HOME > Detail View

Detail View

(IT 엔지니어를 위한) 머신러닝 이론 입문 (Loan 70 times)

Material type
단행본
Personal Author
中井悅司, 1971- 김범준, 역 곽동민, 감수
Title Statement
(IT 엔지니어를 위한) 머신러닝 이론 입문 / 나카이 에츠지 지음 ; 김범준 옮김
Publication, Distribution, etc
파주 :   위키북스,   2016  
Physical Medium
xxvii, 258 p. : 삽화, 도표 ; 24 cm
Series Statement
DS 데이터 사이언스 시리즈 ;001
Varied Title
ITエンジニアのための機械学習理論入門
ISBN
9791158390334
General Note
감수: 곽동민  
부록수록  
Bibliography, Etc. Note
참고문헌(p. 249-251)과 색인수록
000 00000cam c2200205 c 4500
001 000045874871
005 20160624162455
007 ta
008 160624s2016 ggkad b 001c kor
020 ▼a 9791158390334 ▼g 93000
035 ▼a (KERIS)BIB000014101947
040 ▼a 211046 ▼c 211046 ▼d 211009
041 1 ▼a kor ▼h jpn
082 0 4 ▼a 006.31 ▼2 23
085 ▼a 006.31 ▼2 DDCK
090 ▼a 006.31 ▼b 2016z5
100 1 ▼a 中井悅司, ▼d 1971-
245 2 0 ▼a (IT 엔지니어를 위한) 머신러닝 이론 입문 / ▼d 나카이 에츠지 지음 ; ▼e 김범준 옮김
246 1 9 ▼a ITエンジニアのための機械学習理論入門
246 3 ▼a Aiti enjinia no tame no kikai gakushu riron nyumon
260 ▼a 파주 : ▼b 위키북스, ▼c 2016
300 ▼a xxvii, 258 p. : ▼b 삽화, 도표 ; ▼c 24 cm
440 0 0 ▼a DS 데이터 사이언스 시리즈 ; ▼v 001
500 ▼a 감수: 곽동민
500 ▼a 부록수록
504 ▼a 참고문헌(p. 249-251)과 색인수록
700 1 ▼a 김범준, ▼e
700 1 ▼a 곽동민, ▼e 감수
900 1 0 ▼a 나카이 에츠지, ▼e
900 1 0 ▼a Nakai, Etsuji, ▼e
945 ▼a KLPA

Holdings Information

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 2016z5 Accession No. 121236990 Availability Available Due Date Make a Reservation Service B M
No. 2 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.31 2016z5 Accession No. 121239524 Availability Available Due Date Make a Reservation Service B M

Contents information

Book Introduction

IT 개발자 중에서 머신러닝 알고리즘을 공부하고 싶어하며 그 알고리즘 속에 포함된 이론을 이해하여 업무에 활용하고 싶어하는 독자를 대상으로 쓰여졌다. '데이터 분석 결과를 업무 판단에 이용한다'라는 개념을 가지고 각종 알고리즘을 설명한 책이다.

알고리즘의 이해를 위해 이 책에서는 머신러닝 이론을 수학적인 배경부터 하나씩 차근차근 설명합니다. 또 파이썬으로 샘플 프로그램을 실행해 볼 수 있도록 하였으며, 그 결과를 보는 것으로 머신러닝을 지탱하는 이론을 실감할 수 있도록 구성돼 있다.

머신러닝의 바탕이 되는 데이터 사이언스의 본질을 이해하자!

현재 화제가 되고 있는 머신러닝(기계학습)의 툴과 라이브러리는 내부에서 어떻게 계산을 하는 걸까? 계산해서 얻은 결과는 어떤 의미를 담고 있을까? 그 결과를 어떻게 비즈니스적으로 활용하면 좋을까? 이런 의문을 가진 엔지니어가 늘고 있습니다.

이 책은 IT 개발자 중에서 머신러닝 알고리즘을 공부하고 싶어하며 그 알고리즘 속에 포함된 이론을 이해하여 업무에 활용하고 싶어하는 독자를 대상으로 쓰여졌습니다. 머신러닝 기술은 여러모로 활용되겠지만 이 책은 '데이터 분석 결과를 업무 판단에 이용한다'라는 개념을 가지고 각종 알고리즘을 설명합니다.

알고리즘의 이해를 위해 이 책에서는 머신러닝 이론을 수학적인 배경부터 하나씩 차근차근 설명합니다. 또 파이썬으로 샘플 프로그램을 실행해 볼 수 있도록 하였으며, 그 결과를 보는 것으로 머신러닝을 지탱하는 이론을 실감할 수 있도록 구성돼 있습니다.


Information Provided By: : Aladin

Author Introduction

나카이 에츠지(지은이)

1971년 4월 출생. 노벨 물리학상을 진정으로 꿈꾸며 이론물리학 연구에 몰두한 학생 시절, 대학 입시 교육에 열정을 기울인 예비학교 강사 시절을 지나 화려하게 변신해 외국계 벤더에서 리눅스 엔지니어를 생업으로 하기에 이르렀고, 미묘한 인연이 계속되어 유닉스/리눅스 서버와 인생을 같이 함. 그 후 리눅스 디스트리뷰터의 에반젤리스트를 거쳐서 현재는 미국계 IT 기업의 Cloud Solutions Architect로 활동함. 최근에는 머신 러닝을 비롯한 데이터 활용 기술의 기초를 세상에 알리기 위해 강연하거나 잡지 기고 및 서적 집필에도 주력하고 있음. 주요 저서로는 『[개정신판] 프로를 위한 Linux 시스템 구축 활용기술』, 『Docker 실천 입문』, 『IT 엔지니어를 위한 머신 러닝 이론 입문』(모두 기술평론사), 『Tensorflow로 배우는 딥러닝 입문』(마이나비 출판) 등이 있음.

김범준(옮긴이)

일본 호세이대학 경영학부를 졸업했다. 대학 시절 취미로 프로그래밍을 시작한 것을 계기로 이 업계에 발을 들여놓게 됐으며, 한국과 일본에서 임베디드 시스템과 게임 관련 회사에서 개발 프로젝트를 진행했다. 번역서로는 《파이썬으로 다시 배우는 핵심 고등 수학》 《엔지니어를 위한 선형대수》 《기초 수학으로 이해하는 머신러닝 알고리즘》 《프랙티컬 C#》 《정석으로 배우는 딥러닝》 《러닝스쿨! 파이썬 교과서》 《유니티 UI 디자인 교과서》 《머신러닝 이론 입문》 《모던 C 언어 프로그래밍》 《따라 하면서 배우는 유니티 3D 입문》이 있으며, 저서로는 《만들면서 배우는 OS커널의 구조와 원리》 《뇌를 자극하는 하드웨어 입문》이 있다.

곽동민(감수)

소프트웨어 개발 12년차로서 컴퓨터과학 학사를 시작으로 대학원에서 머신러닝 및 검색엔진을 전공하였으며, 현재는 통계학 학사를 취득 중에 있다. 여러 회사에서 대용량의 자연어처리, 영상처리, 검색엔진, 머신러닝 프로젝트를 진행하면서 관련 경험과 지식을 축적하였고, 지금도 관련 기업에서 딥러닝 프로젝트를 진행하고 있다. 한 번의 인공지능 서비스 관련 스타트업 창업 경험과 Talent Acquisition 경험을 통해 인공지능과 비지니스의 융합, 스타트업에 큰 관심을 갖게 되었으며, 늘 관련 분야에 대한 고민을 즐기고 있다. 축적한 지식을 같이 공유하고자 『머신러닝에서 딥러닝까지』라는 저서를 집필하였다.

Information Provided By: : Aladin

Table of Contents

▣ 01장: 데이터 과학과 머신러닝 
1.1 업무상에서 데이터 과학이 하는 역할 
1.2 머신러닝 알고리즘 분류 
___1.2.1 분류: 클래스 판정을 산출하는 알고리즘 
___1.2.2 회귀분석: 수치를 예측하는 알고리즘 
___1.2.3 클러스터링: 지도자 없이 그룹화하는 알고리즘 
___1.2.4 그 밖의 알고리즘 
1.3 이 책에서 사용하는 예제 
___1.3.1 회귀분석에 의한 관측값 추측 
___1.3.2 선형판별에 의한 신규 데이터 분류 
___1.3.3 이미지 파일 감색 처리(대표색 추출) 
___1.3.4 손글씨 문자 인식 
1.4 분석 도구 준비 
___1.4.1 이 책에서 사용할 데이터 분석 도구 
___1.4.2 실행 환경 설치 순서(CentOS 6) 
___1.4.3 실행 환경 설치 순서(Mac OS X) 
___1.4.4 실행 환경 설정 순서(Windows 7/8.1) 
___1.4.5 IPython 사용법 

▣ 02장: 최소제곱법 - 머신러닝 이론의 첫 걸음 
2.1 다항식 근사와 최소제곱법에 의한 추정 
___2.1.1 트레이닝 세트의 특징 변수와 목적 변수 
___2.1.2 다항식 근사와 오차함수 설정 
___2.1.3 오차함수를 최소화할 수 있는 조건 
___2.1.4 예제 코드로 확인한다 
___2.1.5 통계모델이라는 관점에서 최소제곱법이란 
2.2 오버 피팅 검출 
___2.2.1 트레이닝 셋과 테스트 셋 
___2.2.2 테스트 셋으로 검증한 결과 
___2.2.3 교차 검증을 통해 일반화 능력을 검증한다 
___2.2.4 데이터 개수에 따른 오버 피팅 변화 
2.3 부록 - 헤세행렬의 성질 

▣ 03장: 최우추정법 - 확률을 사용한 추정 이론 
3.1 확률 모델을 이용한다 
___3.1.1 데이터 발생 확률 설정 
___3.1.2 우도함수로 파라미터를 평가한다 
___3.1.3 예제 코드로 확인한다 
3.2 단순한 예로 설명한다 
___3.2.1 정규분포의 파라메트릭 모델 
___3.2.2 예제 코드로 확인한다 
___3.2.3 추정량을 평가하는 방법(일치성과 불편성) 
3.3 부록-표본평균ㆍ표본분산의 일치성과 불편성 
___3.3.1 표본평균ㆍ표본분산의 일치성과 불편성 증명 
___3.3.2 예제 코드로 확인한다 

▣ 04장: 퍼셉트론 - 분류 알고리즘 기초 
4.1 확률적 기울기 하강법 알고리즘 
___4.1.1 평면을 분할하는 직선의 방정식 
___4.1.2 오차함수를 사용하여 분류 결과를 평가한다 
___4.1.3 기울기 벡터로 파라미터를 수정한다 
___4.1.4 예제 코드로 확인한다 
4.2 퍼셉트론을 기하학적으로 해석한다 
___4.2.1 바이어스 항의 임의성과 알고리즘 수렴 속도 
___4.2.2 퍼셉트론의 기하학적 해석 
___4.2.3 바이어스 항의 기하학적인 의미 

▣ 05장: 로지스틱 회귀와 ROC 곡선 - 학습 모델을 평가하는 방법 
5.1 분류 문제에 최우추정법을 적용한다 
___5.1.1 데이터 발생 확률 설정 
___5.1.2 최우추정법으로 파라미터를 결정한다 
___5.1.3 예제 코드로 확인한다 
5.2 ROC 곡선으로 학습 모델을 평가한다 
___5.2.1 로지스틱 회귀를 현실 문제에 적용한다 
___5.2.2 ROC 곡선으로 성능 평가 
___5.2.3 예제 코드로 확인한다 
5.3 부록 - IRLS법 도출 

▣ 06장: k-평균법 - 비지도 학습모델 기초 
6.1 k-평균법을 통한 클러스터링과 그 응용 
___6.1.1 비지도 학습모델 클러스터링 
___6.1.2 k-평균법을 사용한 클러스터링 
___6.1.3 이미지 데이터에 응용 
___6.1.4 예제 코드로 확인한다 
___6.1.5 k-평균법의 수학적 근거 
6.2 게으른 학습모델로서의 k-최근접이웃 
___6.2.1 k-최근접이웃으로 분류 
___6.2.2 k-최근접이웃의 문제점 

▣ 07장: EM 알고리즘 - 최우추정법에 의한 비지도 학습 
7.1 베르누이 분포를 사용한 최우추정법 
___7.1.1 손글씨 문자 합성 방법 
___7.1.2 이미지 생성기와 최우추정법 
7.2 혼합분포를 사용한 최우추정법 
___7.2.1 혼합분포로 확률계산 
___7.2.2 EM 알고리즘 절차 
___7.2.3 예제 코드로 확인한다 
___7.2.4 클러스터링으로 데이터를 해석한다 
7.3 부록 - 손글씨 문자 데이터를 다운로드한다 

▣ 08장: 베이즈 추정 - 데이터를 기반으로 확신을 더하는 방법 
8.1 베이즈 추정 모델과 베이즈 정리 
___8.1.1 베이즈 추정의 개념 
___8.1.2 베이즈 정리 입문 
___8.1.3 베이즈 추정으로 정규분포를 정한다: 파라미터 추정 
___8.1.4 베이즈 추정으로 정규분포를 결정한다: 관측값의 분포를 추정 
___8.1.5 예제 코드로 확인한다 
8.2 베이즈 추정을 회귀분석에 응용 
___8.2.1 파라미터의 사후분포 계산 
___8.2.2 관측값의 분포를 추정 
___8.2.3 예제 코드로 확인한다 
8.3 부록-최우추정법과 베이즈 추정의 관계

New Arrivals Books in Related Fields

National Academies of Sciences, Engineering, and Medicine (U.S.) (2020)
Cartwright, Hugh M. (2021)
한국소프트웨어기술인협회. 빅데이터전략연구소 (2021)