머리말
제1장 우리가 머신러닝에 관심을 가지는 이유
- 디지털의 힘
- 데이터를 저장하는 컴퓨터
- 컴퓨터는 데이터를 교환한다
- 모바일 컴퓨팅
- 사회적 데이터
- 방대한 데이터: 데이터퀘이크
- 학습과 프로그래밍
- 인공지능
- 뇌를 이해하기
- 패턴 인식
- 우리가 학습에 대해 논할 때 말하는 것
- 머신러닝의 간략한 역사
제2장 머신러닝과 통계, 그리고 데이터 분석
- 중고차 가격 예측 방법 학습
- 임의성과 확률
- 일반 모델 학습하기
- 모델 선택
- 지도 학습
- 수열 학습
- 개인신용평가
- 전문가 시스템
- 기대치
제3장 패턴 인식
- 읽기 학습
- 모델의 균질도 일치시키기
- 생성 모델
- 얼굴 인식
- 음성 인식
- 자연어 처리 및 번역
- 다수의 모델 혼합하기
- 이상점 감지
- 차원 축소
- 의사결정 트리
- 능동 학습
- 순위 매기기 학습
- 베이지안 방법론
제4장 신경망과 딥러닝
- 인공 신경망
- 신경망 학습 알고리즘
- 퍼셉트론이 할 수 있는 것과 할 수 없는 것
- 인지과학의 연결주의 모델
- 병렬처리를 위한 패러다임으로서의 신경망
- 다층에서의 계층적 표현
- 딥러닝
제5장 학습 클러스터와 추천
- 데이터에서 그룹 찾기
- 추천 시스템
제6장 행동하는 법 학습하기
- 강화 학습
- 케이 암드 밴딧
- 시간차 학습
- 강화 학습 응용
제7장 우리는 여기서 어디로 가야 하는가?
- 스마트하게, 그리고 학습할 수 있도록 만들자
- 고성능 계산
- 데이터 마이닝
- 데이터 프라이버시와 보안
- 데이터 과학
- 머신러닝과 인공지능, 그리고 우리의 미래
맺음말
용어사전
4차 산업혁명과 인공지능의 시대에 대비하기 위한 첫걸음은 머신러닝에 대한 이해다!
데이터로부터 학습을 하는 컴퓨터 프로그램인 머신러닝은 추천 시스템, 얼굴 인식, 그리고 자율주행차를 비롯한 여러 응용기술들의 기저를 이룬다. 이 책은 그 머신러닝에 대한 핵심 개념을 요약하여 설명한 입문서다. 오늘날 머신러닝은 제품 추천부터 음성 인식까지 우리가 매일 사용하는 광범위한 응용과 아직 일상화되지 않은 자율주행차와 같은 기술의 기반을 이루고 있다. 프로그래밍을 하지 않고 데이터를 수집하는 새로운 컴퓨팅 접근법의 기초가 바로 머신러닝이다. 과제에 대한 알고리즘을 데이터로부터 자동적으로 학습하는 것이다.
컴퓨팅 기기들이 더욱 보편화되면서 우리의 삶과 작업의 대부분이 디지털로 기록되고 있으며, ‘빅데이터’가 점점 더 커짐에 따라 그 데이터를 지식으로 만들어내기 위한 노력의 일환으로 머신러닝 이론 역시 진보해왔다. 세계적인 인공지능 전문가로 MIT와 함께 머신러닝 교과서를 집필했던 에템 알페이든 교수는 비전공자를 비롯한 일반인들을 위해 최대한 간결하고 명쾌하게 이 책을 집필했다. 이 책에서는 머신러닝의 진화를 다루며, 중요한 학습 알고리즘들에 대해 설명한다. 또한 머신러닝의 다양한 응용 사례들을 제시하여 독자들이 머신러닝의 무궁무진한 가능성을 가늠해 볼 수 있도록 했다. 알페이든 교수는, 방대한 수를 계산하는 대형 컴퓨터에서 모바일 기기로 발전된 디지털 기술이 어떻게 오늘날의 머신러닝 붐을 일으킬 수 있었는지 그 이유를 분석했다. 그리고 머신러닝의 기초와 대표적인 응용들에 대해 상세히 서술했다.
전공자와 비전공자 모두를 위한 친절한 가이드!
패턴 인식을 위한 머신러닝 알고리즘의 사용, 인간의 뇌로부터 영감을 받아 만들어진 인공신경망, 인스턴스들 사이의 연관성을 학습하는 알고리즘들, 그리고 고객 세분화 및 학습 추천을 위한 응용, 자동화된 대리인이 보상을 극대화하고 페널티를 최소화하기 위해 행동을 학습할 때의 강화학습. 쉽사리 감이 오지 않겠지만, 이런 것
