이 장에서 지도 학습의 기초적인 선형 분류기 개념을 배웠습니다. 퍼셉트론을 구현한 후 벡터화된 경사 하강법 방식으로 적응형 선형 뉴런을 어떻게 효율적으로 훈련하는지도 배웠습니다. 또한, 확률적 경사 하강법을 사용하여 온라인 학습으로 훈련하는 방법을 배웠습니다.

이제 파이썬으로 간단한 분류기를 구현하는 방법을 알았습니다. 다음 장에서 파이썬의 사이킷런 머신 러닝 라이브러리에 있는 강력한 고급 머신 러닝 분류기를 사용해 보겠습니다. 이런 모델들은 학계와 산업계에서 널리 사용합니다.

퍼셉트론과 아달린 알고리즘 구현에 사용한 객체 지향 방식이 사이킷런 API를 이해하는 데 도움이 될 것입니다. 이 장에서 사용한 핵심 구조인 fit, predict 메서드와 동일한 바탕으로 구현되었기 때문입니다. 이런 핵심 개념을 기초로 클래스 확률 모델링을 위한 로지스틱 회귀와 비선형 결정 경계를 위한 서포트 벡터 머신을 배우겠습니다. 이외에도 다른 종류의 지도 학습 알고리즘으로 앙상블 분류기에 널리 사용되는 트리 기반 알고리즘을 소개하겠습니다.