컨텐츠상세보기

나의 첫 머신러닝/딥러닝
나의 첫 머신러닝/딥러닝
  • 저자<허민석> 저
  • 출판사위키북스
  • 출판일2021-12-15
  • 등록일2022-07-28
보유 1, 대출 1, 예약 1, 누적대출 7, 누적예약 3

책소개

머신러닝/딥러닝을 처음 시작하는 분들을 위한 책

『나의 첫 머신러닝/딥러닝』은 머신러닝/딥러닝을 시작하려는 모든 분들을 대상으로 한다. 간단한 그림과 명쾌한 설명으로 이해하기 쉬운 알고리즘부터 차근차근 단계별로 배우면서 어려움 없이 머신러닝/딥러닝을 학습할 수 있도록 구성했다
이번 개정판에서는 최신 트렌드로 자리 잡은 임베딩 및 전이학습의 이론과 실습을 추가했고, 최신 텐서플로 2로 작성된 코드를 구글 코랩을 활용해 온라인에서 직접 실습할 수 있게 구성했다.

저자소개

실리콘밸리에서 행복하게 살고 있는 평범한 머신러닝 개발자입니다. 취미로 머신러닝/딥러닝 지식과 경험을 유튜브 채널로 공유하고 많은 머신러닝 개발자, 데이터 과학자, 학생분들과 소통하며 살고 있습니다.

목차

▣ 01장: 개발자가 처음 만난 머신러닝의 세계
1.1 머신러닝이란? 
1.2 프로젝트 과정 미리보기 
1.3 실습의 중요성 

▣ 02장: 실습 준비
2.1 예제 코드 
2.2 구글 코랩(Google Colaboratory) 

▣ 03장: 자주 등장하는 머신러닝 필수 개념
3.1 지도학습과 비지도학습 
____3.1.1 지도학습 
____3.1.2 비지도학습 
3.2 분류와 회귀 
____3.2.1 분류 
____3.2.2 회귀 
3.3 과대적합과 과소적합 
____3.3.1 과소적합 
____3.3.2 과대적합 
3.4 혼동 행렬 
3.5 머신러닝 모델의 성능 평가 
____3.5.1 TP(true positive) - 맞는 것을 올바르게 예측한 것 
____3.5.2 TN(true negative) - 틀린 것을 올바르게 예측한 것 
____3.5.3 FP(false positive) - 틀린 것을 맞다고 잘못 예측한 것 
____3.5.4 FN(false negative) - 맞는 것을 틀렸다고 잘못 예측한 것 
____3.5.5 정확도 
____3.5.6 정밀도 
____3.5.7 재현율 
____3.5.8 F1 점수 
3.6 k-폴드 교차 검증 

▣ 04장: 머신러닝 알고리즘 실습
4.1 머신러닝 알고리즘 실습 개요 
____4.1.1 알고리즘 선정 이유 
4.2 k-최근접 이웃(k-Nearest Neighbor, kNN) 
____4.2.1 [이론] k-최근접 이웃 알고리즘(kNN) 
____4.2.2 [실습] 농구선수의 게임 데이터를 활용한 포지션 예측 
4.3 서포트 벡터 머신(SVM) 
____4.3.1 [이론] 서포트 벡터 머신 
____4.3.2 [실습] 농구선수의 게임 기록을 학습해서 포지션을 예측해보자 
4.4 의사결정 트리 
____4.4.1 [이론] 의사결정 트리 
____4.4.2 [실습] 서울 지역(강동, 강서, 강남, 강북) 다중 분류하기 
4.5 나이브 베이즈 
____4.5.1 [이론] 나이브 베이즈  
____4.5.2 [실습] 가우시안 나이브 베이즈를 활용한 붓꽃 분류 
____4.5.3 [실습] 베르누이 나이브 베이즈를 활용한 스팸 분류 
____4.5.4 [실습] 다항분포 나이브 베이즈를 활용한 영화 리뷰 분류 
4.6 앙상블 
____4.6.1 [이론] 배깅 
____4.6.2 [이론] 부스팅 
____4.6.3 [실습] 랜덤 포레스트 손글씨 분류 
____4.6.4 [실습] 보팅 앙상블 손글씨 분류 
4.7 군집화 
____4.7.1 [이론] k 평균 알고리즘 
____4.7.2 [실습] 키와 몸무게에 따른 체형 군집화 
4.8 선형회귀 
____4.8.1 [이론] 선형회귀 
____4.8.2 [실습] 선형회귀 
4.9 로지스틱 회귀 
____4.9.1 [이론] 로지스틱 회귀 
____4.9.2 [실습] 단일 입력 로지스틱 회귀 
____4.9.3 [실습] 다중 입력 로지스틱 회귀 
____4.9.4 [실습] 소프트맥스(다중 분류 로지스틱 회귀) 
4.10 주성분 분석 
____4.10.1 [이론] 주성분 분석 
____4.10.2 [실습] 식습관 데이터를 차원축소시켜서 시각화하기 

▣ 05장: 딥러닝의 기본 개념
5.1 딥러닝의 탄생 
5.2 딥러닝과 머신러닝의 관계 
5.3 딥러닝 이름의 유래 
5.4 딥러닝 탄생 배경 
5.5 퍼셉트론 
5.6 다층 퍼셉트론 
5.7 뉴런(노드) 
5.8 딥러닝의 학습 
____5.8.1 순전파(forward propagation) 
____5.8.2 손실함수 
____5.8.3 최적화 
____5.8.4 역전파 
____5.8.5 옵티마이저 
5.9 딥러닝의 과대적합 
____5.9.1 드롭아웃 
____5.9.2 조기 종료 
5.10 [실습] 퍼셉트론 
5.11 [실습] 뉴런(노드) 
5.12 [실습] 다층 퍼셉트론으로 XOR 구현하기 
5.13 [실습] 다층 퍼셉트론으로 손글씨 숫자 분류하기 

▣ 06장: 딥러닝
6.1 컨볼루셔널 뉴럴 네트워크(CNN) 
____6.1.1 [이론] CNN 
____6.1.2 [실습] CNN 
6.2 순환신경망(RNN) 
____6.2.1 [이론] RNN 
____6.2.2 [이론] LSTM 
____6.2.3 [실습] RNN 기초 
____6.2.4 [실습] LSTM 기초 
____6.2.5 [실습] LSTM - 지문을 읽고 주제 분류하기 
6.3 오토인코더 
____6.3.1 [이론] 오토인코더 
____6.3.2 [실습] 손글씨 숫자 데이터 시각화 
6.4 단어 임베딩 
____6.4.1 [이론] Word2Vec 
____6.4.2 [실습] Word2Vec 
____6.4.3 [실습] 사전 학습된 Word2Vec 맛보기 
____6.4.4 [이론] FastText 
____6.4.5 [실습] 사전학습된 FastText 맛보기 
____6.4.6 [실습] 사전 학습된 Glove 맛보기 
6.5 전이 학습 
____6.5.1 [이론] 전이 학습 
____6.5.2 [실습] 사전 학습된 임베딩으로 사용자 리뷰 분류하기