close
더북(TheBook)
search
머신 러닝을 다루는 기술 with 파이썬, 사이킷런
더북(TheBook)
home
Home
제 1 부 첫 번째 단계
1장 학습이란?
1.1 컴퓨터는 학습할 수 있을까?
1.2 범위, 용어, 예측, 데이터
1.2.1 특성
1.2.2 타깃 값과 예측치
1.3 머신 러닝에 기계 모델 집어넣기
1.4 학습 시스템 사례
1.4.1 카테고리 예측: 분류 모델 사례
1.4.2 값 예측: 회귀 모델 사례
1.5 학습 시스템 평가
1.5.1 정확도
1.5.2 자원 소모
1.6 학습 시스템 구축 프로세스
1.8.2 참고 사항
1.7 학습의 현실과 가정
1.8 마무리
1.8.1 앞으로
2장 기술적 배경
2.1 환경 설정
2.2 수학적 언어의 필요성
2.3 머신 러닝을 위한 소프트웨어
2.4 확률
2.4.1 단순 사건
2.4.2 독립
2.4.3 조건부 확률
2.4.4 분포
2.5 선형 결합, 가중 합, 점곱
2.5.1 가중 평균
2.5.2 제곱합
2.5.3 오차 제곱합
2.6 기하학적 관점: 공간상 포인트
2.6.1 직선
2.6.2 직선을 넘어서
2.7 수식 표현과 +1 트릭
2.8 정해진 틀을 깨는 비선형성
2.9 NumPy vs. 수학의 모든 것
2.9.1 1차원 vs. 2차원
2.10 부동소수점 문제
2.11 마무리
2.11.1 요약
2.11.2 참고 사항
3장 범주 예측: 분류 문제 시작
3.1 분류 문제
3.2 간단한 분류 데이터셋
3.3 학습과 테스트: 시험만을 위해 강의하지 말자
3.4 평가: 시험지 채점
3.5 간단한 분류 모델 #1: 최근접 이웃, 먼 거리 관계, 가정
3.5.1 유사도 정의
3.5.2 k-최근접 이웃에서의 k
3.5.3 답 조합
3.5.4 k-NN, 파라미터와 논파라메트릭 방법들
3.5.5 k-nn 분류 모델 생성
3.6 간단한 분류 모델 #2: 나이브 베이즈, 확률, 깨진 약속들
3.7 분류 모델의 간단한 평가
3.7.1 학습 성능
3.7.2 분류 문제에서의 자원 활용
3.7.3 독립적인 자원 평가
3.8 마무리
3.8.1 주의 사항: 한계점과 아직 해결되지 않은 이슈들
3.8.2 요약
3.8.3 참고 사항
3.8.4 연습 문제
4장 수치형 값 예측: 회귀 모델
4.1 간단한 회귀 데이터셋
4.2 최근접 이웃 회귀와 요약 통계량
4.2.1 중앙 측정: 중앙값과 평균
4.2.2 k-NN 회귀 모델 생성
4.3 선형 회귀와 오차
4.3.1 지구는 평평하지 않다: 경사가 필요한 이유
4.3.2 기울여 보기
4.3.3 선형 회귀
4.4 최적화: 최적의 답 선택
4.4.1 무작위 추측
4.4.2 무작위 스텝
4.4.3 똑똑한 스텝
4.4.4 계산된 지름길
4.4.5 선형 회귀 적용 사례
4.5 회귀 모델의 간단한 평가와 비교
4.5.1 평균 제곱근 오차
4.5.2 학습 성능
4.5.3 회귀 모델의 자원 활용
4.6 마무리
4.6.1 한계점과 아직 해결되지 않은 이슈들
4.6.2 요약
4.6.3 참고 사항
4.6.4 연습 문제
제 2 부 평가
5장 학습 모델 평가 및 비교
5.1 평가와 과유불급
5.2 학습 단계 관련 용어
5.2.1 공장 기계
5.2.2 기술적으로 이야기하자면
5.3 뭔가 잘못되었다: 과대적합과 과소적합
5.3.1 합성 데이터와 선형 회귀
5.3.2 모델 복잡도를 수동으로 조작
5.3.3 골디락스: 과대적합, 과소적합 그리고 ‘딱 적당한 상태’ 시각화
5.3.4 단순함
5.3.5 과대적합에 대해 꼭 기억할 점
5.4 오차부터 비용까지
5.4.1 손실
5.4.2 비용
5.4.3 점수
5.5 (리)샘플링: 소에서 대 생성
5.5.1 교차 검증
5.5.2 층화
5.5.3 반복적 훈련-테스트 분리
5.5.4 더 나은 길과 뒤섞기
5.5.5 LOOCV 교차 검증
5.6 쪼개어 보기: 편향과 분산
5.6.1 데이터의 분산
5.6.2 모델의 분산
5.6.3 모델의 편향
5.6.4 모두 다 함께
5.6.5 편향- 분산 상충 관계의 예시
5.7 시각적 평가와 비교
5.7.1 학습 곡선: 데이터는 얼마나 많이 필요할까?
5.7.2 복잡도 곡선
5.8 교차 검증으로 학습 모델 비교
5.9 마무리
5.9.1 요약
5.9.2 참고 사항
5.9.3 연습 문제
제
1
부
첫 번째 단계
1장
학습이란?
2장
기술적 배경
3장
범주 예측: 분류 문제 시작
4장
수치형 값 예측: 회귀 모델
Prev
BUY
Next
신간 소식 구독하기
뉴스레터에 가입하시고 이메일로 신간 소식을 받아 보세요.
Email address