본문내용 바로가기

홈

국내도서

컴퓨터/IT

컴퓨터공학

인공지능

딥러닝/머신러닝

MD의선택 무료배송 이벤트 소득공제

Scikit-learn으로 머신 러닝 마스터 2/e 지도 학습, 비지도 학습, 강화 학습-핵심 기법 이해와 활용

개빈 해클링 지음 | 이병욱 옮김 | 에이콘출판 | 2018년 05월 30일 출간
총 4 중
4 10.0 (리뷰 1개)
클로버 리뷰쓰기
머신 러닝 마스터 2/e(Scikit-learn으로) 크게보기
매장 재고 · 위치

이 책의 다른 상품 정보

  • 정가 : 25,000원
    판매가 : 22,500원 [10%↓ 2,500원 할인]
  • 혜택 :
    [기본적립] 1250원 적립 [5% 적립] [추가적립] 5만원 이상 구매 시 2,000원 추가적립 안내 [회원혜택] 회원 등급 별, 3만원 이상 구매 시 2~4% 추가적립 안내 [리뷰적립] 리뷰 작성 시 e교환권 최대 300원 추가적립 안내
  • 추가혜택 : 포인트 안내 도서소득공제 안내 추가혜택 더보기

이 상품의 이벤트 1건

더보기+
  • 배송비 : 무료 배송비 안내
  • 배송일정 : 서울특별시 종로구 세종대로 기준 지역변경
    지금 주문하면 내일(21일,토) 도착 예정 배송일정 안내
  • 바로드림 : 인터넷으로 주문하고 매장에서 직접 수령 안내 바로드림 혜택
    휴일에는 바로드림 픽업으로 더 빨리 받아 보세요. 바로드림 혜택받고 이용하기
장바구니 담기 바로구매 바로드림 주문 선물하기 보관함 담기

이 책의 이벤트

해외주문/바로드림/제휴사주문/업체배송건의 경우 1+1 증정상품이 발송되지 않습니다.
  • 6월 2일 개발자 북콘서트 사전신청하고 선물 받자!
    2022.05.11 ~ 2022.05.31
도서·상품정보 1:1 문의하기
상품상세정보
ISBN 9791161751603(1161751602)
쪽수 308쪽
크기 190 * 236 * 22 mm /723g 판형알림
이 책의 원서/번역서 Mastering Machine Learning with Scikit-Learn / Hackeling, Gavin

책소개

이 책이 속한 분야

머신 러닝의 관계에 관해 기초적인 개념을 정립할 수 있도록 돕는 책이다. 지도 학습, 비지도 학습, 강화 학습에 이르기까지 머신 러닝에서 주로 사용되는 기법 대부분을 비교해 설명하며, 이에 관해 파이썬의 scikit-learn 패키지를 사용한 예제를 직접 수행해 볼 수 있다.
특히 잘 정립되고 간결한 설명은 모든 머신 러닝 기법의 기본 개념을 다시 한 번 확고히 이해하는 데 많은 도움을 줄 것이다. 또한 모든 예제를 파이썬 scikit-learn을 사용해 제공하기 때문에 코드를 직접 수행해 가면서 책을 읽을 수 있다.

★ 이 책에서 다루는 내용 ★
■ 편향과 분산 등의 기본 개념
■ 범주형 변수, 텍스트, 이미지 등에서 특징 추출
■ 선형 회귀와 k-최근접 이웃을 사용한 연속 변수 예측
■ 로지스틱 회귀와 서포트 벡터 머신을 이용한 문서와 이미지 분류
■ 배깅과 부스팅 기법을 활용한 예측기의 앙상블 구축
■ K-평균 군집화를 사용한 데이터 내 숨겨진 구조의 발견
■ 보편적으로 사용되는 머신 러닝 시스템의 성능 평가

★ 이 책의 대상 독자 ★
보편적인 머신 러닝 알고리즘의 작동법을 이해하고 어떻게 활용할 것인지에 대한 직관을 얻는 데 도움을 주기 위한 책이다. 또한 이 책은 scikit-learn API를 배우고자 하는 데이터 과학자에게도 유용하다. 책을 읽을 때 머신 러닝의 기초 지식이나 파이썬 지식이 있으면 도움이 되겠지만 반드시 있어야만 하는 것은 아니다.

작가의 말

최근 몇 년 사이에 상상만 하던 것들이 머신 러닝으로 하나씩 실현되고 있다. 이 기법은 실로 다양한 응용 분야를 만들어냈다. 스팸 차단 같은 응용은 너무나 성공적이어서 이제는 어디서나 볼 수 있는 일상처럼 돼 버렸다. 다른 많은 분야도 최근 들어 연구가 활발하며, 머신 러닝의 미래를 보여준다.
이 책에서는 몇 가지 머신 러닝 모델과 학습 알고리즘을 자세히 알아본다. 머신 러닝이 보편적으로 응용되고 있는 분야에 대해 살펴보고 머신 러닝 시스템의 성능을 평가하는 척도를 설명한다. 이를 위해 scikit-learn이라 불리는 유명한 파이썬 언어의 라이브러리를 사용해 과제를 해결한다. scikit-learn은 직관적이고 다양한 API로, 여러 최신 머신 러닝 알고리즘을 구현해 놓은 집합체이다.

목차

1장. 머신 러닝 기초
__머신 러닝의 정의
__경험으로부터 학습
__머신 러닝 과제
__훈련 데이터, 테스트 데이터, 검증 데이터
__편향과 분산
__scikit-learn 소개
__scikit-learn 설치
____pip를 사용한 설치
____윈도우에 설치
____우분투 16.04에 설치
____맥 OS에 설치
____아나콘다 설치
____설치 검증
__pandas, Pillow, NLTK, matplotlib 설치
__요약

2장 단순 선형 회귀
__단순 선형 회귀
____비용 함수를 사용한 모델의 적합도 평가
____단순 선형 회귀를 위한 OLS 계산
__모델 평가
__요약

3장. K-최근접 이웃을 이용한 분류와 회귀
__k-최근접 이웃
__게으른 학습과 비매개변수 모델
__KNN을 사용한 분류
__KNN을 사용한 회귀
____특징의 크기 조절
__요약

4장. 특징 추출
__범주형 변수에서 특징 추출
__특징의 표준화
__텍스트에서 특징 추출
____단어 주머니 모델
____불용어 필터링
____형태소 추출과 어휘소 추출
____tf-idf 가중치를 활용한 단어 주머니의 확장
____해싱 기법을 사용한 공간효율적 특징 벡터
____워드 임베딩
__이미지에서 특징 추출
____픽셀 강도에서 특징 추출
____컨벌루션 신경망 활성화를 사용한 특징
__요약

5장. 단순 선형 회귀에서 다중 선형 회귀까지
__다중 선형 회귀
__다항 회귀
__정규화
__선형 회귀의 적용
____데이터 탐색
____적합화와 모델 평가
__기울기 하강법
__요약

6장. 선형 회귀에서 로지스틱 회귀까지
__로지스틱 회귀를 이용한 이진 분류
__스팸 필터링
____이진 분류기 평가 척도
____정확도
____정밀도와 재현율
____F1 척도 계산
____ROC AUC
__그리드 탐색을 활용한 모델 튜닝
__다중 부류 분류
__다중 부류 분류 성능 척도
__다중 부류 분류와 문제 변환
__다중 부류 분류 성능 척도
__요약

7장. 나이브 베이즈
__베이즈 정리
__생성 모델과 판별 모델
__나이브 베이즈
__나이브 베이즈에서의 가정
__scikit-learn으로 구현한 나이브 베이즈
__요약

8장. 의사결정 트리를 이용한 비선형 분류와 회귀
__의사결정 트리
__의사결정 트리 훈련
____문제 선택
______정보 이득
____지니 불순도
__scikit-learn을 사용한 의사결정 트리
____의사결정 트리의 장단점
__요약

9장. 의사결정 트리에서 랜덤 포레스트와 앙상블 기법까지
__배깅
__부스팅
__스태킹
__요약

10장. 퍼셉트론
__퍼셉트론
____활성화 함수
____퍼셉트론 학습 알고리즘
____퍼셉트론을 이용한 이진 분류
____퍼셉트론을 이용한 문서 분류
__퍼셉트론의 한계
__요약

11장. 퍼셉트론에서 서포트 벡터 머신까지
__커널과 커널 트릭
__최대 마진 분류기와 서포트 벡터
__scikit-learn에서 문자 분류
____필기체 숫자 분류
____컬러 이미지에서 문자 분류
__요약

12장. 퍼셉트론에서 인공지능까지
__비선형 결정 경계
__피드포워드와 피드백 ANN
__다층 퍼셉트론
__다층 퍼셉트론 훈련
____역전파
____XOR 근사를 위한 계층 퍼셉트론의 훈련
____필기체 숫자를 분류하기 위한 다층 퍼셉트론 훈련
__요약

13장. K-평균
__군집화
__K-평균
____지역 최적 값
____엘보 기법을 사용한 k 값의 선택
__클러스터의 평가
__이미지 퀀터제이션
__특징 학습을 위한 군집화
__요약

14장. 주성분 분석을 이용한 차원 축소
__주성분 분석
____분산, 공분산, 공분산 행렬
____고유 벡터와 고윳값
__PCA 실행
__PCA를 사용한 고차원 데이터의 시각화
__PCA를 사용한 얼굴 인식
__요약

책 속으로

1장, '머신 러닝 기초'에서는 머신 러닝을 경험으로부터 학습해 성능을 개선하는 프로그램을 연구하고 디자인하는 것이라 정의한다. 이는 책 전반에 걸쳐 가이드 역할을 한다. 각 장에서 머신 러닝 모델을 살펴보고 과제에 직접 응용하며, 그 성능을 평가해본다.
2장, '단순 선형 회귀'에서는 단일 특징과 연속 반응 변수 사이의 관계를 설정하는 모델을 알아본다. 비용 함수에 대해 배우며 모델을 최적화하기 위해 정규 방정식을 사용한다.
3장, 'K-최근접 이웃을 이용한 분류와 회귀'에서는 분류와 회귀 과제를 위한 간단한 비선형 모델을 소... 더보기

출판사 서평

★ 옮긴이의 말 ★
이 책은 머신 러닝의 광범위한 기법을 대부분 소개하면서도 세련되고 효과적인 설명을 통해 손쉽게 개념을 정립할 수 있도록 해준다. 여러 기법을 나열 위주로 열거만 하고 상호 간의 연관성이나 기법 자체의 핵심 개념을 제대로 설명하지 못하고 있는 시중의 여러 서적과 달리, 이 책에서는 아주 잘 짜인 구성과 잘 정리된 개념 설명을 볼 수 있다.
특히 개념 설명을 위해 파이썬의 Scikit-learn을 사용하고 있어, 개념을 이해하기에도 용이할 뿐더러 활용 측면에서도 유연한 측면이 있다. 머신 러닝을 이제 막 공부하는... 더보기

Klover 리뷰 (0)

북로그 리뷰 (0) 쓰러가기

북로그 리뷰는 본인 인증 후 작성 가능합니다.
책이나 타인에 대해 근거 없이 비방을 하거나 타인의 명예를 훼손할 수 있는 내용은 비공개 처리 될 수 있습니다.
※ 북로그 리뷰 리워드 제공 2021. 4. 1 종료

문장수집 (0) 문장수집 쓰기 나의 독서기록 보기
※구매 후 문장수집 작성 시, 리워드를 제공합니다. 안내

교환/반품/품절안내

※ 상품 설명에 반품/교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다.)

교환/반품/품절안내
반품/교환방법 마이룸 > 주문관리 > 주문/배송내역 > 주문조회 > 반품/교환신청 ,
[1:1상담>반품/교환/환불] 또는 고객센터 (1544-1900)
※ 오픈마켓, 해외배송주문, 기프트 주문시 [1:1상담>반품/교환/환불]
    또는 고객센터 (1544-1900)
반품/교환가능 기간 변심반품의 경우 수령 후 7일 이내,
상품의 결함 및 계약내용과 다를 경우 문제점 발견 후 30일 이내
반품/교환비용 변심 혹은 구매착오로 인한 반품/교환은 반송료 고객 부담
반품/교환 불가 사유
  • 소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우
    (단지 확인을 위한 포장 훼손은 제외)
  • 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
    예) 화장품, 식품, 가전제품(악세서리 포함) 등
  • 복제가 가능한 상품 등의 포장을 훼손한 경우
    예) 음반/DVD/비디오, 소프트웨어, 만화책, 잡지, 영상 화보집
  • 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 ((1)해외주문도서)
  • 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우
  • 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
  • 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에
    해당되는 경우
(1) 해외주문도서 : 이용자의 요청에 의한 개인주문상품으로 단순변심 및 착오로 인한 취소/교환/반품 시 ‘해외주문 반품/취소 수수료’ 고객 부담 (해외주문 반품/취소 수수료 : ①서양도서-판매정가의 12%, ②일본도서-판매정가의 7%를 적용)
상품 품절 공급사(출판사) 재고 사정에 의해 품절/지연될 수 있으며, 품절 시 관련 사항에 대해서는
이메일과 문자로 안내드리겠습니다.
소비자 피해보상
환불지연에 따른 배상
  • 상품의 불량에 의한 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은
    소비자분쟁해결 기준 (공정거래위원회 고시)에 준하여 처리됨
  • 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의
    소비자 보호에 관한 법률에 따라 처리함

기프트 BEST

더보기

이 분야의 베스트

더보기+

이 분야의 신간

더보기+
바로가기
  • 우측 확장형 배너 2
  • 우측 확장형 배너 2
TOP
DOWN
최근 본 상품 0 열기
최근 본 상품
닫기