HOME > Detail View

Detail View

파이썬으로 배우는 대규모 머신 러닝 : 대규모 데이터 분석과 처리를 위한 다양한 머신 러닝 기법 활용

파이썬으로 배우는 대규모 머신 러닝 : 대규모 데이터 분석과 처리를 위한 다양한 머신 러닝 기법 활용 (Loan 7 times)

Material type
단행본
Personal Author
Sjardin, Bastiaan Massaron, Luca, 저 Boschetti, Alberto, 저 이미정, 역
Title Statement
파이썬으로 배우는 대규모 머신 러닝 : 대규모 데이터 분석과 처리를 위한 다양한 머신 러닝 기법 활용 / 바스티앙 스야딘, 루카 마싸론, 알베르토 보스체티 지음 ; 이미정 옮김
Publication, Distribution, etc
서울 :   에이콘,   2017  
Physical Medium
526 p. : 삽화 ; 24 cm
Series Statement
Acorn+PACKT technical book
Varied Title
Large scale machine learning with Python : learn to build powerful machine learning models quickly and deploy large-scale predictive applications
ISBN
9791161750224 9788960772106 (Set)
General Note
부록: GPU 및 Theano 소개  
색인수록  
Subject Added Entry-Topical Term
Machine learning Python (Computer program language)
000 00000cam c2200205 c 4500
001 000045962868
005 20181129162049
007 ta
008 181128s2017 ulka 001c kor
020 ▼a 9791161750224 ▼g 94000
020 1 ▼a 9788960772106 (Set)
035 ▼a (KERIS)BIB000014544379
040 ▼a 211043 ▼c 211043 ▼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 2017z31
100 1 ▼a Sjardin, Bastiaan ▼0 AUTH(211009)90250
245 1 0 ▼a 파이썬으로 배우는 대규모 머신 러닝 : ▼b 대규모 데이터 분석과 처리를 위한 다양한 머신 러닝 기법 활용 / ▼d 바스티앙 스야딘, ▼e 루카 마싸론, ▼e 알베르토 보스체티 지음 ; ▼e 이미정 옮김
246 1 9 ▼a Large scale machine learning with Python : ▼b learn to build powerful machine learning models quickly and deploy large-scale predictive applications
260 ▼a 서울 : ▼b 에이콘, ▼c 2017
300 ▼a 526 p. : ▼b 삽화 ; ▼c 24 cm
440 0 0 ▼a Acorn+PACKT technical book
500 ▼a 부록: GPU 및 Theano 소개
500 ▼a 색인수록
650 0 ▼a Machine learning
650 0 ▼a Python (Computer program language)
700 1 ▼a Massaron, Luca, ▼e▼0 AUTH(211009)47159
700 1 ▼a Boschetti, Alberto, ▼e▼0 AUTH(211009)122731
700 1 ▼a 이미정, ▼e▼0 AUTH(211009)99863
900 1 0 ▼a 스야딘, 바스티앙, ▼e
900 1 0 ▼a 마싸론, 루카, ▼e
900 1 0 ▼a 보스체티, 알베르토, ▼e
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 2017z31 Accession No. 111800035 Availability Available Due Date Make a Reservation Service B M

Contents information

Book Introduction

파이썬을 활용해 대규모 데이터 세트에 머신 러닝을 적용하는 방법을 안내한다. 실제 파이썬 코드를 이용해 현재 가장 많이 사용되는 머신 러닝 기법들과 프레임워크로 대규모 데이터 세트를 처리하는 방법을 설명하고 있다. 기본적으로 파이썬 문법과 머신 러닝 개념을 어느 정도 숙지한 중급 독자를 위한 책으로, 통계와 수학에 대한 실무 지식이 있다면 더욱 이해하기 쉬울 것이다. 머신 러닝 분야에서 언급되는 주요 개념, 프레임워크, 알고리즘, 툴 등을 적절하게 사용하는 예를 제시한다.

★ 이 책에서 다루는 내용 ★

■ 확장성이 뛰어난 머신 러닝 알고리즘 적용 방법
■ 최신 머신 러닝 기법 활용
■ 딥러닝과 확장 가능한 데이터 처리 기법을 활용한 예측 정확도 향상
■ 스파크에서 맵리듀스 프레임워크 활용
■ 스파크 및 하둡을 활용한 효과적인 머신 러닝 알고리즘 적용 방법
■ 강력한 대규모 앙상블 생성
■ 데이터 스트림을 사용해 대규모 데이터 세트에서 선형 및 비선형 예측 모델 학습


★ 이 책의 대상 독자 ★

데이터 과학 분야의 실무자, 개발자, 그리고 크고 복잡한 데이터 세트를 다루려는 모든 사람들에게 적합하다. 가능한 한 많은 독자들을 대상으로 하려고 노력했다. 그러나 이 책이 다루는 주제가 상당히 고급 과정이라는 점을 감안했을 때 강제 사항은 아니지만 분류, 회귀, 오차 최소화 함수, 교차 검증 같은 기본적인 머신 러닝의 개념에 익숙할 것을 권장한다. 또한 이 책에서 제안하는 다양한 해결 방식의 개념을 이해하기 위해 일정 수준 이상의 수학 지식과 함께 파이썬, 주피터 노트북 및 명령행 실행에 어느 정도 경험이 있는 독자를 가정했다. 코드는 다른 언어(R, Java 및 MATLAB) 프로그래머가 따라갈 수 있는 양식으로 작성했다. 이론적으로는 머신 러닝에 익숙하며, 컴퓨터 연산, 메모리 및 I/O 성능 문제로 파이썬을 활용해 R 또는 MATLAB 같은 다른 언어를 다루는 것에 관심이 있는 데이터 과학자에게 적합하다(그러나 이에 국한되지는 않는다).

★ 지은이의 말 ★

머신 러닝은 보통 실제로 활용 가능한 인공지능의 한 부분으로 알려져 있다. 머신 러닝의 목표는 이전에 사용된 적이 없는 데이터 세트의 결과를 최대한 정확하게 예측하기 위해 기존 데이터 세트를 기반으로 하나의 함수를 찾는 것이다. 이는 레이블과 클래스의 형태(분류 문제) 또는 지속적인 값(회귀 문제)의 형태로 정의된다. 실생활에서 볼 수 있는 머신 러닝의 예는 미래 주가 예측부터 일련의 문서에서 저자의 성별을 분류하는 문제에 이르기까지 다양하다. 이 책 전체에서 파이썬으로 구현된 실제 예제를 보게 될 텐데, 이를 통해 가장 중요한 머신 러닝의 개념과 대규모 데이터 세트에 적합한 방법을 명확히 이해하게 될 것이다. 대규모 데이터 세트에 적용할 수 있는 지도 학습(분류 & 회귀)은 물론, (주성분 분석(Principal Component Analysis, PCA), 클러스터링, 주제 모델링 같은) 비지도 학습에 대해서도 살펴볼 것이다.

★ 이 책의 구성 ★

1장, ‘확장성을 향한 첫 걸음’에서는 머신 러닝을 확장하는 문제를 정확한 관점에서 설정하고, 사용할 도구에 익숙해지도록 안내한다.
2장, ‘Scikit-learn으로 확장 가능한 학습’에서는 메모리 소비가 적은 확률적 경사 하강법(Stochastic gradient descent, SGD)에 대한 전략을 설명한다. 이들은 코어에 구애 받지 않는 out-of-core 학습을 기반으로 한다. 또한 해싱 기법처럼 다양한 데이터를 처리할 수 있는 데이터 전처리 기술도 다룰 것이다.
3장, ‘빠른 SVM 구현체’에서는 서포트 벡터 머신(support vector machines) 형태로 비선형성을 찾아낼 수 있는 스트리밍 알고리즘을 다룬다. LIBLINEAR 및 Vowpal Wabbit 같은 Scikit-learn의 대안을 제시할 것이다. 이들은 외부 셸 명령으로 동작하지만, 파이썬 스크립트로 쉽게 래핑되고 호출될 수 있다.
4장, ‘신경망과 딥러닝’에서는 H2O를 활용한 대규모 애플리케이션과 함께 Theano 프레임워크에서 심층 신경망을 적용하는 유용한 방법들을 소개한다. 주목 받는 방법을 성공적으로 적용하는 것과 확장 가능한 솔루션으로 제공하는 것은 또 다른 문제일 수 있다. theanets 패키지로 오토인코더를 통한 비지도 사전 훈련 방법도 사용할 것이다.
5장, ‘텐서플로를 활용한 딥러닝’에서는 신경망을 위한 온라인 방법과 함께 주목 받는 딥러닝 기법들을 다룬다. 현재 텐서플로는 초기 단계에 불과하지만, 프레임워크가 제공하는 머신 러닝 방법은 명쾌하다. 텐서플로 환경에서 케라스를 사용한 합성곱 신경망(Convolutional Neural Networks)도 활용할 것이다.
6장, ‘분류와 회귀 트리 확장’에서는 랜덤 포레스트(random forest), 경사 부스팅(gradient boosting), XGboost를 확장하는 방법을 설명한다. 분류 및 회귀 트리의 약어인 CART는 일반적으로 앙상블 방식의 프레임워크에 적용되는 머신 러닝 기법이다. 또한 H2O를 사용하는 대규모 애플리케이션의 예를 제시할 것이다.
7장, ‘대규모 데이터에 대한 비지도 학습’에서는 비지도 학습을 자세히 살펴보는 것은 물론 PCA, 클러스터 분석, 주제 모델링과 이들을 확장하는 올바른 접근 방법에 대해 살펴볼 것이다.
8장, ‘분산 환경-하둡과 스파크’에서는 단일 머신에서 연산 네트워크로 패러다임이 이동함에 따라 가상 머신 환경에서 스파크를 설정하는 방법을 살펴본다. 파이썬으로 머신 클러스터의 용이한 결합과 성능 향상이 가능해지면서 어렵지 않게 하둡 클러스터의 힘을 활용할 수 있게 됐다.
9장, ‘스파크를 활용한 실무에서의 머신 러닝’에서는 스파크를 사용해 즉각적으로 데이터를 조작하고 대규모 데이터 세트로 예측 모델을 만들기 위해 필요한 모든 내용을 다룬다.


Information Provided By: : Aladin

Author Introduction

알베르토 보세티(지은이)

신호 처리와 통계 분야의 전문 지식을 갖춘 데이터 과학자로, 통신공학 박사 학위를 가지고 있다. 현재 런던에서 거주하며 일하고 있다. 자연어 처리 및 머신 러닝부터 분산 처리에 이르기까지 수많은 프로젝트에서 다양한 일상 문제에 직면하고 있다. 자신의 일에 매우 열정적이며 항상 데이터 과학 기술의 개발, 모임, 회의 및 기타 이벤트에 대해 최신 정보를 얻으려고 노력한다.

루카 마사론(지은이)

데이터 과학자이며 마케팅 연구 책임자로, 다변량 통계 분석 및 머신 러닝을 전문으로 하며, 10년 이상의 경험을 바탕으로 추론, 통계, 데이터 마이닝 및 알고리즘을 적용해 실생활 문제를 해결하고 이해관계자의 가치를 창출하는 고객 통찰력을 제공해왔다. 이탈리아에서 웹 이용자 분석의 선구자가 된 이후, 캐글러(Kaggler)의 상위 10위를 달성하는 데 이르기까지 데이터와 분석에 관한 모든 것에 항상 열성적이었으며 전문가와 비전문가 모두에게 데이터 기반 지식 검색의 잠재력을 일깨워줬다. 불필요한 정교함보다는 단순함을 선호한다. 데이터 과학에서 본질적인 것만 수행해도 많은 것을 성취할 수 있다고 믿는다.

바스티앙 스야딘(지은이)

인공지능 및 수학을 전공한 데이터 과학자이자 스타트업 창업자다. 레이던 대학(University of Leiden)에서 매사추세츠 공과대학(MIT) 캠퍼스 과정을 이수하고 인지 과학(cognitive science) 분야에서 석사학위를 취득했다. 지난 5년 동안 광범위한 데이터 과학 및 인공지능 프로젝트를 수행했다. 코세라(Coursera)에서 진행되는 미시간대학(University of Michigan) 소셜 네트워크 분석 과정과 존스홉킨스 대학교(Johns Hopkins University) 머신 러닝 과정의 TA를 담당하고 있다. 선호하는 프로그래밍 언어는 파이썬과 R이다. 현재 머신 러닝 및 인공지능 애플리케이션을 대규모로 제공하는 Quandbee(http://www.quandbee.com/)의 공동 창업자로 회사를 이끌고 있다.

이미정(옮긴이)

성균관대 전자전기컴퓨터 공학부 학사학위를, 한동대 정보통신공학 석사학위를 이수했다. 삼성전자 LSI 기술개발실 엔지니어로 시작해 오라클 미들웨어 사업부 컨설턴트로, 현재는 Splunk Korea 세일즈 엔지니어로 활동하고 있다. 역서로 『Pig를 이용한 빅데이터 처리 패턴』(에이콘, 2014), 『Splunk 6 핵심기술』(에이콘, 2015), 『파이썬으로 배우는 대규모 머신러닝』(에이콘, 2017), 『Splunk 7 에센셜』(에이콘, 2019)이 있다.

Information Provided By: : Aladin

Table of Contents

1장. 확장성을 향한 첫걸음 

__확장성에 대한 자세한 설명 
____대규모 객체 생성하기 
____파이썬 소개 
____파이썬을 통한 스케일 업 
____파이썬을 통한 스케일 아웃 
__대규모 머신 러닝을 위한 파이썬 
____파이썬 2와 파이썬 3 중 어느 것을 선택할 것인가? 
____파이썬 설치 
____단계적 설치 
____패키지 설치 
____패키지 업그레이드 
____과학용 배포판 
____주피터 / IPython 소개 
__파이썬 패키지 
____NumPy 
____SciPy 
____Pandas 
____Scikit-learn 
__요약 


2장. Scikit-learn으로 확장 가능한 학습 
__코어에 구애 받지 않는 학습(Out-of-core learning) 
____실행 가능한 방법으로서 재표본추출 
____한 번에 하나의 객체만으로 최적화를 하는 방법 
____코어에 구애 받지 않는(out-of-core) 학습 시스템 구축 
__소스로부터 데이터를 스트리밍하기 
____현실을 반영하는 데이터 세트 
____첫 번째 예제 - 자전거 대여 데이터 세트 스트리밍하기 
__확률적 학습(Stochastic learning) 
____배치 경사 하강법(Batch gradient descent) 
____확률적 경사 하강법 
____Scikit-learn의 SGD 구현체 
____SGD 학습 파라미터 정의하기 
__데이터 스트림을 통한 특징 관리 
____목표 설명 
____해싱 기법 
____그 외 기본적인 변환들 
____스트림에서 테스트와 검증 
____SGD의 실제 동작 
__요약 


3장. 빠른 SVM 구현체 

__실험용 데이터 세트 
____자전거 대여 데이터 세트 
____산림 유형 데이터 세트 
__서포트 벡터 머신 
____경첩 손실 및 변형 
____Scikit-learn SVM 구현체에 대한 이해 
____재표본추출에 의한 비선형 SVM 
____SGD로 SVM 확장하기 
__정규화를 통한 특징 선택 
__SGD에 비선형성 포함시키기 
____명시적 고차원 매핑 시도하기 
__하이퍼파라미터튜닝 
____빠른 SVM 학습을 위한 방법들 
__요약 


4장. 신경망과 딥러닝 

__신경망 아키텍처 
____신경망이 학습하는 내용과 방법 
____적합한 아키텍처 선택하기 
__실제로 동작하는 신경망 
____sknn 병렬 처리 
__신경망과 정규화 
__신경망과 하이퍼파리미터 최적화 
__신경망과 결정 경계 
__H2O를 통한 딥러닝의 확장 
____H2O를 활용한 대규모 딥러닝 
____H2O에서의 그리드 검색 
__딥러닝과 비지도 사전 학습 
__theanets를 활용한 딥러닝 
__오토인코더와 비지도 학습 
____오토인코더 
__요약 


5장. 텐서플로를 활용한 딥러닝 

__텐서플로 설치 
__SkFlow를 활용한 텐서플로에서의 머신 러닝 
____대형 파일을 활용하는 딥러닝-점진적 학습 
__Keras와 텐서플로 설치 
____Keras를 통한 텐서플로에서의 합성곱 신경망 
__합성곱층 
____풀링층 
____완전 연결층 
__점진적 방식을 사용하는 CNNs 
__GPU 컴퓨팅 
__요약 


6장. 분류와 회귀 트리 확장 

__부트스트랩 모음 
__랜덤 포레스트 및 극단적인 랜덤 포레스트 
__무작위 검색을 통한 빠른 파라미터 최적화 
____극단적인 랜덤 트리와 대형 데이터 세트 
__CART와 부스팅 
____경사 부스팅 머신 
__XGBoost 
____XGBoost 회귀 
____대형 데이터 세트를 스트리밍하는 XGBoost 
____XGBoost model persistence 
__H2O를 통한 코어에 구애 받지 않는 방식의 CART 
____H2O에서의 랜덤 포레스트와 그리드 검색 
____H2O에서의 확률적 경사 부스팅과 그리드 검색 
__요약 


7장. 대규모 데이터에 대한 비지도 학습 

__비지도 방식 
__특징 분해(Feature decomposition) - PCA 
____무작위 PCA 
____증분 PCA 
____희소 PCA 
__H2O를 활용한 PCA 
__클러스터링? K-평균 
____초기화 방식 
____K-평균의 가정 
____최적의 K 선택하기 
____K-평균의 확장-미니 배치 
__H2O를 활용한 K-평균 
__LDA 
____LDA 확장 ? 메모리, CPUs, 머신 
__요약 


8장. 분산환경-하둡(Haddop)과 스파크(Spark) 

__독립형 머신에서 다수의 노드들로 
____분산 프레임워크가 필요한 이유 
__VM 환경 설정 
____버추얼박스 
____베이그런트 
____VM 사용하기 
__하둡 생태계 
____아키텍처 
____HDFS 
____맵리듀스 
____얀 
__스파크 
____pySpark 
__요약 


9장. 스파크를 활용한 실무에서의 머신 러닝 

__9장을 위한 VM 환경 설정 
__클러스터 노드들에서 변수 공유하기 
____읽기 전용 브로드캐스트 변수 
____읽기 전용 누산기 변수 
____브로드캐스트와 누산기를 함께 사용하기-예제 
__스파크에서의 데이터 전처리 
____JSON 파일과 스파크 데이터 프레임 
____유실 데이터 처리하기 
____메모리에서 테이블을 그룹짓고 생성하기 
____전처리된 데이터 프레임 혹은 RDD를 디스크에 쓰기 
____스파크 데이터 프레임으로 작업하기 
__스파크를 활용한 머신 러닝 
____KDD99 데이터 세트를 다루는 스파크 
____데이터 세트 읽기 
____특징 엔지니어링 
____학습기 훈련시키기 
____학습기 성능 평가하기 
____강력한 ML 파이프라인 
____수작업 튜닝 
____교차 검증 
__요약 


부록. GPU 및 Theano 소개 
__GPU 컴퓨팅 
__Theano - GPU에서의 병렬 컴퓨팅 
__Theano 설치하기

New Arrivals Books in Related Fields

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