Do it! 데이터 과학자를 위한 실전 머신러닝
13가지 핵심 머신러닝 모델을 직접 구현하며 레벨 업!
$36.23
SKU
9791163034964
[Free shipping over $100]
Standard Shipping estimated by Thu 12/5 - Wed 12/11 (주문일로부 10-14 영업일)
Express Shipping estimated by Mon 12/2 - Wed 12/4 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2023/08/14 |
| Pages/Weight/Size | 188*257*16mm |
| ISBN | 9791163034964 |
| Categories | IT 모바일 > OS/데이터베이스 |
Description
10년 차 데이터 분석가의 실력 상승 비법을 담았다!
13가지 핵심 머신러닝 모델을 직접 구현하면서
머신러닝 입문자를 실무의 세계로 안내하는 책
이 책은 저자가 데이터 분석가로 10년 동안 일하며 깨달은 실력 상승의 비법을 예비 실무자에게 전하고자 집필한 책이다. 그 비법은 바로 기본으로 돌아가 선형 모델, 트리 모델 등 13가지 핵심 머신러닝 모델을 집중적으로 공부하는 것이다. 먼저 각 모델의 밑바탕에 있는 알고리즘 기초과 수리 이론을 살펴보고, 간단한 형태로 모델을 직접 구현해 본다. 그리고 최적화된 파이썬 패키지로 다시 모델링한 다음, 둘 사이에 어떤 차이가 발생하는지를 비교해 보며 머신러닝의 작동 원리를 탐구한다.
머신러닝은 이론만 공부하던 입문자가 처음 실무를 맞닥뜨릴 때 큰 어려움을 겪는 분야이다. 이때 겪는 어려움은 결국 실력이 쌓여야만 근본적으로 극복할 수 있다. 기본 모델을 깊이 이해할수록 다양한 모델들이 서로 동떨어져 있지 않고 기본 모델과 이론적으로 많은 부분을 공유한다는 사실을 깨달을 것이다. 그러고 나면 실제 업무나 연구에서 전보다 더 유연하고 효율적으로 머신러닝 모델링을 수행할 수 있을 것이다.
13가지 핵심 머신러닝 모델을 직접 구현하면서
머신러닝 입문자를 실무의 세계로 안내하는 책
이 책은 저자가 데이터 분석가로 10년 동안 일하며 깨달은 실력 상승의 비법을 예비 실무자에게 전하고자 집필한 책이다. 그 비법은 바로 기본으로 돌아가 선형 모델, 트리 모델 등 13가지 핵심 머신러닝 모델을 집중적으로 공부하는 것이다. 먼저 각 모델의 밑바탕에 있는 알고리즘 기초과 수리 이론을 살펴보고, 간단한 형태로 모델을 직접 구현해 본다. 그리고 최적화된 파이썬 패키지로 다시 모델링한 다음, 둘 사이에 어떤 차이가 발생하는지를 비교해 보며 머신러닝의 작동 원리를 탐구한다.
머신러닝은 이론만 공부하던 입문자가 처음 실무를 맞닥뜨릴 때 큰 어려움을 겪는 분야이다. 이때 겪는 어려움은 결국 실력이 쌓여야만 근본적으로 극복할 수 있다. 기본 모델을 깊이 이해할수록 다양한 모델들이 서로 동떨어져 있지 않고 기본 모델과 이론적으로 많은 부분을 공유한다는 사실을 깨달을 것이다. 그러고 나면 실제 업무나 연구에서 전보다 더 유연하고 효율적으로 머신러닝 모델링을 수행할 수 있을 것이다.
Contents
첫째마당 머신러닝 준비하기
1장 머신러닝과 파이썬
__1.1 머신러닝 알아보기
____1.1.1 머신 러닝은 왜 생겨났을까?
____1.1.2 이 책에서 배우는 머신러닝 모델 한눈에 보기
____1.1.3 이 책의 학습 구성 한눈에 보기
__1.2 머신러닝에 쓰는 알고리즘 개념 이해하기
__1.3 실습 환경 설정하기
____1.3.1 이 책에서 사용하는 파이썬 패키지 살펴보기
__1.4 머신러닝 절차 빠르게 체험하기
____1.4.1 데이터셋 준비하기
____1.4.2 데이터셋 분할하기
____1.4.3 데이터 전처리
____1.4.4 학습 데이터를 이용한 모델 학습
____1.4.5 학습 데이터와 검증 데이터 쌍을 이용한 하이퍼파라미터 튜닝
____1.4.6 테스트 데이터셋에 대한 최종 성능 측정과 평가
둘째마당 선형 모델을 이용한 지도 학습
__선형 모델 준비하기
2장 최소 제곱법 모델
__2.1 최소 제곱법 모델이란?
____2.1.1 최소 제곱법 모델의 정의
__2.2 정규 방정식으로 최소 제곱법 모델 구현하기
____2.2.1 정규 방정식을 이용한 풀이 이론
____2.2.2 정규 방정식으로 풀이 구현하기
____2.2.3 정규 방정식 구현의 단점
__2.3 특잇값 분해를 이용한 최소 제곱법 모델 구현하기
____2.3.1 SVD-OLS를 이용한 풀이 이론
____2.3.2 정규 방정식 풀이의 단점과 SVD-OLS 풀이의 장점
____2.3.3 SVD-OLS를 이용한 풀이 구현하기
__2.4 TSVD-OLS를 이용한 모델 구현하기
____2.4.1 TSVD-OLS를 이용한 풀이 이론
____2.4.2 TSVD-OLS를 이용한 풀이 구현하기
__2.5 패키지로 표현하기
__2.6 최소 제곱법 모델 보충 수업
____2.6.1 통계 모델로서의 OLS
____2.6.2 결정 계수
____2.6.3 화이트 박스 모델과 블랙 박스 모델
__되새김 문제
3장 로지스틱 회귀 모델
__사전 지식 훑어보기
__3.1 로지스틱 회귀 모델이란?
__3.2 로지스틱 회귀 모델 구현하기
____3.2.1 로지스틱 회귀 모델의 기본 이론
____3.2.2 로지스틱 회귀 모델의 심화 이론
____3.2.3 로지스틱 회귀 모델 구현하기
__3.3 패키지로 표현하기
__3.4 로지스틱 회귀 모델 보충 수업
____3.4.1 피처 스케일링과 파이프라인
____3.4.2 통계 모델로서의 로지스틱 회귀 기법
____3.4.3 교차검증법
____3.4.4 피처선택법
__되새김 문제
4장 라쏘 모델
__사전 지식 훑어보기
__4.1 라쏘 모델이란?
__4.2 라쏘 모델 구현하기
____4.2.1 라쏘 모델의 이론
____4.2.2 라쏘 모델 구현하기
__4.3 패키지로 표현하기
__4.4 라쏘 모델 보충 수업
____4.4.1 LARS 기반 라쏘 모델
____4.4.2 모델 선택법
__되새김 문제
5장 릿지 회귀 모델
__사전 지식 훑어보기
__5.1 릿지 회귀 모델이란?
__5.2 릿지 회귀 모델 구현하기
____5.2.1 릿지 회귀 모델의 기본 이론
____5.2.2 릿지 회귀 모델의 심화 이론
____5.2.3 릿지 회귀 모델 구현하기
__5.3 패키지로 표현하기
__5.4 릿지 회귀 모델 보충 수업
____5.4.1 편향-분산 상충 관계와 릿지 회귀의 분산
____5.4.2 릿지 분류 모델
____5.4.3 엘라스틱 넷 회귀 모델
__되새김 문제
셋째마당 트리 모델을 이용한 지도 학습
__트리 모델 준비하기
6장 결정 트리 모델
__사전 지식 훑어보기
__6.1 결정 트리 모델이란?
__6.2 결정 트리 모델 구현하기
____6.2.1 결정 트리 분류 모델의 이론
____6.2.2 결정 트리 분류 모델 구현하기
__6.3 패키지로 표현하기
__6.4 결정 트리 모델 보충 수업
____6.4.1 회귀 트리
____6.4.2 그리드 서치
____6.4.3 피처 중요도
__되새김 문제
7장 랜덤 포레스트 모델
__사전 지식 훑어보기
__7.1 랜덤 포레스트 모델이란?
__7.2 랜덤 포레스트 모델 구현하기
____7.2.1 랜덤 포레스트 모델의 이론
____7.2.2 랜덤 포레스트 분류 모델 구현하기
__7.3 패키지로 표현하기
__7.4 랜덤 포레스트 모델 보충 수업
____7.4.1 랜덤 포레스트 회귀 모델
____7.4.2 OOB 점수
____7.4.3 ExtraTrees
____7.4.4 피처 중요도
__되새김 문제
8장 그레이디언트 부스팅 트리 모델
__사전 지식 훑어보기
__8.1 그레이디언트 부스팅 트리 모델이란?
__8.2 그레이디언트 부스팅 트리 모델 구현하기
____8.2.1 그레이디언트 부스팅 트리 모델의 이론
____8.2.2 부스팅 트리 회귀 모델 구현하기
__8.3 패키지로 표현하기
__8.4 그레이디언트 부스팅 트리 모델 보충 수업
____8.4.1 설명 가능 인공지능
____8.4.2 GBT 모델 이후의 부스팅 기법
__되새김 문제
넷째마당 기타 지도 학습 모델
9장 K-최근접 이웃 모델
__사전 지식 훑어보기
__9.1 K-최근접 이웃 모델이란?
__9.2 K-최근접 이웃 모델 구현하기
____9.2.1 KNN 모델의 기본 이론
____9.2.2 KNN 모델의 심화 이론
____9.2.3 KNN 분류 모델 구현하기
__9.3 패키지로 표현하기
__9.4 K-최근접 이웃 모델 보충 수업
____9.4.1 KNN 회귀 모델
____9.4.2 결정 경계
____9.4.3 고정 반지름 근접 이웃 모델
____9.4.4 KNN 이상값 모델
__되새김 문제
10장 서포트 벡터 머신 모델
__10.1 서포트 벡터 머신 모델이란?
__10.2 서포트 벡터 머신 모델 구현하기
____10.2.1 서포트 벡터 머신 모델의 이론
____10.2.2 SVM 모델 구현하기
__10.3 패키지로 표현하기
____10.3.1 다른 패키지로 구현하기
__10.4 서포트 백터 머신 모델 보충 수업
____10.4.1 서포트 벡터 회귀로 확장하기
____10.4.2 클래스 분류의 확률 판정법
__되새김 문제
11장 다층 퍼셉트론 모델
__사전 지식 훑어보기
__11.1 다층 퍼셉트론 모델이란?
__11.2 다층 퍼셉트론 모델 구현하기
____11.2.1 다층 퍼셉트론 모델의 이론
____11.2.2 다층 퍼셉트론 모델 구현하기
__11.3 패키지로 표현하기
__11.4 다층 퍼셉트론 모델 보충 수업
____11.4.1 MLP 회귀 모델
__되새김 문제
다섯째마당 비지도 학습 모델
12장 K-평균 군집화 모델
__12.1 K-평균 군집화 모델이란?
__12.2 K-평균 군집화 모델 구현하기
____12.2.1 K-평균 군집화 모델의 이론
____12.2.2 K-평균 군집화 모델 구현하기
__12.3 패키지로 표현하기
__12.4 K-평균 군집화 모델 보충 수업
____12.4.1 K-평균 군집화 모델 적용이 부적절한 데이터셋
____12.4.2 군집화 결과 평가하기
__되새김 문제
13장 계층적 군집화 모델
__13.1 계층적 군집화 모델이란?
__13.2 계층적 군집화 모델 구현하기
____13.2.1 계층적 군집화 모델의 이론
____13.2.2 계층적 군집화 모델 구현하기
__13.3 패키지로 표현하기
__13.4 계층적 군집화 모델 보충 수업
____13.4.1 덴드로그램으로 군집 계층 시각화하기
__되새김 문제
14장 주성분 분석 모델
__사전 지식 훑어보기
__14.1 주성분 분석 모델이란?
__14.2 주성분 분석 모델 구현하기
____14.2.1 주성분 분석 모델의 이론
____14.2.2 PCA 모델 구현하기
__14.3 패키지로 표현하기
__14.4 주성분 분석 모델 보충 수업
____14.4.1 다양한 차원 축소 기법
__되새김 문제
[부록] 한눈에 보는 머신러닝 용어 지도
되새김 문제 풀이
참고문헌
찾아보기
1장 머신러닝과 파이썬
__1.1 머신러닝 알아보기
____1.1.1 머신 러닝은 왜 생겨났을까?
____1.1.2 이 책에서 배우는 머신러닝 모델 한눈에 보기
____1.1.3 이 책의 학습 구성 한눈에 보기
__1.2 머신러닝에 쓰는 알고리즘 개념 이해하기
__1.3 실습 환경 설정하기
____1.3.1 이 책에서 사용하는 파이썬 패키지 살펴보기
__1.4 머신러닝 절차 빠르게 체험하기
____1.4.1 데이터셋 준비하기
____1.4.2 데이터셋 분할하기
____1.4.3 데이터 전처리
____1.4.4 학습 데이터를 이용한 모델 학습
____1.4.5 학습 데이터와 검증 데이터 쌍을 이용한 하이퍼파라미터 튜닝
____1.4.6 테스트 데이터셋에 대한 최종 성능 측정과 평가
둘째마당 선형 모델을 이용한 지도 학습
__선형 모델 준비하기
2장 최소 제곱법 모델
__2.1 최소 제곱법 모델이란?
____2.1.1 최소 제곱법 모델의 정의
__2.2 정규 방정식으로 최소 제곱법 모델 구현하기
____2.2.1 정규 방정식을 이용한 풀이 이론
____2.2.2 정규 방정식으로 풀이 구현하기
____2.2.3 정규 방정식 구현의 단점
__2.3 특잇값 분해를 이용한 최소 제곱법 모델 구현하기
____2.3.1 SVD-OLS를 이용한 풀이 이론
____2.3.2 정규 방정식 풀이의 단점과 SVD-OLS 풀이의 장점
____2.3.3 SVD-OLS를 이용한 풀이 구현하기
__2.4 TSVD-OLS를 이용한 모델 구현하기
____2.4.1 TSVD-OLS를 이용한 풀이 이론
____2.4.2 TSVD-OLS를 이용한 풀이 구현하기
__2.5 패키지로 표현하기
__2.6 최소 제곱법 모델 보충 수업
____2.6.1 통계 모델로서의 OLS
____2.6.2 결정 계수
____2.6.3 화이트 박스 모델과 블랙 박스 모델
__되새김 문제
3장 로지스틱 회귀 모델
__사전 지식 훑어보기
__3.1 로지스틱 회귀 모델이란?
__3.2 로지스틱 회귀 모델 구현하기
____3.2.1 로지스틱 회귀 모델의 기본 이론
____3.2.2 로지스틱 회귀 모델의 심화 이론
____3.2.3 로지스틱 회귀 모델 구현하기
__3.3 패키지로 표현하기
__3.4 로지스틱 회귀 모델 보충 수업
____3.4.1 피처 스케일링과 파이프라인
____3.4.2 통계 모델로서의 로지스틱 회귀 기법
____3.4.3 교차검증법
____3.4.4 피처선택법
__되새김 문제
4장 라쏘 모델
__사전 지식 훑어보기
__4.1 라쏘 모델이란?
__4.2 라쏘 모델 구현하기
____4.2.1 라쏘 모델의 이론
____4.2.2 라쏘 모델 구현하기
__4.3 패키지로 표현하기
__4.4 라쏘 모델 보충 수업
____4.4.1 LARS 기반 라쏘 모델
____4.4.2 모델 선택법
__되새김 문제
5장 릿지 회귀 모델
__사전 지식 훑어보기
__5.1 릿지 회귀 모델이란?
__5.2 릿지 회귀 모델 구현하기
____5.2.1 릿지 회귀 모델의 기본 이론
____5.2.2 릿지 회귀 모델의 심화 이론
____5.2.3 릿지 회귀 모델 구현하기
__5.3 패키지로 표현하기
__5.4 릿지 회귀 모델 보충 수업
____5.4.1 편향-분산 상충 관계와 릿지 회귀의 분산
____5.4.2 릿지 분류 모델
____5.4.3 엘라스틱 넷 회귀 모델
__되새김 문제
셋째마당 트리 모델을 이용한 지도 학습
__트리 모델 준비하기
6장 결정 트리 모델
__사전 지식 훑어보기
__6.1 결정 트리 모델이란?
__6.2 결정 트리 모델 구현하기
____6.2.1 결정 트리 분류 모델의 이론
____6.2.2 결정 트리 분류 모델 구현하기
__6.3 패키지로 표현하기
__6.4 결정 트리 모델 보충 수업
____6.4.1 회귀 트리
____6.4.2 그리드 서치
____6.4.3 피처 중요도
__되새김 문제
7장 랜덤 포레스트 모델
__사전 지식 훑어보기
__7.1 랜덤 포레스트 모델이란?
__7.2 랜덤 포레스트 모델 구현하기
____7.2.1 랜덤 포레스트 모델의 이론
____7.2.2 랜덤 포레스트 분류 모델 구현하기
__7.3 패키지로 표현하기
__7.4 랜덤 포레스트 모델 보충 수업
____7.4.1 랜덤 포레스트 회귀 모델
____7.4.2 OOB 점수
____7.4.3 ExtraTrees
____7.4.4 피처 중요도
__되새김 문제
8장 그레이디언트 부스팅 트리 모델
__사전 지식 훑어보기
__8.1 그레이디언트 부스팅 트리 모델이란?
__8.2 그레이디언트 부스팅 트리 모델 구현하기
____8.2.1 그레이디언트 부스팅 트리 모델의 이론
____8.2.2 부스팅 트리 회귀 모델 구현하기
__8.3 패키지로 표현하기
__8.4 그레이디언트 부스팅 트리 모델 보충 수업
____8.4.1 설명 가능 인공지능
____8.4.2 GBT 모델 이후의 부스팅 기법
__되새김 문제
넷째마당 기타 지도 학습 모델
9장 K-최근접 이웃 모델
__사전 지식 훑어보기
__9.1 K-최근접 이웃 모델이란?
__9.2 K-최근접 이웃 모델 구현하기
____9.2.1 KNN 모델의 기본 이론
____9.2.2 KNN 모델의 심화 이론
____9.2.3 KNN 분류 모델 구현하기
__9.3 패키지로 표현하기
__9.4 K-최근접 이웃 모델 보충 수업
____9.4.1 KNN 회귀 모델
____9.4.2 결정 경계
____9.4.3 고정 반지름 근접 이웃 모델
____9.4.4 KNN 이상값 모델
__되새김 문제
10장 서포트 벡터 머신 모델
__10.1 서포트 벡터 머신 모델이란?
__10.2 서포트 벡터 머신 모델 구현하기
____10.2.1 서포트 벡터 머신 모델의 이론
____10.2.2 SVM 모델 구현하기
__10.3 패키지로 표현하기
____10.3.1 다른 패키지로 구현하기
__10.4 서포트 백터 머신 모델 보충 수업
____10.4.1 서포트 벡터 회귀로 확장하기
____10.4.2 클래스 분류의 확률 판정법
__되새김 문제
11장 다층 퍼셉트론 모델
__사전 지식 훑어보기
__11.1 다층 퍼셉트론 모델이란?
__11.2 다층 퍼셉트론 모델 구현하기
____11.2.1 다층 퍼셉트론 모델의 이론
____11.2.2 다층 퍼셉트론 모델 구현하기
__11.3 패키지로 표현하기
__11.4 다층 퍼셉트론 모델 보충 수업
____11.4.1 MLP 회귀 모델
__되새김 문제
다섯째마당 비지도 학습 모델
12장 K-평균 군집화 모델
__12.1 K-평균 군집화 모델이란?
__12.2 K-평균 군집화 모델 구현하기
____12.2.1 K-평균 군집화 모델의 이론
____12.2.2 K-평균 군집화 모델 구현하기
__12.3 패키지로 표현하기
__12.4 K-평균 군집화 모델 보충 수업
____12.4.1 K-평균 군집화 모델 적용이 부적절한 데이터셋
____12.4.2 군집화 결과 평가하기
__되새김 문제
13장 계층적 군집화 모델
__13.1 계층적 군집화 모델이란?
__13.2 계층적 군집화 모델 구현하기
____13.2.1 계층적 군집화 모델의 이론
____13.2.2 계층적 군집화 모델 구현하기
__13.3 패키지로 표현하기
__13.4 계층적 군집화 모델 보충 수업
____13.4.1 덴드로그램으로 군집 계층 시각화하기
__되새김 문제
14장 주성분 분석 모델
__사전 지식 훑어보기
__14.1 주성분 분석 모델이란?
__14.2 주성분 분석 모델 구현하기
____14.2.1 주성분 분석 모델의 이론
____14.2.2 PCA 모델 구현하기
__14.3 패키지로 표현하기
__14.4 주성분 분석 모델 보충 수업
____14.4.1 다양한 차원 축소 기법
__되새김 문제
[부록] 한눈에 보는 머신러닝 용어 지도
되새김 문제 풀이
참고문헌
찾아보기