본문 바로가기

추천 검색어

실시간 인기 검색어

머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로

Numpy, scikit-learn 0.2x, TensorFlow 2.x로 배우는 머신 러닝 | 딥러닝 핵심 알고리즘
길벗 · 2019년 05월 24일
새로 출시된 개정판이 있습니다. 개정판보기
9.5 (39개의 리뷰)
집중돼요 (41%의 구매자)
  • 머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로 대표 이미지
    머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로 대표 이미지
  • A4
    사이즈 비교
    210x297
    머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로 사이즈 비교 184x235
    단위 : mm
무료배송 이벤트 소득공제
10% 29,700 33,000
적립/혜택
1,650P

기본적립

5% 적립 1,650P

추가적립

  • 5만원 이상 구매 시 추가 2,000P
  • 3만원 이상 구매 시, 등급별 2~4% 추가 최대 1,650P
  • 리뷰 작성 시, e교환권 추가 최대 300원

알림 신청하시면 원하시는 정보를
받아 보실 수 있습니다.

절판되었습니다.

해외주문/바로드림/제휴사주문/업체배송건의 경우 1+1 증정상품이 발송되지 않습니다.

패키지

북카드

키워드 Pick

키워드 Pick 안내

관심 키워드를 주제로 다른 연관 도서를 다양하게 찾아 볼 수 있는 서비스로, 클릭 시 관심 키워드를 주제로 한 다양한 책으로 이동할 수 있습니다.
키워드는 최근 많이 찾는 순으로 정렬됩니다.

머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로 상세 이미지
아마존 머신 러닝 분야 베스트셀러!
기본기에 충실한 머신 러닝 입문서
코드 실행만으로는 머신 러닝을 충분히 이해할 수 없다. 머신 러닝을 제대로 이해하고 싶다면 코드 외에도 머신 러닝 이론과 머신 러닝 알고리즘의 뒤편에 있는 수학 개념을 알아야 한다. 이 책은 이해를 돕는 개념 설명, 머신 러닝 핵심 알고리즘의 작동 방식과 사용 방법, 그 밑바탕이 되는 수학, 실용적인 예제까지 이론과 코드를 균형 있게 설명한다. 파이썬 언어와 파이썬 기반의 머신 러닝 핵심 라이브러리(SciPy, NumPy, scikit-learn, Matplotlib, Pandas)를 사용해 머신 러닝을, 텐서플로를 사용해 딥러닝을 실습하면서 머신 러닝과 딥러닝 핵심 알고리즘을 설명하고, 간단한 알고리즘은 처음부터 직접 구현해본다. 또한, 사이킷런의 기여자이자 mlxtend 라이브러리 제작자인 저자가 오랜 기간 머신 러닝 개발자로 일하면서 익힌 노하우도 책 곳곳에서 만날 수 있다. 머신 러닝에 관심 있는 분들에게 도움이 될 것이다.

작가정보

저자(글) 세바스찬 라시카

오랫동안 파이썬을 사용했고 많은 세미나에서 데이터 과학, 머신 러닝, 딥러닝의 실전 활용에 관해 발표했다. 대표적인 과학 컴퓨팅 콘퍼런스인 사이파이(SciPy) 콘퍼런스에서 머신 러닝 튜토리얼을 진행했고, 위스콘신 대학교에서 강의한다. ‘2016~2017년 학과 우수 대학원생’과 ‘2016년 ACM Computing Reviews 베스트’를 수상했다. 여가 시간에는 파이썬 오픈 소스 프로젝트에 기여하는 것을 좋아하며, 직접 개발한 도구들이 캐글 같은 머신 러닝 경연 대회에서 널리 사용되고 있다.

저자(글) 바히드 미자리리

대규모 분자 구조 컴퓨터 시뮬레이션을 위한 새로운 방법에 관한 연구로 기계 공학 박사 학위를 취득했다. 미시간 주립 대학교의 컴퓨터 과학과 공학 대학에서 다양한 컴퓨터 비전 프로젝트의 머신 러닝 애플리케이션을 연구 중이다. 특히 딥러닝 기술을 사용해 생체 데이터의 프라이버시를 보호하는 데 관심이 많다. 자율 주행 자동차를 연구하는 엔지니어링 팀과도 협업하고 있는데, 보행자 감지를 위해 다중 스펙트럼 이미지를 사용한 신경망 모델을 설계하고 있다.

번역 박해선

구글 ML GDE(Machine Learning Google Developer Expert)다. 기계공학을 전공했지만 졸업 후엔 줄곧 코드를 읽고 쓰는 일을 했다. 텐서플로 블로그(tensorflow.blog)를 운영하면서 소프트웨어와 과학의 경계를 흥미롭게 탐험하고 있다. 『케라스 창시자에게 배우는 딥러닝』(길벗, 2018), 『핸즈온 머신러닝』(한빛미디어, 2018), 『파이썬 라이브러리를 활용한 머신러닝』(한빛미디어, 2019), 『텐서플로 첫걸음』(한빛미디어, 2016)을 우리말로 옮겼다.

작가의 말

여러분이 뛰어난 문제 해결 전문가로서 머신 러닝 기술자가 되길 원하거나 머신 러닝 연구 분야에서 경험을 쌓길 고려한다면 이 책이 도움이 될 것입니다. 초보자는 머신 러닝의 이론적 배경에 압도될 수 있습니다. 최근에 출간된 활용서들을 보면 고성능 학습 알고리즘을 구현하면서 머신 러닝을 배울 수 있을 것입니다.
실용적인 코드 예제와 머신 러닝 애플리케이션 예제를 다루어 보는 것이 이 분야를 시작하는 좋은 방법입니다. 배운 것을 구체적인 예제로 실제 만들어 보면 광범위한 개념을 이해하는 데 도움이 됩니다. 하지만 좋은 만큼 책임도 뒤따른다는 것을 잊지 마세요! 책에서는 파이썬 프로그래밍 언어와 파이썬 기반의 머신 러닝 라이브러리를 사용하여 머신 러닝을 실습해 볼 수 있습니다. 거기에 더해서 머신 러닝 알고리즘의 수학적 이론을 소개합니다. 성공적으로 머신 러닝을 사용하기 위해 꼭 필요한 부분입니다. 따라서 책은 다른 활용서와는 달리 필수적인 머신 러닝 이론을 설명합니다. 또 머신 러닝 알고리즘의 작동 방식과 사용 방법, 특히 빠지기 쉬운 실수를 피하는 방법을 쉽고 알차게 설명합니다.
머신 러닝에 깊게 들어가기 전에 어쩌면 가장 중요할지 모르는 “왜 파이썬이죠?”라는 질문에 답을 해 보겠습니다. 대답은 간단합니다. 강력하고 사용하기 쉽기 때문입니다. 파이썬은 데이터 과학 분야에서 가장 인기 있는 프로그래밍 언어가 되었습니다. 프로그래밍에 번거로운 부분이 없고 아이디어를 빠르게 구현할 수 있는 환경을 제공하기 때문입니다.
우리들은 진심으로 머신 러닝을 배워 더 나은 과학자가 되었고 통찰력을 길러 어려운 문제를 해결할 수 있었습니다. 책에서 여러분과 이 지식을 나누고 싶습니다. 지식은 배움에서 얻습니다. 중요한 것은 열정입니다. 진정한 고수는 부단한 연습으로 만들어집니다. 앞으로 이따금 난관이 있거나 어떤 주제는 다른 것보다 더 어려울 수 있습니다. 하지만 이 기회를 놓치지 말고 앞으로 이룰 성과에 초점을 맞추길 바랍니다. 우리들이 여행에 함께한다는 것을 기억하세요. 책을 통해서 여러분의 도구 상자에 강력한 기술이 많이 추가될 것입니다. 데이터를 활용하여 어려운 문제를 해결하는 데 이 도구들이 도움이 될 것입니다.

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
    1.4 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 세트 만들기: 데이터 전처리
    4.1 누락된 데이터 다루기
    __4.1.1 테이블 형태 데이터에서 누락된 값 식별
    __4.1.2 누락된 값이 있는 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 특성과 순서가 없는 특성
    __4.2.2 순서 특성 매핑
    __4.2.3 클래스 레이블 인코딩
    __4.2.4 순서가 없는 특성에 원-핫 인코딩 적용
    4.3 데이터셋을 훈련 세트와 테스트 세트로 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 총분산과 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 단변량 선형 회귀
    __10.1.2 다변량 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 사용하여 신경망 훈련
    13.1 고성능 머신 러닝 라이브러리 텐서플로
    __13.1.1 텐서플로란?
    __13.1.2 텐서플로 학습 방법
    __13.1.3 텐서플로 시작
    __13.1.4 배열 구조 다루기
    __13.1.5 텐서플로 저수준 API로 간단한 모델 개발
    13.2 tf.keras API로 다층 신경망 훈련
    __13.2.1 훈련 데이터 준비
    __13.2.2 피드포워드 신경망 구성
    __13.2.3 피드포워드 신경망 훈련
    13.3 다층 신경망의 활성화 함수 선택
    __13.3.1 로지스틱 함수 요약
    __13.3.2 소프트맥스 함수를 사용하여 다중 클래스 확률 예측
    __13.3.3 하이퍼볼릭 탄젠트로 출력 범위 넓히기
    __13.3.4 렐루 활성화 함수
    13.4 요약

    14장 텐서플로의 구조 자세히 알아보기
    14.1 텐서플로의 주요 특징
    14.2 텐서플로의 랭크와 텐서
    __14.2.1 텐서의 랭크와 크기를 확인하는 방법
    14.3 텐서를 다차원 배열로 변환
    14.4 텐서플로의 계산 그래프 이해
    14.5 텐서플로의 변수
    14.6 tf.keras API 자세히 배우기
    __14.6.1 Sequential 모델
    __14.6.2 함수형 API
    __14.6.3 tf.keras 모델의 저장과 복원
    14.7 계산 그래프 시각화
    __14.7.1 텐서보드 익숙하게 다루기
    __14.7.2 케라스의 층 그래프 그리기
    14.8 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
    15.3 텐서플로를 사용하여 심층 합성곱 신경망 구현
    __15.3.1 다층 CNN 구조
    __15.3.2 데이터 적재와 전처리
    __15.3.3 텐서플로 tf.keras API로 CNN 구성
    __15.3.4 합성곱 신경망 모델 훈련
    __15.3.5 활성화 출력과 필터 시각화
    15.4 요약

    16장 순환 신경망으로 시퀀스 데이터 모델링
    16.1 시퀀스 데이터 소개
    __16.1.1 시퀀스 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 구조와 데이터 흐름 이해
    __16.2.2 RNN의 활성화 출력 계산
    __16.2.3 긴 시퀀스 학습의 어려움
    __16.2.4 LSTM 유닛
    16.3 텐서플로의 tf.keras API로 시퀀스 모델링을 위한 다층 RNN 구현
    16.4 첫 번째 프로젝트: 다층 RNN으로 IMDb 영화 리뷰의 감성 분석 수행
    __16.4.1 데이터 준비
    __16.4.2 임베딩
    __16.4.3 RNN 모델 만들기
    __16.4.4 감성 분석 RNN 모델 훈련
    __16.4.5 감성 분석 RNN 모델 평가
    16.5 두 번째 프로젝트: 텐서플로로 글자 단위 언어 모델 구현
    __16.5.1 데이터 전처리
    __16.5.2 글자 단위 RNN 모델 만들기
    __16.5.3 글자 단위 RNN 모델 훈련
    __16.5.4 글자 단위 RNN 모델로 텍스트 생성
    16.6 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

추천사

  • 개념과 수식, 실습을 모두 다 잡으려는 욕심쟁이 같은 책이지만, 세 마리 토끼를 꽤나 훌륭하게 잡아주는 책이기도 합니다. 제목처럼 머신 러닝을 공부하고자 하는 분들에게 교과서와 같은 존재가 되어줄 것입니다. 또한, 번역서만의 장점이 매우 많아서 원서를 읽은 분들에게도 도움이 많이 될 것이라고 확신합니다. 머신 러닝에 관심이 있는 모든 분에게 이 책을 자신 있게 추천합니다.

출판사 서평

간결한 개념, 수학, 실용적인 코드로
머신 러닝 기초 이론을 완성한다!

이론과 코드를 균형 있게 설명한다!
코드 실행만으로는 머신 러닝을 충분히 이해할 수 없다. 머신 러닝을 제대로 이해하고 싶다면 코드 외에도 머신 러닝 이론과 머신 러닝 알고리즘의 뒤편에 있는 수학 개념을 알아야 한다. 이 책은 이해를 돕는 개념 설명, 머신 러닝 핵심 알고리즘의 작동 방식과 사용 방법, 그 밑바탕이 되는 수학, 실용적인 예제까지 이론과 코드를 균형 있게 설명한다. 사이킷런의 기여자이자 mlxtend 라이브러리 제작자인 저자가 오랜 기간 머신 러닝 개발자로 일하면서 익힌 노하우도 책 곳곳에서 만날 수 있다.

핵심 알고리즘을 직접 구현한다!
파이썬 언어와 파이썬 기반의 머신 러닝 핵심 라이브러리(SciPy, NumPy, scikit-learn, Matplotlib, Pandas)를 사용해 머신 러닝을, 텐서플로를 사용해 딥러닝을 실습해본다. 또한, 자연어 처리를 위한 NLTK 라이브러리, Flask 웹 프레임워크, 통계 데이터 시각화를 위한 Seaborn 라이브러리, 이미지를 디스크에서 읽기 위한 imageio도 함께 다룬다. 거기에 더해 머신 러닝과 딥러닝 핵심 알고리즘의 수학적 이론을 소개하고, 간단한 알고리즘은 처음부터 직접 구현해본다.

실용적인 예제로 배운다!
책의 모든 예제가 오랫동안 위스콘신 대학교에서 강의하고 현장에서 일한 저자의 경험을 바탕으로 한다. 단순히 개념만 익히는 것이 아닌 실용적이고 확장 가능한 예제들로 구성되어 있다. 이 예제들을 학습하면서 머신 러닝과 딥러닝의 개념, 핵심 알고리즘, 활용 팁 등을 확실하게 이해할 수 있으며, 나만의 딥러닝 모델을 만들 때 레시피로 활용할 수도 있다.

기본정보

상품정보
ISBN 9791160507966
발행(출시)일자 2019년 05월 24일
쪽수 644쪽
크기
184 * 235 * 36 mm / 1168 g
총권수 1권
원서명/저자명 Python Machine Learning 2/E : Numpy, scikit-learn 0.2x, TensorFlow 2.x/Raschka, Sebastian
이 책의 개정정보
새로 출시된 개정판이 있습니다. 개정판보기

Klover

Klover 리뷰 안내
교보를 애용해 주시는 고객님들이 남겨주신 평점과 감상을 바탕으로, 다양한 정보를 전달하는 교보문고의 리뷰 서비스입니다.
1.리워드 안내
구매 후 90일 이내에 평점과 10자 이상의 리뷰 작성 시 e교환권 200원을 적립해 드립니다.
e교환권은 적립 일로부터 180일 동안 사용 가능합니다.
리워드는 작성 후 다음 날 제공되며, 발송 전 작성 시 발송 완료 후 익일 제공됩니다.
리워드는 리뷰 종류별로 구매한 아이디당 한 상품에 최초 1회 작성 건들에 대해서만 제공됩니다.
판매가 1,000원 미만 도서의 경우 리워드 지급 대상에서 제외됩니다.
한달 후 리뷰
구매 후 30일~ 120일 이내에 작성된 두 번째 구매리뷰에 대해 한 달 후 리뷰로 인지하고 e교환권 100원을 추가 제공합니다.

* 강연, 공연, 여행, 동영상, 사은품, 기프트카드 상품은 지급 제외
2.운영 원칙 안내
Klover 리뷰를 통한 리뷰를 작성해 주셔서 감사합니다. 자유로운 의사 표현의 공간인 만큼 타인에 대한 배려를 부탁합니다.
일부 타인의 권리를 침해하거나 불편을 끼치는 것을 방지하기 위해 아래에 해당하는 Klover 리뷰는 별도의 통보 없이 삭제될 수 있습니다.
  • 도서나 타인에 대해 근거 없이 비방을 하거나 타인의 명예를 훼손할 수 있는 리뷰
  • 도서와 무관한 내용의 리뷰
  • 인신공격이나 욕설, 비속어, 혐오발언이 개재된 리뷰
  • 의성어나 의태어 등 내용의 의미가 없는 리뷰

리뷰는 1인이 중복으로 작성하실 수는 있지만, 평점계산은 가장 최근에 남긴 1건의 리뷰만 반영됩니다.
3.신고하기
다른 고객이 작성리뷰에 대해 불쾌함을 느끼는 경우 신고를 할 수 있으며, 신고 자가 일정수준 이상 누적되면 작성하신 리뷰가 노출되지 않을 수 있습니다.

구매 후 리뷰 작성 시, e교환권 200원 적립

문장수집

문장수집 안내
문장수집은 고객님들이 직접 선정한 책의 좋은 문장을 보여주는 교보문고의 새로운 서비스입니다. 마음을 두드린 문장들을 기록하고 좋은 글귀들은 "좋아요“ 하여 모아보세요. 도서 문장과 무관한 내용 등록 시 별도 통보 없이 삭제될 수 있습니다.
리워드 안내
구매 후 90일 이내에 문장수집 작성 시 e교환권 100원을 적립해드립니다.
e교환권은 적립 일로부터 180일 동안 사용 가능합니다. 리워드는 작성 후 다음 날 제공되며, 발송 전 작성 시 발송 완료 후 익일 제공됩니다.
리워드는 한 상품에 최초 1회만 제공됩니다.
주문취소/반품/절판/품절 시 리워드 대상에서 제외됩니다.

구매 후 리뷰 작성 시, e교환권 100원 적립

이 책의 첫 기록을 남겨주세요

교환/반품/품절 안내

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

이벤트
TOP

저자 모두보기

매장별 재고 및 도서위치

할인쿠폰 다운로드

  • 쿠폰은 주문결제화면에서 사용 가능합니다.
  • 다운로드한 쿠폰은 마이 > 나의 통장 에서 확인 가능합니다.
  • 도서정가제 적용 대상 상품에 대해서는 정가의 10%까지 쿠폰 할인이 가능합니다.
  • 도서정가제 적용 대상 상품에 10% 할인이 되었다면, 해당 상품에는 사용하실 수
    없습니다.

적립예정포인트 안내

  • 통합포인트 안내

    • 통합포인트는 교보문고(인터넷, 매장), 핫트랙스(인터넷, 매장), 모바일 교보문고 등 다양한 곳에서 사용하실 수 있습니다.
    • 상품 주문 시, 해당 상품의 적립률에 따라 적립 예정 포인트가 자동 합산되고 주문하신 상품이 발송완료 된 후에 자동으로 적립됩니다.
    • 단, 쿠폰 및 마일리지, 통합포인트, e교환권 사용 시 적립 예정 통합포인트가 변동될 수 있으며 주문취소나 반품시에는 적립된 통합포인트가 다시 차감됩니다.
  • 통합포인트 적립 안내

    • 통합포인트는 도서정가제 범위 내에서 적용됩니다.
    • 추가적립 및 회원 혜택은 도서정가제 대상상품(국내도서, eBook등)으로만 주문시는 해당되지 않습니다.
  • 기본적립) 상품별 적립금액

    • 온라인교보문고에서 상품 구매시 상품의 적립률에 따라 적립됩니다.
    • 단 도서정가제 적용 대상인 국내도서,eBook은 15%내에서 할인율을 제외한 금액내로 적립됩니다.
  • 추가적립) 5만원 이상 구매시 통합포인트 2천원 추가적립

    • 5만원 이상 구매시 통합포인트 2천원 적립됩니다.
    • 도서정가제 예외상품(외서,음반,DVD,잡지(일부),기프트) 2천원 이상 포함시 적립 가능합니다.
    • 주문하신 상품이 전체 품절인 경우 적립되지 않습니다.
  • 회원혜택) 3만원이상 구매시 회원등급별 2~4% 추가적립

    • 회원등급이 플래티넘, 골드, 실버 등급의 경우 추가적립 됩니다.
    • 추가적립은 실결제액 기준(쿠폰 및 마일리지, 통합포인트, e교환권 사용액 제외) 3만원 이상일 경우 적립됩니다.
    • 주문 후 취소,반품분의 통합포인트는 단품별로 회수되며, 반품으로 인해 결제잔액이 3만원 미만으로 변경될 경우 추가 통합포인트는 전액 회수될 수 있습니다.

제휴 포인트 안내

제휴 포인트 사용

  • OK CASHBAG 10원 단위사용 (사용금액 제한없음)
  • GS&POINT 최대 10만 원 사용
더보기

구매방법 별 배송안내

지역별 도착 예정일

수도권 지역

배송 일정 안내 테이블로 결제 완료 시간, 도착예정일 결제 완료 시간 컬럼의 하위로 평일 0시 ~ 12시 토요일 0시 ~ 11시 평일 12시 ~ 22시 평일 12시 ~ 24시 토요일 11시 ~ 21시 을(를) 나타낸 표입니다.
결제 완료 시간 도착예정일
평일 0시 ~ 12시

토요일 0시 ~ 11시
당일배송 오늘

당일배송 오늘
평일 12시 ~ 22시

평일 12시 ~ 24시

토요일 11시 ~ 21시
새벽배송 내일 07시 이전

내일

일요배송 일요일

수도권 외 (천안, 대전, 울산, 부산, 대구, 창원)

배송 일정 안내 테이블로 결제 완료 시간, 도착예정일 결제 완료 시간 컬럼의 하위로 월~토 0시 ~ 11시 30분 을(를) 나타낸 표입니다.
결제 완료 시간 도착예정일
월~토 0시 ~ 11시 30분
당일배송 오늘

배송 유의사항

  • 새벽배송과 일요배송은 수도권 일부 지역을 대상으로 합니다. 상품 상세페이지에서 도착 예정일을 확인해 주세요.
  • 수도권 외 지역에서 선물포장하기 또는 사은품을 포함하여 주문할 경우 당일배송 불가합니다.
  • 무통장입금 주문 후 당일 배송 가능 시간 이후 입금된 경우 당일 배송 불가합니다.
  • 새벽배송의 경우 공동 현관 출입 번호가 누락 되었거나 틀릴 경우 요청하신 방법으로 출입이 어려워, 부득이하게 공동 현관 또는 경비실 앞에 배송 될 수 있습니다.
  • 학교, 관공서, 회사 등 출입 제한 시간이 있는 곳은 당일배송, 새벽배송, 일요배송이 제공되지 않을 수 있습니다.
  • 공휴일과 겹친 토요일, 일요일은 일요일 배송에서 제외됩니다. 일요배송은 한정 수량에 한해 제공됩니다. 수량 초과 시 일반배송으로 발송되니 주문 시 도착 예정일을 확인해 주세요.
  • 주문 후 배송지 변경 시 변경된 배송지에 따라 익일 배송될 수 있습니다.
  • 수도권 외 지역의 경우 효율적인 배송을 위해 각 지역 매장에서 택배를 발송하므로, 주문 시의 부록과 상이할 수 있습니다.
  • 각 지역 매장에서 재고 부족 시 재고 확보를 위해 당일 배송이 불가할 수 있습니다.
  • 기상악화로 인한 도로 사정으로 일부 지역의 배송 지연이 발생될 수 있습니다.
  • 출고 예정일이 5일 이상인 상품의 경우(결제일로부터 7일 동안 미입고), 출판사 / 유통사 사정으로 품/절판 되어 구입이 어려울 수 있습니다. 이 경우 SMS, 메일로 알려드립니다.
  • 분철상품 주문 시 분철 작업으로 인해 기존 도착 예정일에 2일 정도 추가되며, 당일 배송, 해외 배송이 불가합니다.
  • 해외주문도서는 해외 거래처 사정에 의해 품절/지연될 수 있습니다.
  • 스페셜오더 도서나 일서 해외 주문 도서와 함께 주문 시 배송일이 이에 맞추어 지연되오니, 이점 유의해 주시기 바랍니다.

바로드림존에서 받기

  1. STEP 01
    매장 선택 후 바로드림 주문
  2. STEP 02
    준비완료 알림 시 매장 방문하기
  3. STEP 03
    바로드림존에서 주문상품 받기
  • 바로드림은 전국 교보문고 매장 및 교내서점에서 이용 가능합니다.
  • 잡지 및 일부 도서는 바로드림 이용이 불가합니다.
  • 각 매장 운영시간에 따라 바로드림 이용 시간이 달라질 수 있습니다.

수령 안내

  • 안내되는 재고수량은 서비스 운영 목적에 따라 상이할 수 있으므로 해당 매장에 문의해주시기 바랍니다.
  • 바로드림 주문 후 재고가 실시간 변동되어, 수령 예상 시간에 수령이 어려울 수 있습니다.

취소/교환/반품 안내

  • 주문 후 7일간 찾아가지 않으시면, 자동으로 결제가 취소됩니다.
  • 취소된 금액은 결제수단의 승인취소 및 예치금으로 전환됩니다.
  • 교환/반품은 수령하신 매장에서만 가능합니다.

사은품 관련 안내

  • 바로드림 서비스는 일부 1+1 도서, 경품, 사은품 등이 포함 되지 않습니다.

음반/DVD 바로드림시 유의사항

  • 음반/DVD 상품은 바로드림 주문 후 수령점 변경이 불가합니다. 주문 전 수령점을 꼭 확인해 주세요.
  • 사은품(포스터,엽서 등)은 증정되지 않습니다.
  • 커버이미지 랜덤발매 음반은 버전 선택이 불가합니다.
  • 광화문점,강남점,대구점,영등포점,잠실점은 [직접 찾아 바로드림존 가기], [바로드림존에서 받기] 로 주문시 음반 코너에서 수령확인이 가능합니다
  • 선물 받는 분의 휴대폰번호만 입력하신 후 결제하시면 받는 분 휴대폰으로 선물번호가 전달됩니다.
  • 문자를 받은 분께서는 마이 > 주문관리 > 모바일 선물내역 화면에서 선물번호와 배송지 정보를 입력하시면 선물주문이 완료되어 상품준비 및 배송이 진행됩니다.
  • 선물하기 결제하신 후 14일까지 받는 분이 선물번호를 등록하지 않으실 경우 주문은 자동취소 됩니다.
  • 또한 배송 전 상품이 품절 / 절판 될 경우 주문은 자동취소 됩니다.

바로드림 서비스 안내

  1. STEP 01
    매장 선택 후 바로드림 주문
  2. STEP 02
    준비완료 알림 시 매장 방문하기
  3. STEP 03
    바로드림존에서 주문상품 받기
  • 바로드림은 전국 교보문고 매장 및 교내서점에서 이용 가능합니다.
  • 잡지 및 일부 도서는 바로드림 이용이 불가합니다.
  • 각 매장 운영시간에 따라 바로드림 이용 시간이 달라질 수 있습니다.

수령 안내

  • 안내되는 재고수량은 서비스 운영 목적에 따라 상이할 수 있으므로 해당 매장에 문의해주시기 바랍니다.
  • 바로드림 주문 후 재고가 실시간 변동되어, 수령 예상시간에 수령이 어려울 수 있습니다.

취소/교환/반품 안내

  • 주문 후 7일간 찾아가지 않으시면, 자동으로 결제가 취소됩니다.
  • 취소된 금액은 결제수단의 승인취소 및 예치금으로 전환됩니다.
  • 교환/반품은 수령하신 매장에서만 가능합니다.

사은품 관련 안내

  • 바로드림 서비스는 일부 1+1 도서, 경품, 사은품 등이 포함되지 않습니다.

음반/DVD 바로드림시 유의사항

  • 음반/DVD 상품은 바로드림 주문 후 수령점 변경이 불가합니다. 주문 전 수령점을 꼭 확인해주세요.
  • 사은품(포스터,엽서 등)은 증정되지 않습니다.
  • 커버이미지 랜덤발매 음반은 버전 선택이 불가합니다.
  • 광화문점,강남점,대구점,영등포점,잠실점은 [직접 찾아 바로드림존 가기], [바로드림존에서 받기] 로 주문시 음반코너에서 수령확인이 가능합니다.
  1. STEP 01
    픽업박스에서 찾기 주문
  2. STEP 02
    도서준비완료 후 휴대폰으로 인증번호 전송
  3. STEP 03
    매장 방문하여 픽업박스에서 인증번호 입력 후 도서 픽업
  • 바로드림은 전국 교보문고 매장 및 교내서점에서 이용 가능합니다.
  • 잡지 및 일부 도서는 바로드림 이용이 불가합니다.
  • 각 매장 운영시간에 따라 바로드림 이용 시간이 달라질 수 있습니다.

수령 안내

  • 안내되는 재고수량은 서비스 운영 목적에 따라 상이할 수 있으므로 해당 매장에 문의해주시기 바랍니다.
  • 바로드림 주문 후 재고가 실시간 변동되어, 수령 예상시간에 수령이 어려울 수 있습니다.

취소/교환/반품 안내

  • 주문 후 7일간 찾아가지 않으시면, 자동으로 결제가 취소됩니다.
  • 취소된 금액은 결제수단의 승인취소 및 예치금으로 전환됩니다.
  • 교환/반품은 수령하신 매장에서만 가능합니다.

사은품 관련 안내

  • 바로드림 서비스는 일부 1+1 도서, 경품, 사은품 등이 포함되지 않습니다.

음반/DVD 바로드림시 유의사항

  • 음반/DVD 상품은 바로드림 주문 후 수령점 변경이 불가합니다. 주문 전 수령점을 꼭 확인해주세요.
  • 사은품(포스터,엽서 등)은 증정되지 않습니다.
  • 커버이미지 랜덤발매 음반은 버전 선택이 불가합니다.
  • 광화문점,강남점,대구점,영등포점,잠실점은 [직접 찾아 바로드림존 가기], [바로드림존에서 받기] 로 주문시 음반코너에서 수령확인이 가능합니다.

도서 소득공제 안내

  • 도서 소득공제란?

    • 2018년 7월 1일 부터 근로소득자가 신용카드 등으로 도서구입 및 공연을 관람하기 위해 사용한 금액이 추가 공제됩니다. (추가 공제한도 100만원까지 인정)
      • 총 급여 7,000만 원 이하 근로소득자 중 신용카드, 직불카드 등 사용액이 총급여의 25%가 넘는 사람에게 적용
      • 현재 ‘신용카드 등 사용금액’의 소득 공제한도는 300만 원이고 신용카드사용액의 공제율은 15%이지만, 도서·공연 사용분은 추가로 100만 원의 소득 공제한도가 인정되고 공제율은 30%로 적용
      • 시행시기 이후 도서·공연 사용액에 대해서는 “2018년 귀속 근로소득 연말 정산”시기(19.1.15~)에 국세청 홈택스 연말정산간소화 서비스 제공
  • 도서 소득공제 대상

    • 도서(내서,외서,해외주문도서), eBook(구매)
    • 도서 소득공제 대상 상품에 수반되는 국내 배송비 (해외 배송비 제외)
      • 제외상품 : 잡지 등 정기 간행물, 음반, DVD, 기프트, eBook(대여,학술논문), 사은품, 선물포장, 책 그리고 꽃
      • 상품정보의 “소득공제” 표기를 참고하시기 바랍니다.
  • 도서 소득공제 가능 결제수단

    • 카드결제 : 신용카드(개인카드에 한함)
    • 현금결제 : 예치금, 교보e캐시(충전에한함), 해피머니상품권, 컬쳐캐쉬, 기프트 카드, 실시간계좌이체, 온라인입금
    • 간편결제 : 교보페이, 네이버페이, 삼성페이, 카카오페이, PAYCO, 토스, CHAI
      • 현금결제는 현금영수증을 개인소득공제용으로 신청 시에만 도서 소득공제 됩니다.
      • 교보e캐시 도서 소득공제 금액은 교보eBook > e캐시 > 충전/사용내역에서 확인 가능합니다.
      • SKpay, 휴대폰 결제, 교보캐시는 도서 소득공제 불가
  • 부분 취소 안내

    • 대상상품+제외상품을 주문하여 신용카드 "2회 결제하기"를 선택 한 경우, 부분취소/반품 시 예치금으로 환원됩니다.

      신용카드 결제 후 예치금으로 환원 된 경우 승인취소 되지 않습니다.

  • 도서 소득공제 불가 안내

    • 법인카드로 결제 한 경우
    • 현금영수증을 사업자증빙용으로 신청 한 경우
    • 분철신청시 발생되는 분철비용

알림 신청

아래의 알림 신청 시 원하시는 소식을 받아 보실 수 있습니다.
알림신청 취소는 마이룸 > 알림신청내역에서 가능합니다.

머신 러닝 교과서 with 파이썬, 사이킷런, 텐서플로
Numpy, scikit-learn 0.2x, TensorFlow 2.x로 배우는 머신 러닝 | 딥러닝 핵심 알고리즘
신고

신고 사유를 선택해주세요.
신고 내용은 이용약관 및 정책에 의해 처리됩니다.

허위 신고일 경우, 신고자의 서비스 활동이 제한될 수 있으니 유의하시어
신중하게 신고해주세요.

판형알림

  • A3 [297×420mm]
  • A4 [210×297mm]
  • A5 [148×210mm]
  • A6 [105×148mm]
  • B4 [257×364mm]
  • B5 [182×257mm]
  • B6 [128×182mm]
  • 8C [8절]
  • 기타 [가로×세로]
EBS X 교보문고 고객님을 위한 5,000원 열공 혜택!
자세히 보기

해외주문양서 배송지연 안내

현재 미국 현지 눈폭풍으로 인해
해외 거래처 출고가 지연되고 있습니다.

해외주문양서 주문 시
예상 출고일보다 배송기간이 더 소요될 수 있으니
고객님의 너그러운 양해 부탁드립니다.

감사합니다.