| 000 | 00000nam c2200205 c 4500 | |
| 001 | 000045855919 | |
| 005 | 20151229172634 | |
| 007 | ta | |
| 008 | 151229s2016 ggkd 001c kor | |
| 020 | ▼a 9788960778061 ▼g 94000 | |
| 020 | 1 | ▼a 9788960772106 (Set) |
| 040 | ▼a 211009 ▼c 211009 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h eng |
| 082 | 0 4 | ▼a 006.31 ▼2 23 |
| 085 | ▼a 006.31 ▼2 DDCK | |
| 090 | ▼a 006.31 ▼b 2016 | |
| 100 | 1 | ▼a Pentreath, Nick |
| 245 | 2 0 | ▼a (빅데이터 분석과 예측 모델 트레이닝을 위한) Spark와 머신 러닝 / ▼d 닉 펜트레스 지음 ; ▼e 조효성 옮김 |
| 246 | 1 9 | ▼a Machine learning with Spark : ▼b create scalable machine learning applications to power a modern data-driven business using Spark |
| 260 | ▼a 의왕 : ▼b 에이콘, ▼c 2016 | |
| 300 | ▼a 406 p. : ▼b 도표 ; ▼c 24 cm | |
| 440 | 0 0 | ▼a acorn+PACKT technical book 시리즈 |
| 500 | ▼a 색인수록 | |
| 650 | 0 | ▼a Machine learning |
| 650 | 0 | ▼a Computer algorithms |
| 700 | 1 | ▼a 조효성, ▼e 역 |
| 900 | 1 0 | ▼a 펜트레스, 닉, ▼e 저 |
| 945 | ▼a KLPA |
Holdings Information
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Main Library/Monographs(3F)/ | Call Number 006.31 2016 | Accession No. 111768006 | Availability Available | Due Date | Make a Reservation | Service |
| No. 2 | Location Science & Engineering Library/Sci-Info(Stacks1)/ | Call Number 006.31 2016 | Accession No. 121235163 | Availability Available | Due Date | Make a Reservation | Service |
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Main Library/Monographs(3F)/ | Call Number 006.31 2016 | Accession No. 111768006 | Availability Available | Due Date | Make a Reservation | Service |
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Science & Engineering Library/Sci-Info(Stacks1)/ | Call Number 006.31 2016 | Accession No. 121235163 | Availability Available | Due Date | Make a Reservation | Service |
Contents information
Book Introduction
acorn+PACKT 시리즈. 이 책은 급변하는 비즈니스 환경에서 대규모 데이터를 실시간으로 처리해서 분류, 회귀, 클러스터 등 다양한 모델을 트레이닝한다. 데이터의 모델 트레이닝을 통해 다양한 소프트웨어 비즈니스 요구사항을 높은 정확도로 예측할 때 사용할 수 있다. 이 책은 독자가 대규모 실시간 데이터를 처리할 때 다양한 모델을 이용해서 애플리케이션을 작성할 수 있도록 안내한다.
★ 요약 ★
이 책은 급변하는 비즈니스 환경에서 대규모 데이터를 실시간으로 처리해서 분류, 회귀, 클러스터 등 다양한 모델을 트레이닝한다. 데이터의 모델 트레이닝을 통해 다양한 소프트웨어 비즈니스 요구사항을 높은 정확도로 예측할 때 사용할 수 있다. 이 책은 독자가 대규모 실시간 데이터를 처리할 때 다양한 모델을 이용해서 애플리케이션을 작성할 수 있도록 안내한다.
★ 이 책에서 다루는 내용 ★
■ 스칼라, 자바, 파이썬을 이용한 독자의 첫 번째 스파크 프로그램 개발
■ 독자의 컴퓨터에서뿐만 아니라 아마존 EC2에서 스파크를 이용한 개발환경 설치와 설정
■ 공개된 머신 러닝 데이터 집합 접근과 스파크를 이용한 데이터 로드, 처리, 클린, 변환
■ 협력 필터, 분류, 회귀, 클러스터링, 차원 축소 등의 잘 알려진 머신 러닝 모델을 활용해서 프로그램을 구현할 때 스파크 머신 러닝 라이브러리 사용
■ 머신 러닝 모델의 성능을 평가할 수 있는 스파크 메소드 개발
■ 특징 추출과 머신 러닝 모델에 입력할 텍스트 데이터를 이용한 대규모의 텍스트 데이터 처리
■ 온라인 머신 러닝 메소드 분석과 온라인 러닝과 모델을 평가할 때 스파크 스트림 사용
★ 이 책의 대상 독자 ★
머신 러닝과 데이터 분석 분야에 관심이 있는 스칼라, 자바, 파이썬 개발자이면서 스파크 프레임워크를 이용해서 보편적인 머신 러닝 기술을 확장성 측면에서 어떻게 적용해야 할지 열망한다면 이 책은 당신을 위한 것이다. 스파크의 기본 지식이 있는 독자라면 책을 이해할 때 도움이 되겠지만 사전 지식이 꼭 필요한 것은 아니다.
★ 이 책의 구성 ★
1장, '스파크의 시작과 구동'에서는 스파크 프레임워크를 설치하는 방법과 로컬 개발환경 구축 방법뿐 아니라 아마존 EC2를 이용한 클라우드 스파크 클러스터 생성 방법까지 설명한다. 스파크 프로그래밍 모델과 API를 소개할 뿐 아니라 스칼라, 자바, 파이썬 API를 이용해서 간단한 스파크 애플리케이션을 작성한다.
2장, '머신 러닝 시스템 설계'에서는 머신 러닝 시스템을 활용한 실세계 유스케이스(use case)의 예를 다룬다. 여기서 설명한 유스케이스를 바탕으로 스파크 지능 시스템용 상위 레벨 아키텍처를 설계한다.
3장, '스파크를 이용한 데이터 수집, 프로세싱, 준비'에서는 머신 러닝 시스템에서 실사용하기 위한 데이터 수집 방법을 자세하게 설명하는데, 특히 무료로 오픈된 다양한 가용 데이터 수집 방법을 다룬다. 가공하지 않은 데이터를 적절한 도구, 라이브러리, 스파크 기능을 이용해 머신 러닝 모델에 적용할 수 있는 특징으로 처리하거나, 초기화 또는 변환하는 방법을 배운다.
4장, '스파크를 이용한 추천 엔진 구현'에서는 협업 필터링 방식을 바탕으로 추천 모델을 개발하는 방법을 다룬다. 이 모델을 이용해서 사용자에게 아이템을 추천하거나 검색하는 아이템과 유사한 다른 아이템 목록을 생성한다. 추천 모델의 성능을 평가하는 표준 메트릭스(metrics)도 다룬다.
5장, '스파크를 이용한 분류 모델 구현'에서는 이항 분류를 위한 모델을 생성하는 방법뿐 아니라 분류 태스크를 위한 표준 성능 평가 메트릭스를 사용하는 방법까지 자세하게 설명한다.
6장, '스파크를 이용한 회귀 모델 구현'에서는 5장에서 생성한 분류 모델을 확장하는 개념으로, 회귀 모델의 생성 방법을 설명한다. 회귀 모델의 성능 평가 메트릭스도 자세히 설명한다.
7장, '스파크를 이용한 클러스터 구축 모델 구현'에서는 클러스터링 모델 생성 방법뿐 아니라 클러스터 연관 평가 방법을 사용하는 방법까지 설명한다. 독자는 7장에서 생성된 모든 클러스터에서 발생된 데이터를 분석하고 가시화하는 방법을 배울 수 있다.
8장, '스파크를 이용한 차원 축소'에서는 데이터에서 기본 구조를 추출하고 데이터 구조의 차원을 줄일 수 있는 방법을 살펴본다. 범용적인 일부 차원 축소 기술을 배우며, 그 기술의 적용과 분석 방법뿐 아니라 결과 데이터 모델을 입력으로 다른 머신 러닝 모델에 활용하는 방법까지 배운다.
9장, '스파크를 이용한 고급 텍스트 프로세싱'에서는 텍스트에서 특징 추출을 위한 기술을 비롯한 대규모 텍스트 데이터를 처리하는 방법을 소개하고, 텍스트 데이터에서 높은 차원의 특징을 다룬다.
10장, '스파크 스트리밍을 이용한 실시간 머신 러닝'에서는 스파크 스트리밍의 개요와 온라인에서 스파크 스트리밍이 어떻게 조절되는지, 데이터 스트리밍에 머신 러닝을 적용할 수 있는 점진적 학습 방법을 설명한다.
Information Provided By: :
Author Introduction
닉 펜트레스(지은이)
금융 시장, 머신 러닝, 소프트웨어 개발 경력이 있다. 골드만삭스 그룹(Goldman Sachs Group, Inc.)에서 일했고, 스타트업 기업인 코그너티브 매치 사(Cognitive Match Limited)의 런던 지사를 상대로 온라인 광고에 필요한 리서치 분야 전문가로 일해 왔으며, 아프리카의 대규모 소셜 네트워크 회사인 믹스잇(Mixit)에서 데이터 사이언스와 분석팀을 이끌었다. 사용자 중심의 추천과 고객 인텔리전스(Customer Intelligence)를 주력으로 하는 빅데이터와 머신 러닝 회사 그래프플로우(Graphflow)의 공동 창립자다. 추천과 고객 인텔리전스의 핵심에 가치를 더하기 위해, 데이터를 통해 학습하는 지적 시스템을 구현할 수 있는 머신 러닝과 최신 기술을 상용 서비스와 접목하려는 일에 상당히 열정적이다. 아파치 스파크 프로젝트 관리 단체의 멤버다.
조효성(옮긴이)
광운대학교 전자공학과를 졸업하고 동대학원 임베디드 소프트웨어 공학과에서 안드로이드와 블루투스를 전공했다. 과거 오비고에서 웹 개발자로 활동하고 있는 노드에 관심이 많은 행복 개발자다. 행복한 HMI WebApp 개발 팀에서 차량용 플랫폼에 올라가는 웹 앱을 개발하면서 많은 경험과 실력을 쌓았다. 현재 브라이니클에 근무하면서 서버와 클라이언트를 개발하며, 빅데이터 분석에 관심이 많고, 실제 데이터 분석 사례를 만들고 있다. 번역 작업을 통해 책을 읽는 모든 사람에게 꼭 도움이 되기를 바라는 마음을 늘 품고 있다. 에이콘출판사에서 출간한 『노드로 하는 웹 앱 테스트 자동화』(2013), 『익스프레스 프레임워크로 하는 노드 웹 앱 프로그래밍』(2014), 『Storm 실시간 빅데이터 분석 플랫폼』(2014), 『안드로이드 음성 인식 애플리케이션 개발』(2014), 『Spark로 하는 고속 빅데이터 분석과 처리』(2014), 『AngularJS 반응형 웹앱 개발과 성능 최적화』(2015), 『리액트 정복하기』(2016)를 번역했다.
Table of Contents
1 스파크의 시작과 구동 로컬 모드로 스파크 설치와 환경 설정 스파크 클러스터 스파크 프로그래밍 모델 __SparkContext와 SparkConf __스파크 셸 __복구할 수 있는 분산 데이터 집합 ____RDD 생성 ____스파크 오퍼레이션 ____RDD 캐싱 __브로드캐스트 변수와 누산기 스칼라를 이용한 스파크 프로그램의 첫 단계 자바로 개발하는 스파크 프로그램의 첫 단계 파이썬으로 스파크 프로그램 작성하는 첫 단계 아마존 EC2에서 스파크 구동 __EC2 스파크 클러스터 실행 정리 2 머신 러닝 시스템 무비스트림 소개 머신 러닝 시스템을 위한 비즈니스 유스케이스 __개인화 __타겟 마케팅과 사용자 분류 __예측 모델링과 해석학 머신 러닝 모델의 타입 데이터 기반의 머신 러닝 시스템 컴포넌트 __데이터 획득과 저장 __데이터 클렌싱과 변환 __모델 학습과 테스트 루프 __모델 적용과 정합 __모델 모니터링과 피드백 __배치 프로세스와 실시간 프로세스 머신 러닝 시스템의 아키텍처 __실습 정리 3 스파크를 이용한 데이터 수집, 프로세싱, 준비 공개적으로 가용한 데이터 집합 접근 __무비렌즈 100킬로바이트 데이터 집합 데이터 탐색과 가시화 __사용자 데이터 집합 탐색 __영화 데이터 집합 탐색 __평점 데이터 집합 탐색 데이터 처리와 변환 __부적절하거나 소실된 데이터로 채우기 데이터에서 유용한 특징 추출 __숫자 특징 __카테고리 특징 __파생 특징 ____타임스탬프를 카테고리 특징으로 변환 __텍스트 특징 ____단순 텍스트 특징 추출 __특징 정규화 ____특징 정규화를 위한 MLlib 라이브러리 사용 __특징 추출을 위한 패키지 사용 정리 4 스파크를 이용한 추천 엔진 구현 추천 모델의 타입 __콘텐트 기반의 필터링 __공동 필터링 ____행렬 인수분해 목표 데이터에서 적절한 특징 추출 __무비렌즈 100k 데이터 집합에서 특징 추출 추천 모델 트레이닝 __무비렌즈 100k 데이터 집합으로 모델 트레이닝 ____암시적인 피드백 데이터를 이용한 모델 트레이닝 추천 모델 사용 __사용자 추천 ____무비렌즈 100k 데이터 집합에서 영화 추천 생성 __제품 추천 ____무비렌즈 100k 데이터 집합에서 유사 영화 생성 추천 모델의 성능 평가 __평균 제곱 오차 __K 평균 정확도의 평균 __MLlib 라이브러리의 내장 평가 메소드 사용 ____RMSE와 MSE ____맵 정리 5 스파크를 이용한 분류 모델 구현 분류 모델의 타입 __선형 모델 ____로지스틱 회귀 ____선형 지원 벡터 머신 __나이브 베이즈 모델 __의사결정 트리 데이터 집합에서 적절한 특징 추출 __캐글/스텀블업온 에버그린 분류 데이터 집합에서 특징 추출 분류 모델 트레이닝 __캐글/스텀블업온 지속적인 분류 데이터 집합에 분류 모델을 트레이닝 분류 모델 사용 __캐글/스텀블업온 지속 가능한 분류 데이터 집합을 이용한 예측 생성 분류 모델의 성능 평가 __정확도와 예측 오차 __정확도와 회자 __ROC 곡선과 AUC 모델 성능을 향상하고 매개변수를 튜닝 __특징 표준화 __추가적인 특징 __정확한 형태의 데이터 사용 __모델 매개변수 튜닝 ____선형 모델 ____의사결정 트리 ____나이브 베이즈 모델 __교차 검증 정리 6 스파크를 이용한 회귀 모델 구현 회귀 모델의 타입 __최소 제곱 회귀 __회귀에 대한 의사결정 트리 데이터 집합에서 적절한 특징 추출 __자전거 공유 데이터 집합에서 특징 추출 ____선형 모델에 적용할 특징 벡터 생성 ____의사결정 트리를 위한 특징 벡터 생성 회귀 모델 트레이닝과 사용 __자전거 공유 데이터 집합을 이용한 회귀 모델 트레이닝 회귀 모델의 성능 평가 __평균 제곱 에러와 루트 평균 제곱 에러 __평균 절댓값 에러 __루트 평균 제곱 로그 에러 __R 제곱 계수 값 __자전거 공유 데이터 집합을 이용한 성능 메트릭스 계산 ____선형 모델 ____의사결정 트리 모델 성능 향상과 매개변수 튜닝 __타겟 변수를 변환 ____로그 변환한 타겟으로 트레이닝할 때의 영향 __모델 매개변수 튜닝 ____매개변수를 평가하기 위한 데이터 집합 트레이닝과 테스트 생성 ____선형 모델에 적용하는 매개변수 설정의 영향 ____의사결정 트리에 매개변수 설정 값을 적용할 때의 영향 정리 7 스파크를 이용한 클러스터 구축 모델 구현 클러스터 모델의 타입 __K 평균 클러스터 ____초기화 메소드 ____변수 __혼합 모델 __계층적인 클러스터 데이터에서 적절한 특징 추출 __무비렌즈 데이터 집합에서 특징 추출 ____영화 장르 레이블 추출 ____추천 모델 트레이닝 ____정규화 클러스터 모델 트레이닝 __무비렌즈 데이터 집합을 이용해 구성한 클러스터 모델 트레이닝 클러스터 모델을 이용한 예측 __무비렌즈 데이터 집합에 대한 클러스터 예측 해석 ____영화 클러스터 해석 클러스터화한 모델의 성능 평가 __내부 평가 메트릭스 __외부 평가 메트릭스 __무비렌즈 데이터 집합에 적용한 메트릭스의 성능 계산 클러스터 모델에 적용하는 매개변수 튜닝 __교차 검증을 통한 K 값 선택 정리 8 스파크를 이용한 차원 축소 차원 축소의 타입 __주요 컴포넌트 분석 __단일 값 분해 __행렬 요소화를 가진 관계 __차원 축소와 같은 클러스터화 분석 데이터의 적절한 특징 추출 __LWF 데이터 집합의 특징 추출 ____얼굴 데이터 분석 ____얼굴 데이터의 가시화 ____벡터 형태로 된 얼굴 이미지 추출 ____정규화 차원 축소 모델 트레이닝 __LFW 데이터 집합에 주요 컴포넌트 분석 기법 적용 ____아이겐페이스의 가시화 ____아이겐페이스 해석 차원 축소 모델 적용 __LWF 데이터 집합에 적용한 주요 컴포넌트 분석을 이용한 데이터 주입 __주요 컴포넌트 분석과 단일 값 분해 간 관계 차원 축소 모델 평가 __LFW 데이터 집합에 단일 값 분해 적용을 위한 k 값 평가 정리 9 스파크를 이용한 고급 텍스트 프로세싱 텍스트 데이터의 중요한 면 데이터 집합에서 올바른 특징 추출 __용어 가중치 스킴 __특징 해싱 __20개 뉴스그룹 데이터 집합에서 TF-IDF 특징 추출 ____20개 뉴스그룹 데이터 분석 ____기본적인 토큰화 기능 적용 ____토큰화 향상 ____중지 단어 제거 ____빈도수를 바탕으로 단어 제거 ____스테밍에 대한 참고 ____TF-IDF 모델 트레이닝 ____TF-IDF 가중치 분석 TF-IDF 모델 사용 __20개의 뉴스그룹 데이터 집합과 TF-IDF 특징을 이용한 문서 유사성 __TF-IDF를 이용한 20개 뉴스그룹 데이터 집합의 텍스트 분류자 트레이닝 텍스트 프로세싱의 영향 평가 __20개의 뉴스그룹 데이터 집합을 이용해서 원본 특징과 프로세싱된 TF-IDF 특징 비교 Word2Vec 모델 __20개 뉴스그룹 데이터 집합에 Word2Vec 적용 정리 10 스파크 스트리밍을 이용한 실시간 머신 러닝 온라인 러닝 스트림 프로세싱 __스파크 스트리밍에 대한 소개 ____입력 소스 ____변환 ____액션 ____윈도우 연산자 __스파크 스트리밍을 이용한 캐싱과 고장 허용 스파크 스트리밍 애플리케이션 개발 __생산자 애플리케이션 __기본적인 스트리밍 애플리케이션 개발 __스트리밍 분석 __스테이트풀 스트리밍 스파크 스트리밍을 이용한 온라인 러닝 __스트리밍 회귀 __간단한 스트리밍 회귀 프로그램 ____스트리밍 데이터 생산자 개발 ____스트리밍 회귀 모델 생성 __스트리밍 K 평균 온라인 모델 평가 __모델 성능과 스파크 스트리밍 비교 정리
