HOME > Detail View

Detail View

머신 러닝과 통계 : 파이썬과 R로 배우는 머신 러닝 (Loan 31 times)

Material type
단행본
Personal Author
Dangeti, Pratap 이병욱, 역
Title Statement
머신 러닝과 통계 : 파이썬과 R로 배우는 머신 러닝 / 프라탑 단게티 지음 ; 이병욱 옮김
Publication, Distribution, etc
서울 :   에이콘,   2018  
Physical Medium
494 p. : 삽화, 도표 ; 24 cm
Series Statement
Acorn + PACKT technical book 시리즈
Varied Title
Statistics for machine learning : build supervised, unsupervised, and reinforcement learning models using both Python and R
ISBN
9791161751191 9788960772106 (Set)
Bibliography, Etc. Note
참고문헌(p. 489)과 색인수록
Subject Added Entry-Topical Term
Machine learning --Statistical methods Mathematical statistics --Data processing
000 00000cam c2200205 c 4500
001 000045937405
005 20180328181247
007 ta
008 180328s2018 ulkad b 001c kor
020 ▼a 9791161751191 ▼g 94000
020 1 ▼a 9788960772106 (Set)
035 ▼a (KERIS)BIB000014746088
040 ▼a 211029 ▼c 211029 ▼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 2018z8
100 1 ▼a Dangeti, Pratap ▼0 AUTH(211009)80609
245 1 0 ▼a 머신 러닝과 통계 : ▼b 파이썬과 R로 배우는 머신 러닝 / ▼d 프라탑 단게티 지음 ; ▼e 이병욱 옮김
246 1 9 ▼a Statistics for machine learning : ▼b build supervised, unsupervised, and reinforcement learning models using both Python and R
260 ▼a 서울 : ▼b 에이콘, ▼c 2018
300 ▼a 494 p. : ▼b 삽화, 도표 ; ▼c 24 cm
440 0 0 ▼a Acorn + PACKT technical book 시리즈
504 ▼a 참고문헌(p. 489)과 색인수록
650 0 ▼a Machine learning ▼x Statistical methods
650 0 ▼a Mathematical statistics ▼x Data processing
700 1 ▼a 이병욱, ▼e▼0 AUTH(211009)1768
900 1 0 ▼a 단게티, 프라탑, ▼e
945 ▼a KLPA

No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Main Library/Monographs(3F)/ Call Number 006.31 2018z8 Accession No. 111788637 Availability In loan Due Date 2021-09-06 Make a Reservation Available for Reserve R Service M
No. 2 Location Main Library/Monographs(3F)/ Call Number 006.31 2018z8 Accession No. 111789416 Availability In loan Due Date 2021-07-05 Make a Reservation Service M
No. 3 Location Main Library/Monographs(3F)/ Call Number 006.31 2018z8 Accession No. 111847699 Availability In loan Due Date 2021-07-02 Make a Reservation Service M
No. 4 Location Science & Engineering Library/Sci-Info(Stacks1)/ Call Number 006.31 2018z8 Accession No. 121253808 Availability Available Due Date Make a Reservation Service B M
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Main Library/Monographs(3F)/ Call Number 006.31 2018z8 Accession No. 111788637 Availability In loan Due Date 2021-09-06 Make a Reservation Available for Reserve R Service M
No. 2 Location Main Library/Monographs(3F)/ Call Number 006.31 2018z8 Accession No. 111789416 Availability In loan Due Date 2021-07-05 Make a Reservation Service M
No. 3 Location Main Library/Monographs(3F)/ Call Number 006.31 2018z8 Accession No. 111847699 Availability In loan Due Date 2021-07-02 Make a Reservation Service M
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 2018z8 Accession No. 121253808 Availability Available Due Date Make a Reservation Service B M

Contents information

Book Introduction

통계와 머신 러닝의 관계에 대해 기초적인 개념을 정립할 수 있도록 돕는다. 또한 지도학습, 비지도학습, 강화학습에 이르기까지 머신 러닝에서 주로 사용되는 대부분의 기법에 대해 파이썬과 R 예제를 제공한다. 책의 초반에 통계와 머신 러닝의 전반적인 관계에 대해 설명한 다음, 지도학습, 비지도학습, 강화학습 순으로 각각의 기법에서 통계적 방법과 머신 러닝 기법을 비교하며 설명한다.

통계와 머신 러닝의 관계에 대해 기초적인 개념을 정립할 수 있도록 돕는다. 또한 지도학습, 비지도학습, 강화학습에 이르기까지 머신 러닝에서 주로 사용되는 대부분의 기법에 대해 파이썬과 R 예제를 제공한다.
책의 초반에 통계와 머신 러닝의 전반적인 관계에 대해 설명한 다음, 지도학습, 비지도학습, 강화학습 순으로 각각의 기법에서 통계적 방법과 머신 러닝 기법을 비교하며 설명한다. 거의 대부분의 예제에 대해서 파이썬과 R 코드를 같이 제공하기 때문에 코드를 직접 실행해 가면서 책을 읽을 수 있다.

★ 이 책에서 다루는 내용 ★

■ 모델 구축에 필요한 머신 러닝과 통계학 기초 이해
■ 문제 해결을 위한 통계적 방식과 머신 러닝 방식 사이의 차이점 및 유사점 이해
■ 데이터를 준비하는 방법 및 준비된 데이터로 R과 파이썬 패키지의 머신 러닝 알고리즘을 사용해 모델을 직접 구축하는 방법
■ 결과를 분석하고 목적에 맞게끔 모델을 튜닝하는 방법
■ 머신 러닝을 위해 필요한 통계학 개념 이해
■ 지도학습과 딥러닝 비지도학습 모델에 필요한 필수 기초 지식
■ 강화학습과 인공지능 응용분야

★ 이 책의 대상 독자 ★

이 책은 머신 러닝을 시스템에 구현하려는 사람이라면 통계학 지식의 유무와 상관없이 읽을 수 있다. R과 파이썬 프로그래밍에 관한 사전 지식은 많은 도움이 된다.

★ 이 책의 구성 ★

1장, '통계로부터 머신 러닝으로의 여행'에서는 통계와 머신 러닝의 기초 및 기본 요소를 소개한다. 모든 기초 지식은 전체 장에 걸쳐 파이썬과 R 코드를 통해 설명한다.
2장, '통계학과 머신 러닝의 유사점'에서는 선형 회귀와 라소/리지 회귀 예제를 통해 통계 모델링과 머신 러닝 사이의 차이점과 유사점을 비교해본다.
3장, '로지스틱 회귀와 랜덤 포레스트'에서는 분류 예제를 통해 로지스틱 회귀와 랜덤 포레스트의 세부 단계를 상세히 설명하면서 비교한다. 이 장이 끝날 때쯤에는 통계학과 머신 러닝 두 주류 학문에 관한 큰 그림을 그릴 수 있을 것이다.
4장, '트리 기반 머신 러닝 모델'에서는 실제 현업에서 많이 사용되고 있는 다양한 트리 기반 머신 러닝 모델을 알아본다. HR 퇴사자 데이터 예제를 통해 의사결정 트리(decision trees), 배깅(bagging), 랜덤 포레스트(random forest), 에이다 부스트(AdaBoost), 기울기 부스팅(gradient boosting), XG부스트X(GBoost)를 파이썬과 R 언어를 사용해 배운다.
5장, 'K-최근접 이웃과 나이브 베이즈'에서는 간단한 머신 러닝 기법인 k-최근접 이웃을 유방암 데이터와 함께 설명한다. 나이브 베이즈 모델은 다양한 자연어 전처리 기술, 메시지 분류 예제와 함께 설명한다.
6장, '서포트 벡터 머신과 신경망'에서는 서포트 벡터 머신과 관련한 다양한 기능에 관해 기술하고 커널 함수 사용법을 알아본다. 그런 다음, 신경망을 소개하고 딥러닝의 기초에 관한 모든 것을 다룬다.
7장, '추천 엔진'에서는 사용자-사용자 유사도 행렬로부터 찾아낸 '유사한 사람'의 정보에서 '유사한 영화'를 찾는 방법을 알아본다. 두 번째 절에서는 코사인 유사도(cosine similarity)를 계산한 후 영화-영화 유사도 행렬을 구성해 추천 시스템을 직접 만들어본다. 마지막으로 최종 추천을 위해 사용자와 영화 간에 교대 최소 자승법을 활용한 협업 필터링(collaborative filtering) 기술을 사용한다.
8장, '비지도학습'에서는 K-평균 군집화(k-means clustering), 주성분 분석(principal component analysis), 특이값 분해(singular value decomposition), 딥러닝 기반의 딥 오토 인코더(deep auto encoders) 같은 다양한 기술을 소개한다. 마지막 부분에서는 딥 오토 인코더가 전통적인 PCA기법과 비교했을 때 갖고 있는 장점을 알아본다.
9장, '강화학습'에서는 에피소드 상태를 통해 최적 경로를 학습하는 마르코프 결정 프로세스 (Markov decision process), 동적 프로그래밍(dynamic programming), 몬테카를로 기법(Monte Carlo methods), 시간차 학습(temporal difference learning)과 같은 완전 탐색 기법(exhaustive techniques)에 관해 알아본다.
마지막에는 머신 러닝과 강화학습을 사용한 좋은 응용 사례 몇 가지를 소개한다.


Information Provided By: : Aladin

Author Introduction

프라탑 단게티(지은이)

방갈로 TCS 혁신 연구소의 '분석과 통찰' 부서에서 구조화 이미지 및 텍스트 솔루션 개발과 관련된 머신 러닝과 딥러닝 솔루션을 개발하고 있다. 분석학과 데이터 과학 분야에 폭넓은 경험을 갖고 있으며, 봄베이 IIT에서 산업공학과 오퍼레이션 리서치로 석사 학위를 받았다. 인공지능에 큰 관심을 갖고 있으며, 쉬는 날에는 차세대 기술과 혁신적 기법과 관련된 책을 즐겨 읽는다.

이병욱(옮긴이)

(주)크라스랩 대표 이사이자 서울과학종합대학원 디지털금융 MBA 주임교수를 맡고 있다. 한국과학기술원(KAIST) 전산학과 계산이론 연구실에서 학사 및 석사학위를 취득했다. 공학을 전공한 금융 전문가로 세계 최초의 핸드 헬드-PC(Handheld-PC) 개발에 참여해 한글 윈도우 CE 1.0과 2.0을 마이크로 소프트 사에서 공동 개발했다. 1999년에는 전 보험사 보험료 실시간 비교 서비스를 제공하는 핀테크 전문회사인 (주)보험넷을 창업해 업계에 큰 반향을 불러일으켰다. 이후 삼성생명을 비롯한 생명 및 손해 보험사에서 CMO(마케팅 총괄 상무), CSMO(영업 및 마케팅 총괄 전무) 등을 역임하면서 혁신적인 상품과 서비스를 개발 및 총괄했다. 세계 최초로 파생 상품 ELS를 기초 자산으로 한 변액 보험을 개발해 단일 보험 상품으로 5,000억 원 이상 판매되는 돌풍을 일으켰고, 매일 분산 투자하는 일 분산 투자(daily averaging) 변액 보험을 세계 최초로 개발해 상품 판매 독점권을 획득했다. 최근에는 머신러닝 기반의 금융 분석과 블록체인에 관심을 갖고 다양한 활동을 하고 있다. 저서로는 『블록체인 해설서』(에이콘, 2019)와 『비트코인과 블록체인, 가상자산의 실체 2/e』(에이콘, 2020)이 있다.

Information Provided By: : Aladin

Table of Contents

1장. 통계학에서 머신 러닝으로의 여행 

__모델 구축과 검증을 위한 통계 용어 
____머신 러닝 
____통계 모델링과 머신 러닝의 주요 차이점 
____머신 러닝 모델 개발과 배치를 위한 단계 
____통계학 기초 및 모델 구축과 검증에 관련된 용어 
____편향과 분산의 트레이드 오프 
____훈련 데이터와 테스트 데이터 
__모델 구축과 검증을 위한 머신 러닝 용어 
____선형 회귀 vs 기울기 하강법 
____머신 러닝 손실 
____머신 러닝 모델 튜닝을 멈추는 시점 
____훈련, 검증, 테스트 데이터 
____교차 검증 
____그리드 검색 
__머신 러닝 모델 개관 
__요약 


2장. 통계학과 머신 러닝의 유사점 

__회귀와 머신 러닝 모델의 비교 
__머신 러닝 모델의 보상 요인들 
____선형 회귀의 가정들 
____선형 회귀 모델링에 적용된 단계들 
____기본 원리로 해결하는 간단한 선형 회귀 예제 
____와인 품질 데이터를 이용한 단순 선형 회귀 예제 
____다중 선형 회귀 예제 - 모델 구축을 위한 단계별 기법 
________후진 제거법과 전진 선택법 
__머신 러닝 모델 - 리지와 라소 회귀 
____리지 회귀 분석 머신 러닝 예 
____라소 회귀 분석 머신 러닝 모델 
____선형 회귀와 리지/라소 회귀의 매개변수 정규화 
__요약 


3장. 로지스틱 회귀 vs 랜덤 포레스트 

__최대 우도 추정 
__로지스틱 회귀 - 소개 및 장점 
____로지스틱 회귀에서 사용되는 용어 
____로지스틱 회귀 모델링의 적용 단계 
____독일 신용 데이터를 이용한 로지스틱 회귀 예 
__랜덤 포레스트 
____독일 신용 데이터를 이용한 랜덤 포레스트 예 
________랜덤 포레스트에서의 그리드 검색 
__변수 중요도 그래프 
__로지스틱 회귀와 랜덤 포레스트 비교 
__요약 


4장. 트리 기반 머신 러닝 모델 
__결정 트리 분류기 소개 
____결정 트리에 사용되는 용어들 
____기본 원리로 본 결정 트리의 작동 원리 
__로지스틱 회귀와 결정 트리 비교 
__다양한 모델 형식 간의 오차항 비교 
__이상적인 영역으로 가는 개선책 
__HR 퇴직율 데이터 예제 
__의사결정 트리(DT) 분류기 
__트리 분류기의 가중값 튜닝 
__배깅 분류기 
__랜덤 포레스트 분류기 
__랜덤 포레스트 - 그리드 검색 
__에이다 부스트 분류기 
__기울기 부스팅 분류기 
__에이다 부스팅과 기울기 부스팅의 비교 
__극단 기울기 부스팅 - XG 부스트 분류기 
__앙상블들의 앙상블 - 모델 스태킹 
__서로 다른 분류기 형태 간의 앙상블들의 앙상블 
__동일 형식 분류기를 사용한 부트스트랩 표본을 통한 앙상블들의 앙상블 
__요약 


5장. K-최근접 이웃과 나이브 베이즈 

__K-최근접 이웃 
____KNN투표 예제 
____차원의 저주 
________차원의 저주 1차, 2차, 3차원 예제 
__위스콘신 유방암 진단 데이터를 이용한 KNN 분류기 
__KNN분류기에서 K 값 튜닝 
__나이브 베이즈 
__확률 기초 
____결합 확률 
__조건부 확률과 베이즈 정리의 이해 
__나이브 베이즈 분류기 
__라플라스 계산 
__나이브 베이즈 SMS 스팸 분류 예 
__요약 


6장. 서포트 벡터 머신과 신경망 

__SVM 동작 원리 
____최대 마진 분류기 
____서포트 벡터 분류기 
____서포트 벡터 머신 
__커널 함수 
__SVM 다중 레이블 분류기를 사용한 문자 인식 예제 
____최대 마진 분류기 - 선형 커널 
____다항 커널 
____RBF 커널 
__인공 신경망 
__활성 함수 
__순전파와 역전파 
__신경망의 최적화 
____확률 경사 하강법(SGD) 
____모멘텀 
____NAG 
____에이다 그래드 
____에이다 델타 
____RMS프랍 
____적응 모멘트 계산 - Adam 
____L-BFGS 최적화 알고리즘 
__신경망에서의 드롭아웃 
__scikit-learn을 사용해 필기체 숫자 인식에 적용한 ANN 분류기 
__딥러닝 소개 
____해결 기법 
____딥러닝 소프트웨어 
____필기체 숫자 인식을 위해 케라스를 사용한 딥 신경망 분류기 
__요약 


7장. 추천 엔진 

__내용 기반 필터링 
____코사인 유사도 
__협업 필터링 
____내용 기반 필터링 대비 협업 필터링의 장점 
____협업 필터링을 위한 교대 최소 자승법에 의한 행렬 인수 분해 
__추천 엔진 모델의 평가 
____그리드 검색을 사용한 추천 엔진의 초매개변수 선택 
____무비렌즈 데이터에 적용한 추천 엔진 
________사용자-사용자 유사도 행렬 
________영화-영화 유사도 행렬 
________ALS를 사용한 협업 필터링 
________협업 필터링에서의 그리드 검색 
__요약 


8장. 비지도학습 

__K-평균 군집화 
____K-평균 군집화 기본 작동 원리362 
____최적 클러스터 개수와 클러스터 평가 
________엘보 기법 
____붓꽃 데이터 예제를 이용한 K-평균 군집화 
__주성분 분석 - PCA 
____기본 원리로 본 PCA작동 기법 
____scikit-learn를 활용한 필기체 숫자 인식에 PCA적용 
__특이점 분해 - SVD 
________scikit-learn를 사용한 필기체 숫자에 SVD적용 
__딥 오토 인코더 
__인코더-디코더 구조를 이용한 모델 구축 기법 
__케라스를 이용한 필기체 숫자 인식에 딥 오토 인코더 적용 
__요약 


9장. 강화학습 

__강화학습 소개 
__지도?비지도?강화학습의 상세 비교 
__강화학습의 특성 
__강화학습 기초 
____범주 1 - 가치 기반 
____범주 2 - 정책 기반 
____범주 3 - 액터 크리틱 
____범주 4 - 비모델 기반 
____범주 5 - 모델 기반 
____순차적 의사결정의 기본 범주 
__마르코프 결정 프로세스와 벨만 방정식 
__동적 프로그래밍 
____동적 프로그래밍으로 최적 정책을 계산하는 알고리즘 
__파이썬으로 격자 세상에 가치와 정책 반복 알고리즘 구현 
__몬테카를로 기법 
____동적 프로그래밍과 몬테카를로 기법의 비교 
____DP기법 대비 MC기법의 핵심 우위점 
____몬테카를로 예측 
____그리드 문제에 적용한 몬테카를로 예측의 적합성 
____파이썬을 사용해 블랙잭 게임을 몬테카를로 기법으로 모델링 
__시간차 학습 
____몬테카를로 기법과 시간차 학습의 비교 
____TD 예측 
____TD 학습을 위한 회사까지 운전 예제 
____SARSA 온-폴리시 TD 제어 
__Q-러닝 오프-폴리시 TD 제어 
__절벽 걷기 예제에 적용한 온-폴리시와 오프-폴리시 TD 제어 
__머신 러닝과 딥러닝을 통합한 강화학습의 응용 
____자율 운행 제어 - 자율 주행 차량 
____구글 딥마인드의 알파고 
____로봇 축구 
__참고문헌 
__요약

New Arrivals Books in Related Fields

Baumer, Benjamin (2021)
데이터분석과인공지능활용편찬위원회 (2021)
Harrison, Matt (2021)