목차

• 1장 컴퓨터는 데이터에서 배운다
• 1.1 데이터를 지식으로 바꾸는 지능적인 시스템 구축
• 1.2 머신 러닝의 세 가지 종류
• 1.2.1 지도 학습으로 미래 예측
• 1.2.2 강화 학습으로 반응형 문제 해결
• 1.2.3 비지도 학습으로 숨겨진 구조 발견
• 1.3 기본 용어와 표기법 소개
• 1.3.1 이 책에서 사용하는 표기법과 규칙
• 1.3.2 머신 러닝 용어
• 1.4 머신 러닝 시스템 구축 로드맵
• 1.4.1 전처리: 데이터 형태 갖추기
• 1.4.2 예측 모델 훈련과 선택
• 1.4.3 모델을 평가하고 본 적 없는 샘플로 예측
• 1.5 머신 러닝을 위한 파이썬
• 1.5.1 파이썬과 PIP에서 패키지 설치
• 1.5.2 아나콘다 파이썬 배포판과 패키지 관리자 사용
• 1.5.3 과학 컴퓨팅, 데이터 과학, 머신 러닝을 위한 패키지
• 1.6 요약
• 2장 간단한 분류 알고리즘 훈련
• 2.1 인공 뉴런: 초기 머신 러닝의 간단한 역사
• 2.1.1 인공 뉴런의 수학적 정의
• 2.1.2 퍼셉트론 학습 규칙
• 2.2 파이썬으로 퍼셉트론 학습 알고리즘 구현
• 2.2.1 객체 지향 퍼셉트론 API
• 2.2.2 붓꽃 데이터셋에서 퍼셉트론 훈련
• 2.3 적응형 선형 뉴런과 학습의 수렴
• 2.3.1 경사 하강법으로 비용 함수 최소화
• 2.3.2 파이썬으로 아달린 구현
• 2.3.3 특성 스케일을 조정하여 경사 하강법 결과 향상
• 2.3.4 대규모 머신 러닝과 확률적 경사 하강법
• 2.4 요약
• 3장 사이킷런을 타고 떠나는 머신 러닝 분류 모델 투어
• 3.1 분류 알고리즘 선택
• 3.2 사이킷런 첫걸음: 퍼셉트론 훈련
• 3.3 로지스틱 회귀를 사용한 클래스 확률 모델링
• 3.3.1 로지스틱 회귀의 이해와 조건부 확률
• 3.3.2 로지스틱 비용 함수의 가중치 학습
• 3.3.3 아달린 구현을 로지스틱 회귀 알고리즘으로 변경
• 3.3.4 사이킷런을 사용하여 로지스틱 회귀 모델 훈련
• 3.3.5 규제를 사용하여 과대적합 피하기
• 3.4 서포트 벡터 머신을 사용한 최대 마진 분류
• 3.4.1 최대 마진
• 3.4.2 슬랙 변수를 사용하여 비선형 분류 문제 다루기
• 3.4.3 사이킷런의 다른 구현
• 3.5 커널 SVM을 사용하여 비선형 문제 풀기
• 3.5.1 선형적으로 구분되지 않는 데이터를 위한 커널 방법
• 3.5.2 커널 기법을 사용하여 고차원 공간에서 분할 초평면 찾기
• 3.6 결정 트리 학습
• 3.6.1 정보 이득 최대화: 자원을 최대로 활용
• 3.6.2 결정 트리 만들기
• 3.6.3 랜덤 포레스트로 여러 개의 결정 트리 연결
• 3.7 k-최근접 이웃: 게으른 학습 알고리즘
• 3.8 요약
• 4장 좋은 훈련 데이터셋 만들기: 데이터 전처리
• 4.1 누락된 데이터 다루기
• 4.1.1 테이블 형태 데이터에서 누락된 값 식별
• 4.1.2 누락된 값이 있는 훈련 샘플이나 특성 제외
• 4.1.3 누락된 값 대체
• 4.1.4 사이킷런 추정기 API 익히기
• 4.2 범주형 데이터 다루기
• 4.2.1 순서가 있는 특성 매핑
• 4.2.2 클래스 레이블 인코딩
• 4.2.3 순서가 없는 특성에 원-핫 인코딩 적용
• 4.3 데이터셋을 훈련 데이터셋과 테스트 데이터셋으로 나누기
• 4.4 특성 스케일 맞추기
• 4.5 유용한 특성 선택
• 4.5.1 모델 복잡도 제한을 위한 L1 규제와 L 2 규제
• 4.5.2 L 2 규제의 기하학적 해석
• 4.5.3 L1 규제를 사용한 희소성
• 4.5.4 순차 특성 선택 알고리즘
• 4.6 랜덤 포레스트의 특성 중요도 사용
• 4.7 요약
• 5장 차원 축소를 사용한 데이터 압축
• 5.1 주성분 분석을 통한 비지도 차원 축소
• 5.1.1 주성분 분석의 주요 단계
• 5.1.2 주성분 추출 단계
• 5.1.3 총 분산과 설명된 분산
• 5.1.4 특성 변환
• 5.1.5 사이킷런의 주성분 분석
• 5.2 선형 판별 분석을 통한 지도 방식의 데이터 압축
• 5.2.1 주성분 분석 vs 선형 판별 분석
• 5.2.2 선형 판별 분석의 내부 동작 방식
• 5.2.3 산포 행렬 계산
• 5.2.4 새로운 특성 부분 공간을 위해 선형 판별 벡터 선택
• 5.2.5 새로운 특성 공간으로 샘플 투영
• 5.2.6 사이킷런의 LDA
• 5.3 커널 PCA를 사용하여 비선형 매핑
• 5.3.1 커널 함수와 커널 트릭
• 5.3.2 파이썬으로 커널 PCA 구현
• 5.3.3 새로운 데이터 포인트 투영
• 5.3.4 사이킷런의 커널 PCA
• 5.4 요약
• 6장 모델 평가와 하이퍼파라미터 튜닝의 모범 사례
• 6.1 파이프라인을 사용한 효율적인 워크플로
• 6.1.1 위스콘신 유방암 데이터셋
• 6.1.2 파이프라인으로 변환기와 추정기 연결
• 6.2 k-겹 교차 검증을 사용한 모델 성능 평가
• 6.2.1 홀드아웃 방법
• 6.2.2 k-겹 교차 검증
• 6.3 학습 곡선과 검증 곡선을 사용한 알고리즘 디버깅
• 6.3.1 학습 곡선으로 편향과 분산 문제 분석
• 6.3.2 검증 곡선으로 과대적합과 과소적합 조사
• 6.4 그리드 서치를 사용한 머신 러닝 모델 세부 튜닝
• 6.4.1 그리드 서치를 사용한 하이퍼파라미터 튜닝
• 6.4.2 중첩 교차 검증을 사용한 알고리즘 선택
• 6.5 여러 가지 성능 평가 지표
• 6.5.1 오차 행렬
• 6.5.2 분류 모델의 정밀도와 재현율 최적화
• 6.5.3 ROC 곡선 그리기
• 6.5.4 다중 분류의 성능 지표
• 6.6 불균형한 클래스 다루기
• 6.7 요약
• 7장 다양한 모델을 결합한 앙상블 학습
• 7.1 앙상블 학습
• 7.2 다수결 투표를 사용한 분류 앙상블
• 7.2.1 간단한 다수결 투표 분류기 구현
• 7.2.2 다수결 투표 방식을 사용하여 예측 만들기
• 7.2.3 앙상블 분류기의 평가와 튜닝
• 7.3 배깅: 부트스트랩 샘플링을 통한 분류 앙상블
• 7.3.1 배깅 알고리즘의 작동 방식
• 7.3.2 배깅으로 Wine 데이터셋의 샘플 분류
• 7.4 약한 학습기를 이용한 에이다부스트
• 7.4.1 부스팅 작동 원리
• 7.4.2 사이킷런에서 에이다부스트 사용
• 7.5 요약
• 8장 감성 분석에 머신 러닝 적용
• 8.1 텍스트 처리용 IMDb 영화 리뷰 데이터 준비
• 8.1.1 영화 리뷰 데이터셋 구하기
• 8.1.2 영화 리뷰 데이터셋을 더 간편한 형태로 전처리
• 8.2 BoW 모델 소개
• 8.2.1 단어를 특성 벡터로 변환
• 8.2.2 tf-idf를 사용하여 단어 적합성 평가
• 8.2.3 텍스트 데이터 정제
• 8.2.4 문서를 토큰으로 나누기
• 8.3 문서 분류를 위한 로지스틱 회귀 모델 훈련
• 8.4 대용량 데이터 처리: 온라인 알고리즘과 외부 메모리 학습
• 8.5 잠재 디리클레 할당을 사용한 토픽 모델링
• 8.5.1 LDA를 사용한 텍스트 문서 분해
• 8.5.2 사이킷런의 LDA
• 8.6 요약
• 9장 웹 애플리케이션에 머신 러닝 모델 내장
• 9.1 학습된 사이킷런 추정기 저장
• 9.2 데이터를 저장하기 위해 SQLite 데이터베이스 설정
• 9.3 플라스크 웹 애플리케이션 개발
• 9.3.1 첫 번째 플라스크 애플리케이션
• 9.3.2 폼 검증과 화면 출력
• 9.4 영화 리뷰 분류기를 웹 애플리케이션으로 만들기
• 9.4.1 파일과 폴더: 디렉터리 구조 살펴보기
• 9.4.2 메인 애플리케이션 app.py 구현
• 9.4.3 리뷰 폼 구성
• 9.4.4 결과 페이지 템플릿 만들기
• 9.5 공개 서버에 웹 애플리케이션 배포
• 9.5.1 PythonAnywhere 계정 만들기
• 9.5.2 영화 분류 애플리케이션 업로드
• 9.5.3 영화 분류기 업데이트
• 9.6 요약
• 10장 회귀 분석으로 연속적 타깃 변수 예측
• 10.1 선형 회귀
• 10.1.1 단순 선형 회귀
• 10.1.2 다중 선형 회귀
• 10.2 주택 데이터셋 탐색
• 10.2.1 데이터프레임으로 주택 데이터셋 읽기
• 10.2.2 데이터셋의 중요 특징 시각화
• 10.2.3 상관관계 행렬을 사용한 분석
• 10.3 최소 제곱 선형 회귀 모델 구현
• 10.3.1 경사 하강법으로 회귀 모델의 파라미터 구하기
• 10.3.2 사이킷런으로 회귀 모델의 가중치 추정
• 10.4 RANSAC을 사용하여 안정된 회귀 모델 훈련
• 10.5 선형 회귀 모델의 성능 평가
• 10.6 회귀에 규제 적용
• 10.7 선형 회귀 모델을 다항 회귀로 변환
• 10.7.1 사이킷런을 사용하여 다항식 항 추가
• 10.7.2 주택 데이터셋을 사용한 비선형 관계 모델링
• 10.8 랜덤 포레스트를 사용하여 비선형 관계 다루기
• 10.8.1 결정 트리 회귀
• 10.8.2 랜덤 포레스트 회귀
• 10.9 요약
• 11장 레이블되지 않은 데이터 다루기: 군집 분석
• 11.1 k-평균 알고리즘을 사용하여 유사한 객체 그룹핑
• 11.1.1 사이킷런을 사용한 k-평균 군집
• 11.1.2 k- 평균 ++로 초기 클러스터 센트로이드를 똑똑하게 할당
• 11.1.3 직접 군집 vs 간접 군집
• 11.1.4 엘보우 방법을 사용하여 최적의 클러스터 개수 찾기
• 11.1.5 실루엣 그래프로 군집 품질을 정량화
• 11.2 계층적인 트리로 클러스터 조직화
• 11.2.1 상향식으로 클러스터 묶기
• 11.2.2 거리 행렬에서 계층 군집 수행
• 11.2.3 히트맵에 덴드로그램 연결
• 11.2.4 사이킷런에서 병합 군집 적용
• 11.3 DBSCAN을 사용하여 밀집도가 높은 지역 찾기
• 11.4 요약
• 12장 다층 인공 신경망을 밑바닥부터 구현
• 12.1 인공 신경망으로 복잡한 함수 모델링
• 12.1.1 단일층 신경망 요약
• 12.1.2 다층 신경망 구조
• 12.1.3 정방향 계산으로 신경망 활성화 출력 계산
• 12.2 손글씨 숫자 분류
• 12.2.1 MNIST 데이터셋 구하기
• 12.2.2 다층 퍼셉트론 구현
• 12.3 인공 신경망 훈련
• 12.3.1 로지스틱 비용 함수 계산
• 12.3.2 역전파 알고리즘 이해
• 12.3.3 역전파 알고리즘으로 신경망 훈련
• 12.4 신경망의 수렴
• 12.5 신경망 구현에 관한 몇 가지 첨언
• 12.6 요약
• 13장 텐서플로를 사용한 신경망 훈련
• 13.1 텐서플로와 훈련 성능
• 13.1.1 성능 문제
• 13.1.2 텐서플로란?
• 13.1.3 텐서플로 학습 순서
• 13.2 텐서플로 처음 시작하기
• 13.2.1 텐서플로 설치
• 13.2.2 텐서플로에서 텐서 만들기
• 13.2.3 텐서의 데이터 타입과 크기 조작
• 13.2.4 텐서에 수학 연산 적용
• 13.2.5 split( ), stack( ), concat( ) 함수
• 13.3 텐서플로 데이터셋 API(tf.data)를 사용하여 입력 파이프라인 구축
• 13.3.1 텐서에서 텐서플로 데이터셋 만들기
• 13.3.2 두 개의 텐서를 하나의 데이터셋으로 연결
• 13.3.3 shuffle( ), batch( ), repeat( ) 메서드
• 13.3.4 로컬 디스크에 있는 파일에서 데이터셋 만들기
• 13.3.5 tensorflow_datasets 라이브러리에서 데이터셋 로드
• 13.4 텐서플로로 신경망 모델 만들기
• 13.4.1 텐서플로 케라스 API(tf.keras)
• 13.4.2 선형 회귀 모델 만들기
• 13.4. 3 .compile( )과 .fit( ) 메서드를 사용한 모델 훈련
• 13.4.4 붓꽃 데이터셋을 분류하는 다층 퍼셉트론 만들기
• 13.4.5 테스트 데이터셋에서 훈련된 모델 평가
• 13.4.6 훈련된 모델 저장하고 복원
• 13.5 다층 신경망의 활성화 함수 선택
• 13.5.1 로지스틱 함수 요약
• 13.5.2 소프트맥스 함수를 사용한 다중 클래스 확률 예측
• 13.5.3 하이퍼볼릭 탄젠트로 출력 범위 넓히기
• 13.5.4 렐루 활성화 함수
• 13.6 요약
• 14장 텐서플로 구조 자세히 알아보기
• 14.1 텐서플로의 주요 특징
• 14.2 텐서플로의 계산 그래프: 텐서플로 v2로 이전
• 14.2.1 계산 그래프 이해
• 14.2.2 텐서플로 v1.x에서 그래프 만들기
• 14.2.3 텐서플로 v2로 이전
• 14.2.4 입력 데이터를 모델에 주입: 텐서플로 v1.x 스타일
• 14.2.5 입력 데이터를 모델에 주입: 텐서플로 v2 스타일
• 14.2.6 함수 데코레이터로 계산 성능 높이기
• 14.3 모델 파라미터를 저장하고 업데이트하기 위한 텐서플로 변수 객체
• 14.4 자동 미분과 GradientTape로 그레이디언트 계산
• 14.4.1 훈련 가능한 변수에 대한 손실의 그레이디언트 계산
• 14.4.2 훈련하지 않는 변수에 대한 그레이디언트 계산
• 14.4.3 여러 개의 그레이디언트 계산
• 14.5 케라스 API를 사용하여 일반적인 구조 구현하기
• 14.5.1 XOR 분류 문제 풀어 보기
• 14.5.2 케라스 함수형 API로 유연성이 높은 모델 만들기
• 14.5.3 케라스의 Model 클래스 기반으로 모델 만들기
• 14.5.4 사용자 정의 케라스 층 만들기
• 14.6 텐서플로 추정기
• 14.6.1 특성 열 사용
• 14.6.2 사전에 준비된 추정기로 머신 러닝 수행
• 14.6.3 추정기를 사용하여 MNIST 손글씨 숫자 분류
• 14.6.4 케라스 모델에서 추정기 만들기
• 14.7 요약
• 15장 심층 합성곱 신경망으로 이미지 분류
• 15.1 합성곱 신경망의 구성 요소
• 15.1.1 CNN과 특성 계층 학습
• 15.1.2 이산 합성곱 수행
• 15.1.3 서브샘플링
• 15.2 기본 구성 요소를 사용하여 심층 합성곱 신경망 구성
• 15.2.1 여러 개의 입력 또는 컬러 채널 다루기
• 15.2.2 드롭아웃으로 신경망 규제
• 15.2.3 분류를 위한 손실 함수
• 15.3 텐서플로를 사용하여 심층 합성곱 신경망 구현
• 15.3.1 다층 CNN 구조
• 15.3.2 데이터 적재와 전처리
• 15.3.3 텐서플로 케라스 API를 사용하여 CNN 구현
• 15.4 합성곱 신경망을 사용하여 얼굴 이미지의 성별 분류
• 15.4.1 CelebA 데이터셋 로드
• 15.4.2 이미지 변환과 데이터 증식
• 15.4.3 CNN 성별 분류기 훈련
• 15.5 요약
• 16장 순환 신경망으로 순차 데이터 모델링
• 16.1 순차 데이터 소개
• 16.1.1 순차 데이터 모델링: 순서를 고려한다
• 16.1.2 시퀀스 표현
• 16.1.3 시퀀스 모델링의 종류
• 16.2 시퀀스 모델링을 위한 RNN
• 16.2.1 RNN 반복 구조 이해
• 16.2.2 RNN의 활성화 출력 계산
• 16.2.3 은닉 순환과 출력 순환
• 16.2.4 긴 시퀀스 학습의 어려움
• 16.2.5 LSTM 셀
• 16.3 텐서플로로 시퀀스 모델링을 위한 RNN 구현
• 16.3.1 첫 번째 프로젝트: IMDb 영화 리뷰의 감성 분석
• 16.3.2 두 번째 프로젝트: 텐서플로로 글자 단위 언어 모델 구현
• 16.4 트랜스포머 모델을 사용한 언어 이해
• 16.4.1 셀프 어텐션 메커니즘 이해
• 16.4.2 멀티-헤드 어텐션과 트랜스포머 블록
• 16.5 요약
• 17장 새로운 데이터 합성을 위한 생성적 적대 신경망
• 17.1 생성적 적대 신경망 소개
• 17.1.1 오토인코더
• 17.1.2 새로운 데이터 합성을 위한 생성 모델
• 17.1.3 GAN으로 새로운 샘플 생성
• 17.1.4 GAN의 생성자와 판별자 손실 함수 이해
• 17.2 밑바닥부터 GAN 모델 구현
• 17.2.1 구글 코랩에서 GAN 모델 훈련
• 17.2.2 생성자와 판별자 신경망 구현
• 17.2.3 훈련 데이터셋 정의
• 17.2.4 GAN 모델 훈련하기
• 17.3 합성곱 GAN과 바서슈타인 GAN으로 합성 이미지 품질 높이기
• 17.3.1 전치 합성곱
• 17.3.2 배치 정규화
• 17.3.3 생성자와 판별자 구현
• 17.3.4 두 분포 사이의 거리 측정
• 17.3.5 GAN에 EM 거리 사용
• 17.3.6 그레이디언트 페널티
• 17.3.7 WGAN-GP로 DCGAN 모델 훈련
• 17.3.8 모드 붕괴
• 17.4 다른 GAN 애플리케이션
• 17.5 요약
• 18장 강화 학습으로 복잡한 환경에서 의사 결정
• 18.1 경험에서 배운다
• 18.1.1 강화 학습 이해
• 18.1.2 강화 학습 시스템의 에이전트-환경 인터페이스 정의
• 18.2 강화 학습의 기초 이론
• 18.2.1 마르코프 결정 과정
• 18.2.2 마르코프 결정 과정의 수학 공식
• 18.2.3 강화 학습 용어: 대가, 정책, 가치 함수
• 18.2.4 벨먼 방정식을 사용한 동적 계획법
• 18.3 강화 학습 알고리즘
• 18.3.1 동적 계획법
• 18.3.2 몬테카를로를 사용한 강화 학습
• 18.3.3 시간 차 학습
• 18.4 첫 번째 강화 학습 알고리즘 구현
• 18.4.1 OpenAI 짐 툴킷 소개
• 18.4.2 Q-러닝으로 그리드 월드 문제 풀기
• 18.4.3 심층 Q-러닝
• 18.5 전체 요약
• 부록 A 윈도에 아나콘다, 사이킷런, 텐서플로 설치
• A.1 아나콘다 설치
• A.2 사이킷런, 텐서플로 설치
• A.3 예제 노트북 실행
• A.4 주피터 노트북 뷰어와 구글 코랩 사용