CHAPTER 1 - 들어가기에 앞서 1.1 데이터에 질량이 있다면 지구는 블랙홀이 될 것이다 1.2 학습 1.2.1 머신러닝 1.3 머신러닝의 종류 1.4 지도학습 1.4.1 회귀 1.4.2 분류 1.5 머신러닝 과정 1.6 프로그래밍 노트 1.7 이 책의 로드맵 ● 더 읽을거리
CHAPTER 2 - 들어가며 2.1 용어 설명 2.1.1 가중치 공간 2.1.2 차원의 저주 2.2 알고 있는 것을 잘 이해하라- 머신러닝 알고리즘 평가하기 2.2.1 오버피팅 2.2.2 트레이닝, 테스팅, 밸리데이션 세트 2.2.3 혼동 행렬 2.2.4 정확도 지표 2.2.5 수신자 조작 특성 곡선 2.2.6 불균형 데이터세트 2.2.7 정밀도 측정 2.3 데이터를 확률로 변경 2.3.1 위험 최소화 2.3.2 나이브 베이즈 분류기 2.4 기본적인 통계학 2.4.1 평균 2.4.2 분산과 공분산 2.4.3 가우시안 2.5 바이어스 분산 트레이드오프 - 더 읽을거리 - 연습 문제
CHAPTER 3 - 뉴런, 뉴럴 네트워크, 선형 판별식 3.1 뇌와 뉴런 3.1.1 헵의 법칙 3.1.2 맥컬록과 피츠의 뉴런들 3.1.3 맥컬록과 피츠 뉴럴 모델의 한계점 3.2 뉴럴 네트워크 3.3 퍼셉트론 3.3.1 학습률 3.3.2 바이어스 값 입력 3.3.3 퍼셉트론 학습 알고리즘 3.3.4 퍼셉트론 학습의 예제- 논리 함수 3.3.5 구현 3.4 선형 분리성 3.4.1 퍼셉트론 수렴 이론 3.4.2 배타적 논리합 함수 3.4.3 도움이 될 만한 통찰력 3.4.4 또 다른 예제- 피마 인디언 데이터세트 3.4.5 전처리- 데이터 사전 준비 3.5 선형 회귀 3.5.1 선형 회귀 예제 - 더 읽을거리 - 연습 문제
CHAPTER 4 - 다층 퍼셉트론 4.1 전향 4.1.1 바이어스 4.2 후향- 오차 역전파 4.2.1 다층 퍼셉트론 알고리즘 4.2.2 가중치 초기화하기 4.2.3 다른 출력 활성화 함수들 4.2.4 순차와 배치 트레이닝 4.2.5 지역 최솟값 4.2.6 모멘텀 정하기 4.2.7 미니배치와 확률적 기울기 하강 4.3 다층 퍼셉트론의 실제 4.3.1 트레이닝 데이터 양 4.3.2 은닉층의 수 4.3.3 학습을 중지해야 할 시기 4.4 MLP의 활용 예 4.4.1 회귀 문제 4.4.2 MLP에서의 분류 4.4.3 분류 예- 아이리스 데이터세트 4.4.4 시계열 예측 4.4.5 데이터 압축- 자기 연산 네트워크 4.5 MLP 사용법 4.6 역전파 유도 4.6.1 네트워크 출력 값과 오류 4.6.2 네트워크의 오류 4.6.3 활성화 함수의 요건들 4.6.4 오류 역전달 4.6.5 출력 활성화 함수들 4.6.6 오차 함수의 대안 - 더 읽을거리 - 연습 문제
CHAPTER 5 - 방사 기저 함수와 스플라인 5.1 수용영역 5.2 방사 기저 함수 네트워크 5.2.1 RBF 네트워크 트레이닝 5.3 보간법과 기저 함수 5.3.1 기저 확장 5.3.2 3차 스플라인 5.3.3 데이터에 스플라인 맞추기 5.3.4 스무딩 스플라인/스플라인 다듬질 5.3.5 고차원 5.3.6 경계를 넘어 - 더 읽을거리 - 연습 문제
CHAPTER 6 - 차원 축소 6.1 선형 판별 분석 6.2 주성분 분석 6.2.1 다층 퍼셉트론과의 관계 6.2.2 커널 PCA 6.3 인자 분석 6.4 독립 성분 분석 6.5 지역 선형 임베딩 6.6 아이소맵 6.6.1 다차원 스케일링 - 더 읽을거리 - 연습 문제
CHAPTER 7 - 확률학습 7.1 가우시안 혼합 모델 7.1.1 기댓값 최대화 7.1.2 정보 기준 7.2 최근접 이웃법 7.2.1 최근접 이웃 스무딩 7.2.2 효율적인 거리 계산- KD 트리 7.2.3 거리 측정 - 더 읽을거리 - 연습 문제
CHAPTER 8 - 서포트 벡터 머신 8.1 최적 분리 8.1.1 마진과 서포트 벡터들 8.1.2 제약적 최적화 문제 A 8.1.3 비선형 분리 문제를 위한 슬랙 변수 8.2 커널 8.2.1 커널 고르기 8.2.2 XOR 예제 8.3 서포트 벡터 머신 알고리즘 8.3.1 구현 8.3.2 예제 8.4 SVM의 연장 8.4.1 다계층 분류 8.4.2 SVM 회귀 8.4.3 다른 이점들 - 더 읽을거리 - 연습 문제
CHAPTER 9 - 최적화와 탐색 9.1 언덕 내려가기 9.1.1 테일러 전개식 9.2 최소제곱법 9.2.1 레벤버그 말쿼트 알고리즘 9.3 켤레 기울기 9.3.1 켤레 기울기의 예제 9.3.2 켤레 기울기와 MLP 9.4 탐색- 세 가지 방법 9.4.1 완전 탐색 9.4.2 탐욕 탐색 9.4.3 언덕 오르기 9.5 활용과 탐험 9.6 담금질 기법 9.6.1 비교 241 - 더 읽을거리 - 연습 문제
CHAPTER 10 - 진화학습 10.1 유전 알고리즘 10.1.1 스트링 표현 10.1.2 적합성 평가 10.1.3 개체수 10.1.4 자손 만들기- 부모 선택 10.2 자손 만들기- 유전 연산자 10.2.1 크로스오버 10.2.2 돌연변이 10.2.3 정예주의, 토너먼트, 그리고 틈새 10.3 유전 알고리즘 사용하기 10.3.1 지도 색칠 10.3.2 단절된 균형 10.3.3 예제- 배낭 문제 10.3.4 예제- 포피크 문제 10.3.5 GA의 한계 10.3.6 유전 알고리즘을 사용해서 뉴럴 네트워크 트레이닝하기 10.4 유전 프로그래밍 10.5 샘플링과 유전학습을 접합하기 - 더 읽을거리 - 연습 문제
CHAPTER 11 - 강화학습 11.1 개관 11.2 예제- 길을 잃다 11.2.1 상태 공간과 행동 공간 11.2.2 당근과 채찍- 보상 함수 11.2.3 할인 11.2.4 행동 선택 11.2.5 정책 11.3 마르코프 결정 과정 11.3.1 마르코프 성질 11.3.2 마르코프 결정 과정 확률 11.4 가치 11.5 휴가 예제- 강화학습 사용 11.6 살사와 Q 학습의 다른 점 11.7 강화학습의 사용 - 더 읽을거리 - 연습 문제
CHAPTER 12 - 트리학습 12.1 결정 트리 사용 12.2 결정 트리 만들기 12.2.1 정보 이론의 엔트로피 12.2.2 ID3 12.2.3 트리와 그래프 파이썬으로 구현하기 12.2.4 결정 트리 구현 12.2.5 연속 변수 값 처리하기 12.2.6 계산 복잡도 12.3 분류와 회귀 트리 12.3.1 지니 불순도 12.3.2 회귀 트리 12.4 분류 예시 - 더 읽을거리 - 연습 문제
CHAPTER 13 - 위원회의 결정- 앙상블 학습 13.1 부스팅 13.1.1 아다부스트 13.1.2 스텀핑 13.2 배깅 13.2.1 서브배깅 13.3 랜덤 포레스트 13.3.1 부스팅과 비교하기 13.4 분류기를 종합하는 다른 방법들 - 더 읽을거리 - 연습 문제
CHAPTER 14 - 비지도학습 14.1 k-means 알고리즘 14.1.1 노이즈 다루기 14.1.2 k-means 뉴럴 네트워크 14.1.3 정규화 14.1.4 더 좋은 가중치 갱신 방법 14.1.5 예제- 아이리스 데이터세트 14.1.6 경쟁학습을 군집화에 이용하기 14.2 벡터 양자화 14.3 자기조직화 지도 14.3.1 SOM 알고리즘 14.3.2 이웃 연결 14.3.3 자기조직화 14.3.4 네트워크 차원과 경계 조건 14.3.5 SOM을 이용한 예제 - 더 읽을거리 - 연습 문제
CHAPTER 15 - 마르코프 체인 몬테 카를로 15.1 샘플링 15.1.1 난수 15.1.2 가우시안 난수 15.2 몬테 카를로가 아니면 죽기 15.3 제안 분포 15.4 마르코프 체인 몬테 카를로 15.4.1 마르코프 체인 15.4.2 메트로폴리스 해스팅스 알고리즘 15.4.3 시뮬레이티드 어닐링 15.4.4 깁스 샘플링 - 더 읽을거리 - 연습 문제
CHAPTER 16 - 그래프 모델 16.1 베이지언 네트워크 16.1.1 예제- 시험에 대한 두려움 16.1.2 근사 추론 16.1.3 베이지언 네트워크 만들기 16.2 마르코프 랜덤 필드 16.3 은닉 마르코프 모델 16.3.1 포워드 알고리즘 16.3.2 비터비 알고리즘 16.3.3 바움 웰치 또는 포워드 백워드 알고리즘 16.4 트래킹 방법 16.4.1 칼만 필터 16.4.2 입자 필터 - 더 읽을거리 - 연습 문제
CHAPTER 17 - 대칭 가중치와 심층 신뢰 네트워크 17.1 정력적인 학습- 홉필드 네트워크 17.1.1 연상 기억 17.1.2 연상 기억 만들기 17.1.3 에너지 함수 17.1.4 홉필드 네트워크의 수용력 17.1.5 연속 홉필드 네트워크 17.2 확률 뉴런-볼츠만 머신 17.2.1 제한 볼츠만 머신 17.2.2 CD 알고리즘 유도 17.2.3. 지도학습 17.2.4 유향 신뢰 네트워크 17.3 딥러닝/심층학습 17.3.1 심층 신뢰 네트워크 - 더 읽을거리 - 연습 문제
CHAPTER 18 - 가우시안 프로세스 18.1 가우시안 프로세스 회귀 18.1.1 노이즈 추가하기 18.1.2 구현 18.1.3 파라미터 학습하기 18.1.4 구현 18.1.5 공분산 함수 고르기 18.2 가우시안 프로세스 분류 18.2.1 라플라스 근사 18.2.2 사후 확률 계산 18.2.3 구현 -더 읽을거리 - 연습 문제
APPENDIX A - 파이썬 A.1 파이썬과 다른 패키지들 설치 A.2 시작하기 A.2.1 MATLAB과 R 사용자를 위한 파이썬 A.3 기본 코드 A.3.1 코드 작성하기와 코드 임포팅 A.3.2 흐름 제어 A.3.3 함수 A.3.4 문서 설명글 A.3.5 map과 lambda A.3.6 예외 A.3.7 클래스 A.4 넘파이와 Matplotlib 사용하기 A.4.1 배열 A.4.2 난수 A.4.3 선형 대수 A.4.4 그래프 그리기 A.4.5 주의 사항 - 더 읽을거리 - 연습 문제
찾아보기
머신러닝에 사용되는 주요 알고리즘의 원리! 의사코드가 아닌 파이썬 코드 중심의 예제!
이 책은 머신러닝 알고리즘의 이해를 돕기 위한 책이다. 이 책을 통해 머신러닝에 필요한 프로그래밍뿐만 아니라 관련 수학, 통계 개념을 완벽히 익히는 여행을 시작할 수 있을 것이다.
이 책의 특징 - 심층 신뢰 신경망과 같은 최근의 머신러닝 동향을 반영했다. - 머신러닝을 이해하는 데 필요한 기본 확률과 통계 개념을 제공한다. - 신경망을 사용한 지도학습에 대해 배운다. - 차원 감축, EM 알고리즘, 최근접 이웃법, 최선 분류 경계, 커널 방법과 최적화를 다룬다. - 진화학습, 강화학습, 트리 기반의 학습자 그리고 다양한 학습자들의 예측 값을 합치는 방법들을 다룬다. - 자기조직화 특성 지도를 통해서 비지도학습의 중요성을 알아본다. - 머신러닝에서의 최신 통계 기반 접근법들을 살펴본다.
2판에 추가된 사항 - 심층 신뢰 신경망과 가우시안 프로세스가 추가되었다. - 더 자연스러운 흐름을 위해 각 장을 새롭게 재구성했다. - 실습을 위한 실행 코드를 추가했으며, 서포트 벡터 머신 자료들을 보강했다. - 랜덤 포레스트, 퍼셉트론 수렴 이론, 정확성 측정 방법을 위한 고려사항, 그리고 MLP를 위한 켤레 기울기 최적화에 대한 새로운 자료를 추가했다. - 칼만 필터와 파티클 필터에 관한 설명이 추가되었다. - 파이썬의 명명 규칙을 수정하고 코드를 개선했다.
책을 학습할 때 함께 제공되는 코드를 직접 실행해 볼 것을 추천한다. 각 장마다 더 읽을거리와 연습 문제를 통해 세부적인 예제를 제공하고 있으며, 예제에 사용된 모든 파이썬 코드는 저자의 웹페이지에서 내려받을 수 있다.
총 
바보 빅터
