목차
CHAPTER 1 … 들어가기에 앞서_1
1.1 데이터에 질량이 있다면 지구는 블랙홀이 될 것이다 2
1.2 학습 5
1.2.1 머신러닝5
1.3 머신러닝의 종류 6
1.4 지도학습8
1.4.1 회귀9
1.4.2 분류10
1.5 머신러닝 과정12
1.6 프로그래밍 노트 14
1.7 이 책의 로드맵15
ㆍ 더 읽을거리 17
CHAPTER 2 … 들어가며_19
2.1 용어 설명19
2.1.1 가중치 공간20
2.1.2 차원의 저주22
2.2 알고 있는 것을 잘 이해하라: 머신러닝 알고리즘 평가하기24
2.2.1 오버피팅 24
2.2.2 트레이닝, 테스팅, 밸리데이션 세트 25
2.2.3 혼동 행렬 27
2.2.4 정확도 지표 28
2.2.5 수신자 조작 특성 곡선 30
2.2.6 불균형 데이터세트 31
2.2.7 정밀도 측정 32
2.3 데이터를 확률로 변경33
2.3.1 위험 최소화36
2.3.2 나이브 베이즈 분류기 37
2.4 기본적인 통계학 39
2.4.1 평균 39
2.4.2 분산과 공분산 40
2.4.3 가우시안 42
2.5 바이어스 분산 트레이드오프 43
ㆍ 더 읽을거리 45
ㆍ 연습 문제46
CHAPTER 3 … 뉴런, 뉴럴 네트워크, 선형 판별식_47
3.1 뇌와 뉴런47
3.1.1 헵의 법칙48
3.1.2 맥컬록과 피츠의 뉴런들49
3.1.3 맥컬록과 피츠 뉴럴 모델의 한계점 51
3.2 뉴럴 네트워크 52
3.3 퍼셉트론 53
3.3.1 학습률 55
3.3.2 바이어스 값 입력 56
3.3.3 퍼셉트론 학습 알고리즘57
3.3.4 퍼셉트론 학습의 예제: 논리 함수 58
3.3.5 구현60
3.4 선형 분리성66
3.4.1 퍼셉트론 수렴 이론 68
3.4.2 배타적 논리합 함수70
3.4.3 도움이 될 만한 통찰력71
3.4.4 또 다른 예제: 피마 인디언 데이터세트 73
3.4.5 전처리: 데이터 사전 준비 76
3.5 선형 회귀 77
3.5.
출판사 서평
머신러닝에 필요한 수학/통계학 배경 지식!
머신러닝에 사용되는 주요 알고리즘의 원리!
의사코드가 아닌 파이썬 코드 중심의 예제!
이 책은 머신러닝 알고리즘의 이해를 돕기 위한 책이다. 이 책을 통해 머신러닝에 필요한 프로그래밍뿐만 아니라 관련 수학, 통계 개념을 완벽히 익히는 여행을 시작할 수 있을 것이다.
이 책의 특징
ㆍ 심층 신뢰 신경망과 같은 최근의 머신러닝 동향을 반영했다.
ㆍ 머신러닝을 이해하는 데 필요한 기본 확률과 통계 개념을 제공한다.
ㆍ 신경망을 사용한 지도학습에 대해 배운다.
ㆍ 차원 감축,...
머신러닝에 필요한 수학/통계학 배경 지식!
머신러닝에 사용되는 주요 알고리즘의 원리!
의사코드가 아닌 파이썬 코드 중심의 예제!
이 책은 머신러닝 알고리즘의 이해를 돕기 위한 책이다. 이 책을 통해 머신러닝에 필요한 프로그래밍뿐만 아니라 관련 수학, 통계 개념을 완벽히 익히는 여행을 시작할 수 있을 것이다.
이 책의 특징
ㆍ 심층 신뢰 신경망과 같은 최근의 머신러닝 동향을 반영했다.
ㆍ 머신러닝을 이해하는 데 필요한 기본 확률과 통계 개념을 제공한다.
ㆍ 신경망을 사용한 지도학습에 대해 배운다.
ㆍ 차원 감축, EM 알고리즘, 최근접 이웃법, 최선 분류 경계, 커널 방법과 최적화를 다룬다.
ㆍ 진화학습, 강화학습, 트리 기반의 학습자 그리고 다양한 학습자들의 예측 값을 합치는 방법들을 다룬다.
ㆍ 자기조직화 특성 지도를 통해서 비지도학습의 중요성을 알아본다.
ㆍ 머신러닝에서의 최신 통계 기반 접근법들을 살펴본다.
2판에 추가된 사항
ㆍ 심층 신뢰 신경망과 가우시안 프로세스가 추가되었다.
ㆍ 더 자연스러운 흐름을 위해 각 장을 새롭게 재구성했다.
ㆍ 실습을 위한 실행 코드를 추가했으며, 서포트 벡터 머신 자료들을 보강했다.
ㆍ 랜덤 포레스트, 퍼셉트론 수렴 이론, 정확성 측정 방법을 위한 고려사항, 그리고 MLP를 위한 켤레 기울기 최적화에 대한 새로운 자료를 추가했다.
ㆍ 칼만 필터와 파
