 방법입니다
____1.4.6 이 책이 다루는 학습 모델의 평가 방법입니다
____1.4.7 전체 맵(Mae)
__1.5 컴퓨터를 학습시키기 위한 준비
____1.5.1 환경 설정 - 코랩(Colab)
____1.5.2 데이터 분석을 위한 파이썬 기초 문법
__마무리
2장. 머신러닝 프로세스
__2.1 머신러닝 학습 절차
____2.1.1 문제 정의
____2.1.2 데이터 전처리
____2.1.3 학습
____2.1.4 평가
__2.2 실습 - 붓꽃 데이터 분류
____2.2.1 문제 정의
____2.2.2 데이터 정제
____2.2.3 학습 - 의사결정나무
____2.2.4 평가
____2.2.5 예측
__마무리
3장. 분류 모델의 성능 개선 방법
__3.1 좋은 점수를 받기 위해서는?
____3.1.1 학습 데이터를 바꾼다
____3.1.2 학습 방법을 바꾼다
__3.2 학습 데이터를 바꾼다
____3.2.1 교차검증
____3.2.2 스케일 조절
____3.2.3 차원축소
__3.3 학습 방법을 바꾼다
____3.3.1 모델의 종류를 바꿔보자
____3.3.2 모델을 튜닝하자
____3.3.3 너무 오래 학습하지 않는다!
__3.4 실습 문제 : 유방암 분류
__마무리
4장. 회귀 모델 - 집 값을 예측한다고?
__4.1 회귀 알고리즘
____4.1.1 선형회귀(Linear Regression)
____4.1.2 의사결정나무 기반 회귀 알고리즘
__4.2 회귀 모델의 평가 방법
____4.2.1 MSE(Mean Squared Error)
____4.2.2 결정계수(R2, R - Square)
__4.3 실습 1 - 붓꽃 데이터 회귀
____4.3.1 문제 정의 및 학습 데이터 준비
____4.3.2 학습 - 선형회귀 모델
____4.3.3 학습 - 의사결정나무 기반의 회귀 알고리즘
__4.4 실습 2 - 보스턴 집 값 예측
____4.4.1 문제 정의 및 학습 데이터 준비
____4.4.2 학습 - 선형회귀 모델
____4.4.3 학습 - 선형회귀 모델 응용
____4.4.4 학습 - 의사결정나무 기반 회귀 모델
__마무리
5장. 군집 모델
__5.1 클러스터링
____5.1.1 유사도 측정 방법
____5.1.2 계층적 군집
____5.1.3 K-means 알고리즘
____5.1.4 군집 알고리즘의 평가 방법
__5.2 실습 : 붓꽃 데이터 군집(K-means) 모델
____5.2.1 문제 정의 및 데이터 분할
____5.2.2 학습 - KMeans
____5.2.3 평가 - 실루엣 점수
____5.2.4 최적의 군집 수 찾기
__마무리
6장. 인공신경망을 만들자!
__6.1 딥러닝이란?
____6.1.1 인공신경망
____6.1.2 인공신경망의 학습
____6.1.3 인공신경망의 활성화 함수
____6.1.4 인공신경망의 손실 함수
__6.2 인공신경망 구성하기
____6.2.1 인공신경망 구성하기 - 기본
____6.2.2 인공신경망 구성하기 - 퀴즈
____6.2.3 인공신경망의 주요 함수
__6.3 실습 - 인공신경망 학습
____6.3.1 인공신경망 학습하기 - 기본
____6.3.2 성능 개선
__마무리
7장. CNN과 이미지 처리
__7.1 객체 인식에 탁월한 인공신경망의 구조
____7.1.1 컴퓨터의 이미지 처리
____7.1.2 CNN의 주요 구성
____7.1.3 이미지 데이터 전처리
__7.2 CNN 기반 인공신경망 학습하기
____7.2.1 MNIST 데이터셋
__7.3 똑똑한 인공신경망 활용하기
____7.3.1 전이학습
____7.3.2 VGGNet
____7.3.3 ResNet
____7.3.4 Inception, Xception
____7.3.5 EfficientNet
__마무리
8장. RNN과 자연어 처리
__8.1 컴퓨터는 사람의 말을 어떻게 이해할까?
____8.1.1 자연어 처리
____8.1.2 RNN
__8.2 컴퓨터가 이해할 수 있도록 사람 말을 바꿔주는 방법
____8.2.1 텍스트 전처리
____8.2.2 언어 모델(Language Model)
__8.3 실습 - 감정분석
__마무리