본문내용 바로가기

홈

국내도서

컴퓨터/IT

컴퓨터공학

인공지능

딥러닝/머신러닝

MD의선택 무료배송 이벤트 사은품 소득공제

머신러닝 실무 프로젝트 실전에 필요한 머신러닝 시스템 설계, 데이터 수집, 효과 검증 노하우

아리가 미치아키 , 나카야마 신타 , 니시바야시 다카시 지음 | 심효섭 옮김 | 한빛미디어 | 2018년 06월 05일 출간
총 4 중
4 9.0 (리뷰 6개)
클로버 리뷰쓰기
머신러닝 실무 프로젝트 크게보기
매장 재고 · 위치

이 책의 다른 상품 정보

  • 정가 : 18,000원
    판매가 : 16,200원 [10%↓ 1,800원 할인]
  • 혜택 :
    [기본적립] 900원 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 2건

더보기+
  • 배송비 : 무료 배송비 안내
  • 개정정보 : 2022년 03월 출간된 개정판이 있습니다. 개정판 보기
  • 도서상태 : 절판
보관함 담기

이 책의 이벤트

해외주문/바로드림/제휴사주문/업체배송건의 경우 1+1 증정상품이 발송되지 않습니다.
  • 머신러닝 딥러닝 난이도별 추천도서 목록
    2022.02.18 ~ 2022.12.31
  • 한빛미디어 IT도서 구매 시 메모리게임 카드pack 선택가능
    2022.01.10 ~ 2022.08.31
도서·상품정보 1:1 문의하기
상품상세정보
ISBN 9791162240816(1162240814)
쪽수 228쪽
크기 183 * 236 * 9 mm /418g 판형알림
이 책의 원서/번역서 仕事ではじめる機械?習(Machine Learning at Work) / 中山心太

책소개

이 책이 속한 분야

실전에 필요한 머신러닝 시스템 설계, 데이터 수집, 효과 검증 노하우
머신러닝 알고리즘처럼 다른 책에서도 많이 다루는 주제 대신, 이 책에서는 “실무에서는 어떻게 해야 하지?”라는 궁금증을 해결하는 데 집중한다. 1부에서는 머신러닝 프로젝트를 처음 시작하는 방법, 시스템 구성법, 학습용 데이터 수집, 효과 검증에 필요한 저자들의 노하우를 알려준다. 2부에서는 저자가 엄선한 세 가지 프로젝트를 따라 해보며 실무 감각을 키울 수 있도록 구성했다.

★ 주요 내용
1부. 머신러닝 실무 노하우
- 머신러닝 프로젝트 처음 시작하기
- 머신러닝으로 할 수 있는 일
- 학습 결과 평가하기
- 기존 시스템에 머신러닝 통합하기
- 학습 데이터 수집하기
- 효과 검증하기
2부. 머신러닝 실무 프로젝트
- 프로젝트 1 : 영화 추천 시스템 만들기
- 프로젝트 2 : 킥스타터 분석하기
- 프로젝트 3 : 업리프트 모델링으로 마케팅 효율 높이기

목차

1부. 머신러닝 실무 노하우

1장. 머신러닝 프로젝트 처음 시작하기
1.1 머신러닝은 어떻게 동작하는가
1.2 머신러닝 프로젝트의 과정
__1.2.1 문제 정의하기
__1.2.2 머신러닝을 사용하지 않는 방법 검토하기
__1.2.3 시스템 설계하기
__1.2.4 알고리즘 선택하기
__1.2.5 특징, 정답 데이터, 로그 설계하기
__1.2.6 데이터 전처리
__1.2.7 학습 및 파라미터 튜닝
__1.2.8 시스템에 통합하기
1.3 운영 시스템에서 발생하는 머신러닝 문제 대처 방법
__1.3.1 사람이 작성한 황금기준을 사용하여 예측 성능 모니터링
__1.3.2 예측 모델을 모듈화하여 알고리즘에 대한 A/B 테스트 수행
__1.3.3 모델 버전관리를 통한 자유로운 롤백
__1.3.4 데이터 처리 파이프라인 저장
__1.3.5 개발 시스템과 운영 시스템의 언어 및 프레임워크 일치
1.4 머신러닝 시스템을 성공적으로 운영하려면
1.5 정리

2장. 머신러닝으로 할 수 있는 일
2.1 머신러닝 알고리즘 선택 방법
2.2 분류
__2.2.1 퍼셉트론
__2.2.2 로지스틱 회귀
__2.2.3 서포트 벡터 머신
__2.2.4 신경망
__2.2.5 k-최근접 이웃
__2.2.6 결정 트리, 랜덤 포레스트, GBDT
2.3 회귀
__2.3.1 선형 회귀의 원리
2.4 군집화와 차원 축소
__2.4.1 군집화
__2.4.2 차원 축소
2.5 그 외
__2.5.1 추천
__2.5.2 이상 탐지
__2.5.3 패턴 마이닝
__2.5.4 강화 학습
2.6 정리

3장. 학습 결과 평가하기
3.1 분류 결과에 대한 평가 행렬
__3.1.1 그냥 정확도를 사용하면 될까?
__3.1.2 데이터 분포가 치우친 경우를 위한 지표 - 정밀도와 재현율
__3.1.3 균형 잡힌 성능을 평가하는 F-점수
__3.1.4 혼동행렬 따라잡기
__3.1.5 다중 클래스 분류의 평균 구하기 - 마이크로 평균과 매크로 평균
__3.1.6 분류 모델 비교하기
3.2 회귀 모델 평가하기
__3.2.1 평균제곱근오차
__3.2.2 결정 계수
3.3 머신러닝 시스템의 A/B 테스트
3.4 정리

4장. 기존 시스템에 머신러닝 통합하기
4.1 기존 시스템에 머신러닝을 통합하는 과정
4.2 시스템 설계
__4.2.1 헷갈리기 쉬운 ‘배치 처리’와 ‘배치 학습’
__4.2.2 배치 처리로 학습 + 예측 결과를 웹 애플리케이션에서 직접 산출(예측을 실시간 처리)
__4.2.3 배치 처리로 학습 + 예측 결과를 API를 통해 사용(예측을 실시간 처리)
__4.2.4 배치 처리로 학습 + 예측 결과를 DB에 저장하고 사용(예측을 배치 처리)
__4.2.5 실시간 처리로 학습
__4.2.6 각 패턴의 특성
4.3 로그 설계
__4.3.1 특징과 훈련 데이터에 사용되는 정보
__4.3.2 로그 저장하기
__4.3.3 로그 설계 시의 주의점
4.4 정리

5장. 학습 데이터 수집하기
5.1 학습 데이터를 얻는 방법
5.2 공개된 데이터셋이나 모델 활용
5.3 개발자가 직접 만드는 데이터셋
5.4 동료나 친구에게 데이터 입력을 부탁
5.5 크라우드소싱 활용
5.6 서비스에 수집 기능을 넣고 사용자가 입력하게 함
5.7 정리

6장. 효과 검증하기
6.1 효과 검증
__6.1.1 효과 검증까지 거쳐야 할 과정
__6.1.2 오프라인에서 검증하기 어려운 부분
6.2 가설 검정
__6.2.1 동전이 찌그러지진 않았을까
__6.2.2 두 그룹의 모비율의 차를 이용한 검정
__6.2.3 거짓 양성과 거짓 음성
6.3 가설 검정에서 주의할 점
__6.3.1 반복해서 검정하는 경우
__6.3.2 유의한 차이와 비즈니스 임팩트
__6.3.3 동시에 여러 가설 검정하기
6.4 인과효과 추정
__6.4.1 루빈 인과모형
__6.4.2 선택 편향
__6.4.3 무작위 대조시험
__6.4.4 과거와의 비교는 어렵다
6.5 A/B 테스트
__6.5.1 그룹 선정과 표본 크기
__6.5.2 A/A 테스트로 그룹의 균질성 확인
__6.5.3 A/B 테스트를 위한 구조 만들기
__6.5.4 테스트 종료
6.6 정리

2부. 머신러닝 실무 프로젝트

7장. 프로젝트 1: 영화 추천 시스템 만들기
7.1 시나리오
__7.1.1 추천 시스템이란
__7.1.2 응용 분야
7.2 추천 시스템 제대로 알기
__7.2.1 데이터 설계와 데이터 입수
__7.2.2 명시적 데이터와 묵시적 데이터
__7.2.3 추천 시스템의 알고리즘
__7.2.4 사용자 기반 협업 필터링
__7.2.5 아이템 기반 협업 필터링
__7.2.6 모델 기반 협업 필터링
__7.2.7 내용 기반 필터링
__7.2.8 협업 필터링과 내용 기반 필터링의 장단점
__7.2.9 평가 척도
7.3 무비렌즈 데이터 분석하기
7.4 추천 시스템 구현하기
__7.4.1 인수분해 머신을 이용한 추천
__7.4.2 인수분해 머신을 이용한 본격적인 학습
__7.4.3 사용자와 영화 외의 정보 추가하기
7.5 정리

8장. 프로젝트 2: 킥스타터 분석하기 - 머신러닝을 사용하지 않는 선택지
8.1 킥스타터 API 찾아보기
8.2 킥스타터 크롤러 만들기
8.3 JSON 데이터를 CSV로 변환하기
8.4 엑셀로 데이터 훑어보기
8.5 피벗 테이블로 데이터 분석하기
8.6 목표액 달성 후 취소된 프로젝트 살펴보기
8.7 국가별로 살펴보기
8.8 보고서 작성하기
8.9 이 다음에 할 일
8.10 정리

9장. 프로젝트 3: 업리프트 모델링으로 마케팅 효율 높이기
9.1 업리프트 모델링의 사분면
9.2 A/B 테스트를 확장한 업리프트 모델링
9.3 업리프트 모델링에 사용할 데이터셋 만들기
9.4 두 가지 예측 모델을 이용한 업리프트 모델링
9.5 AUUC로 업리프트 모델링 평가하기
9.6 실제 문제에 적용하기
9.7 업리프트 모델링을 서비스에 적용하기
9.8 정리

출판사 서평

현업 개발자를 위한 색다른 머신러닝 실무서

머신러닝을 실제 시스템에 적용하려면 기존 이론서들에서는 다루지 않지만 꼭 필요한 지식이 적지 않다. 탐색적 분석에 대한 경험과 데이터 분석 업무를 수행하면서 경험적으로 익혀온 묵시적 지식 등이 여기 해당한다. 그래서 이 책은 머신러닝 프로젝트를 진행하는 과정을 따라 가며 실무자가 느낄 궁금증과 갈증을 해소해주도록 꾸몄다. 다른 입문서에서 다루는 머신러닝 알고리즘은 과감히 축약하고 노하우에 집중하여 얇고 경제적이다. 경험 많은 실무자라면 자신의 노하우와 비교, 정리하여 동료나 후임에게... 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