1장. 시작하기 호기심 있는 독자를 위한 수학적 표기법 왜 머신 러닝인가? -분류 -예측 -최적화 -회귀 왜 스칼라인가? -함수형 언어로서의 스칼라 -객체 지향 언어로서의 스칼라 -확장성 있는 언어로서의 스칼라 모형 범주화 머신 러닝 알고리즘의 분류 -비지도 학습 -지도 학습 -준지도 학습 -강화 학습 자바 라이브러리 활용하기 도구와 프레임워크 -자바 -스칼라 -SBT -아파치 커먼즈 매스 -JFreeChart -그 외 라이브러리와 프레임워크 소스 코드 -관례 맛보기 -간단한 작업 흐름 작성하기 요약
2장. 데이터 파이프라인 모형화 -모형이란 무엇인가? -모형 대 디자인 -특성 선택하기 -특성 추출하기 방법론 정의하기 모나드적 데이터 변환 -오류 처리 -모나드의 구출 작업 흐름 연산 모형 -수학적 추상화 지원 -작업 흐름 구축을 위해 믹스인 구성하기 -모듈화하기 데이터 프로파일링 -불변 통계량 -Z-점수와 가우스 분포 모형 평가하기 -검증 -곡선하 면적 -교차 검증 -분산-편향 분해 -과적합 요약
3장. 데이터 전처리 스칼라에서의 시계열 -컨텍스트 바운드 -타입과 연산 -레이지 뷰 이동 평균 -단순 이동 평균 -가중 이동 평균 -지수 이동 평균 푸리에 분석 -이산 푸리에 변환 -DFT 기반 필터링 -시장 순환 감지 이산 칼만 필터 -상태 공간 추정 -전이 방정식 -측정 방정식 -재귀적 알고리즘 다른 전처리 기술 요약
4장. 비지도 학습 K-평균 군집화 -K-평균 기댓값-최대화 -가우스 조합 모형 -EM의 개요 -구현 -분류 -테스트 -온라인 EM -요약
5장. 차원 축소 모형 복잡도 문제 발산 -쿨백-라이블러 발산 -상호 정보 주성분 분석 -알고리즘 -구현 -테스트 사례 -평가 -PCA 확장하기 비선형 모형 -커널 PCA -다양체 요약
6장. 단순 베이즈 분류기 확률적 그래프 모형 단순 베이즈 분류기 -다항 단순 베이즈 소개 -구현 다변량 베르누이 분류 -모형 -구현 단순 베이즈와 텍스트 마이닝 -기본적인 정보 검색 -구현 -테스트 장점과 단점 요약
7장. 순차적 데이터 모형 마코프 결정 과정 -마코프 성질 -1차 이산 마코프 체인 은닉 마코프 모형 -표기법 -람다 모형 -디자인 -평가(CF-1) -훈련(CF-2) -디코딩 -모두 합치기 -테스트 사례 1: 훈련 -테스트 사례 2: 평가 -필터링 기술로서의 HMM 조건부 무작위장 -CRF 소개 -선형 연쇄 CRF 정칙화 CRF와 텍스트 분석 -특성 함수 모형 -디자인 -구현 -테스트 CRF와 HMM 비교하기 성능 고려 사항 요약
8장. 몬테카를로 추론 샘플링의 목적 가우스 샘플링 -박스-뮬러 변환 몬테카를로 근사 -개론 -구현 교체를 통한 부트스트래핑 -개요 -리샘플링 -구현 -부트스트랩의 장단점 마코프 연쇄 몬테카를로 -개요 -메트로폴리스-헤이스팅스 -구현 -테스트 요약
9장. 회귀와 정칙화 선형 회귀 -일변량 선형 회귀 -통상적인 최소제곱 회귀 정칙화 -Ln 조도 불이익 -능형 회귀 -디자인 -구현 -테스트 사례 수치적 최적화 로지스틱 회귀 -로지스틱 함수 -디자인 -훈련 작업 흐름 -분류 요약
10장. 다층 퍼셉트론 전방 전달 신경망 -생물학적 배경 -수학적 배경 다층 퍼셉트론 -활성화 함수 -네트워크 토폴로지 -디자인 -설정 -네트워크 구성 요소 -모형 -문제의 타입(방식) -온라인 훈련 대 배치 훈련 -훈련 회차 -훈련과 분류 평가 -실행 프로파일 -학습률의 영향 -가속도 인자의 영향 -은닉층 개수의 영향 -테스트 사례 이점과 한계 요약
11장. 딥러닝 희소 오토인코더 -저완성 오토인코더 -결정적 오토인코더 -범주화 -전방 전달 희소, 저완성 오토인코더 -희소성 갱신 방정식 -구현 제한된 볼츠만 머신 -볼츠만 머신 -이항 제한된 볼츠만 머신 합성곱 신경망 -국소 수용 영역 -가중치 공유하기 -합성곱층 -부표본층 -한데 모으기 요약
12장. 커널 모형과 서포트 벡터 머신 커널 함수 -개요 -일반적인 판별 커널 -모나드적 커널 합성 서포트 벡터 머신 -선형 SVM -비선형 SVM -서포트 벡터 분류기 -1계층 SVC로 이상치 찾기 -서포트 벡터 회귀 성능 고려 사항 요약
13장. 진화적 연산 진화 -기원 -NP 문제 -진화적 연산 유전 알고리즘과 머신 러닝 유전 알고리즘 구성 요소 -인코딩 -유전 연산자 -적합도 점수 구현 -소프트웨어 디자인 -핵심 구성 요소 -선택 -개체군 증가율 통제하기 -GA 설정 -교배 -변이 -생식 -풀이기 거래 전략을 위한 GA -거래 전략의 정의 -테스트 사례: 2008년 가을 시장 붕괴 유전 알고리즘의 장점과 위험 요약
14장. 멀티암드 밴딧 K-암드 밴딧 -탐색-활용 상반 관계 -기대 누적 후회 -베이즈 베르누이 밴딧 -엡실론-탐욕 알고리즘 톰슨 샘플링 -밴딧 컨텍스트 -사전/사후 베타 분포 -구현 -시뮬레이션된 탐색과 활용 신뢰 상단 -신뢰 구간 -구현 요약
15장. 강화 학습 강화 학습 -문제 이해하기 -해법: Q-학습 -구현 -Q-학습을 사용한 옵션 거래 -한데 합하기 -평가 -강화 학습의 장점과 단점 학습 분류기 시스템 -LCS 소개 -학습과 평가 조합하기 -전문 용어 요약
16장. 스칼라와 아카에서의 병렬화 개요 스칼라 -객체 생성 -스트림 -병렬 컬렉션 액터를 통한 확장성 -액터 모형 -분할 -액터를 넘어: 반응적 프로그래밍 아카 -마스터-워커 -퓨처 요약
17장. 아파치 스파크 MLlib 개요 아파치 스파크 코어 -왜 스파크인가? -디자인 원칙 -스파크로 실험하기 MLlib 라이브러리 -개요 -RDD 만들기 -MLlib을 사용한 K-평균 -테스트 재사용 가능한 ML 파이프라인 -재사용 가능한 ML 변환 -아파치 스파크와 ScalaTest 스파크 확장하기 -쿨백-라이블러 발산 -구현 -쿨백-라이블러 평가기 스트리밍 엔진 -왜 스트리밍인가? -배치와 실시간 처리 -아키텍처 개요 -이산화 스트림 -사용 사례: 연속적인 파싱 -체크포인팅 성능 평가 -개변수 조정하기 -성능 고려 사항 장점과 단점 요약
부록 A. 기본 개념 스칼라 프로그래밍 수학 금융 101
[이 책에서 다루는 내용]
- 과학적 연산을 위한 동적 작업 흐름 구축 - 시계열로부터 패턴을 추출하기 위한 오픈소스 라이브러리의 활용 - 자신만의 분류, 군집화, 혹은 진화 알고리즘 작성 - 스파크의 상대적 성능 조정과 평가 수행 - 순차적 데이터를 위한 확률적 모형 터득 - 정칙화 및 커널화 같은 고급 기술을 통한 실험 - 신경망과 몇몇 딥러닝 아키텍처에 대해 파고들기 - 기본적인 몇 가지 멀티암드 밴딧 알고리즘의 적용 - 스칼라 병렬 컬렉션, 아카 액터, 아파치 스파크 클러스터를 이용한 빅데이터 문제 해결 - 금융 시장의 기술적 분석에 핵심적인 학습 전략 적용
[이 책의 대상 독자]
머신 러닝 알고리즘을 만들고 검증하고 적용하길 원하고 스칼라 프로그래밍에 대한 배경지식을 갖춘 소프트웨어 개발자를 위한 책이다. 또한 이 책은 함수형 프로그래밍을 살펴보고자 하거나 스칼라를 사용해 기존 애플리케이션의 확장성을 개선하려는 데이터 과학자에게도 도움이 될 수 있다.
[이 책의 구성]
1장. '시작하기'에서는 통계적 분석, 분류, 회귀, 예측, 군집화, 최적화에 대한 기본 개념을 소개한다. 또한 스칼라 언어, 특성, 라이브러리와 간단한 애플리케이션 구현을 다룬다. 2장. '데이터 파이프라인'에서는 분류에 대한 전형적인 작업 흐름, 편향/분산 상반 관계(trade-off)에 대한 개념과 금융 시장의 기술적 분석에 적용된 스칼라 의존성 주입을 사용한 검증을 설명한다. 3장. '데이터 전처리'에서는 시계열 분석을 다루며 데이터 전처리 및 이동 평균, 이산 푸리에 변환, 재귀적 칼만 필터와 같은 평활 기술을 구현하는 데 스칼라를 활용한다. 4장. '비지도 학습'에서는 K-평균 군집화, 가우스 조합 기댓값-최대화, 함수 근사와 같은 핵심 군집화 방법을 다룬다. 5장. '차원 축소'에서는 쿨백-라이블러 발산, 선형 모형을 위한 주성분 분석, 비선형 모형에 적용된 다면성의 개요를 설명한다. 6장. '단순 베이즈 분류기'에서는 확률적 그래프 모형과 더 구체적으로는 단순 베이즈 모형 및 이를 텍스트 마이닝에 적용하는 것에 집중한다. 7장. '순차적 데이터 모형'에서는 마코프 과정과 은닉 마코프 모형의 완전한 구현, 금융 시장 데이터에서의 패턴 인식에 적용된 조건적 무작위장(CRF, Conditional Random Field)을 소개한다. 8장. '몬테카를로 추론'에서는 박스-뮬러 테크닉을 사용한 가우스 샘플링, 교체를 통한 부트스트랩 복제, 그리고 폭넓게 적용 가능한 알고리즘인 메트로폴리스-헤이스팅스 알고리즘을 마코프 체인 몬테카를로를 위해 설명한다. 9장. '회귀와 정칙화'에서는 선형 및 최소제곱 회귀의 전형적인 구현, 정칙화(regularization) 기술로서의 능형 회귀, 로지스틱 회귀를 다룬다. 10장. '다층 퍼셉트론'에서는 전방 전달 신경망(FFNN, Feed-Forward Neural Network)과 다층 퍼셉트론 분류기의 완전한 구현을 설명한다. 11장. '딥러닝'에서는 희소 오토인코더와 스칼라에서의 차원 축소를 위한 제한된 볼츠만 머신, 나선형 신경망을 구현한다. 12장. '커널 모형과 서포트 벡터 머신'에서는 서포트 벡터 머신(SVM) 분류 및 회귀 구현을 통한 커널 함수의 개념, 이상치 탐지를 위한 단일 클래스 SVM을 다룬다. 13장. '진화적 연산'에서는 진화적 연산(evolutionary computing)에 대한 기본과 다목적 유전 알고리즘의 서로 다른 구성 요소 구현을 다룬다. 14장. '멀티암드 밴딧'에서는 입실론-탐욕 알고리즘을 사용한 탐색-활용 상반 관계의 개념, 상단신뢰도 제한 기술, 환경 제한이 없는 톰슨 샘플링을 소개한다. 15장. '강화 학습'에서는 Q-학습 알고리즘의 구현을 통해 강화 학습의 개념을 살펴보고 학습 분류기 시스템을 구축하기 위한 템플릿을 소개한다. 16장. '스칼라와 아카에서의 병렬화'에서는 확장 가능한 애플리케이션을 만들기 위한 아티팩트 및 프레임워크를 설명하고, 스칼라 병렬 컬렉션과 아카 기반으로 분산화된 연산의 상대 성능을 평가한다. 17장. '아피치 스파크 MLlib'에서는 아파치 스파크의 아키텍처와 핵심 개념, 머신 러닝을 활용하는 회복력 있는 분산 데이터셋, 재사용 가능한 ML 파이프라인, 분산된 다이버전스(divergence)로 MLlib 확장, 스파크 스트리밍 라이브러리의 예제 등을 다룬다. 부록 A. '기본 개념'에서는 이 책 전반에 걸쳐 사용된 스칼라 언어 구조, 선형대수의 요소, 최적화 기술을 설명한다. 부록 B. '참조'에서는 장별로 참조 자료를 보여주는 리스트를 제공한다.
총 
바보 빅터
