HOME > 상세정보

상세정보

데이터 분석을 위한 머신 러닝 입문

자료유형
단행본
서명 / 저자사항
데이터 분석을 위한 머신 러닝 입문 = Study of machine learning for data analysis / 하시모토 타이이치 지음 ; 김은철, 유세라 옮김
발행사항
서울 : 길벗, 2018
형태사항
260 p. : 삽화 ; 24 cm
원표제
デ-タ分析のための機械学習入門 : Pythonで動かし, 理解できる, 人工知能技術
ISBN
9791160506013
일반주기
감수: 이춘오 색인수록 데이터 분석과 머신러닝, 한 권에 다 담았다!
000 00000cam c2200205 c 4500
001 000045972480
005 20190530113644
007 ta
008 190227s2018 ulka 001c kor
020 ▼a 9791160506013 ▼g 93000
035 ▼a (KERIS)BIB000014966978
040 ▼a 247009 ▼c 247009 ▼d 211009
041 1 ▼a kor ▼h jpn
082 0 4 ▼a 006.312 ▼2 23
085 ▼a 006.312 ▼2 DDCK
090 ▼a 006.312 ▼b 2018z12
100 1 ▼a 橋本泰一
245 1 0 ▼a 데이터 분석을 위한 머신 러닝 입문 = ▼x Study of machine learning for data analysis / ▼d 하시모토 타이이치 지음 ; ▼e 김은철, ▼e 유세라 옮김
246 1 9 ▼a デ-タ分析のための機械学習入門 : ▼b Pythonで動かし, 理解できる, 人工知能技術
246 3 ▼a Dēta bunseki no tame no kikai gakushū nyūmon : ▼b paison de ugokashi rikai dekiru jinkō chinō gijutsu
260 ▼a 서울 : ▼b 길벗, ▼c 2018
300 ▼a 260 p. : ▼b 삽화 ; ▼c 24 cm
500 ▼a 감수: 이춘오
500 ▼a 색인수록
500 ▼a 데이터 분석과 머신러닝, 한 권에 다 담았다!
700 1 ▼a 김은철, ▼e
700 1 ▼a 유세라, ▼e
700 1 ▼a 이춘오, ▼e 감수
900 1 0 ▼a 하시모토 타이이치, ▼e
900 1 0 ▼a Hashimoto, Taiichi, ▼e
945 ▼a KLPA

No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2018z12 등록번호 121249008 도서상태 대출중 반납예정일 2021-02-10 예약 예약가능 R 서비스 M
No. 2 소장처 세종학술정보원/과학기술실/ 청구기호 006.312 2018z12 등록번호 151343896 도서상태 대출가능 반납예정일 예약 서비스
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2018z12 등록번호 121249008 도서상태 대출중 반납예정일 2021-02-10 예약 예약가능 R 서비스 M
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 세종학술정보원/과학기술실/ 청구기호 006.312 2018z12 등록번호 151343896 도서상태 대출가능 반납예정일 예약 서비스

컨텐츠정보

책소개

인공지능+머신 러닝 알고리즘+딥러닝+파이썬 프로그래밍까지, 데이터 분석과 머신 러닝을 한 권에 담았다. 인공지능 프레임워크를 살펴보고 직접 실시간 분석 시스템을 만들어보자. 플루언티드와 노리크라를 연계하여 트위터의 트윗을 실시간으로 집계해 분석해본다.

이어서 주요 머신 러닝 알고리즘과 딥러닝 이론을 폭넓게 살펴보며 파이썬과 텐서플로를 통해 직접 경험해보자. 파이썬으로 IRIS, digits, Boston 데이터셋을 처리하며 구체적인 데이터 분석 과정을 살펴보고, 텐서플로로 MNIST 예제를 실행해보면서 딥러닝 이론을 습득한다.

데이터를 분석해 현재를 알고, 머신 러닝을 이용해 미래를 예측한다!

데이터를 분석하자! 현재를 알 수 있다.

하둡을 중심으로 한 대규모 분산 데이터 처리 환경을 간단히 소개하면서 데이터를 분석하는 데 어떤 기술이 필요한지 알아본다. 또한, 데이터를 수집하는 플루언티드, 변환·저장·검색하는 노리크라와 엘라스틱서치, 시각화하고 분석하는 키바나를 소개하고, 직접 트위터 스트리밍 API에 연계해 실시간으로 데이터를 집계하는 시스템을 만들어본다.

머신 러닝 알고리즘과 딥러닝 이론을 배우자! 미래를 예측할 수 있다.
수집하고 저장하고 분석한 데이터로부터 미래를 예측하는 기술인 머신 러닝과 딥러닝을 소개한다. 머신 러닝 알고리즘(나이브 베이즈, 단순 퍼셉트론, 서포트 벡터 머신, 회귀 알고리즘, 클러스터링)을 배우고, 파이썬으로 다음 데이터셋을 처리해본다.

· IRIS 데이터 붓꽃 네 종류의 계측 데이터로부터 품종을 예측해본다
· digits 데이터 손으로 쓴 숫자 이미지를 문자로 인식시켜 숫자를 맞춰 본다
· Boston 데이터 주택 가격을 예측해보고 정확도를 더 높이는 방법을 알아 본다

또한, 딥러닝 이론(다항 로지스틱 회귀, 다층 신경망, 합성곱 신경망, 재귀형 신경망)은 머신 러닝과 어떤 차이가 있는지 알아보고, 텐서플로로 실행해본다.


정보제공 : Aladin

저자소개

하시모토 타이이치(지은이)

도쿄공업대학대학원 정보이공학연구과 계산공학 전공 박사과정 수료. 도쿄공업대학 조수(조교), 특임준교수. 9년 간 교직에 있으면서 텍스트 마이닝 관련 연구 및 학내외의 정보시스템을 개발하고 관리. 그 후 글리 주식회사에 근무. 사용자 부정 투고 검지 및 처리, 데이터 분석 기반의 소프트웨어 개발에 종사. 2014년부터 LINE 주식회사에 근무. 전문 영역은 자연어 처리, 정보 검색, 데이터 마이닝. 현재는 LINE 주식회사에서 데이터 분석 시스템 및 머신 러닝 인프라를 개발하고 운용하는 팀의 매니저를 담당. 정보처리학회, 인공지능학회, 언어처리학회 회원.

김은철(옮긴이)

㈜아이티에스 대표이며, AWS 기반한 IoT 실시간 서비스를 개발해 운영 중이다. 일본법인 ㈜아이티에스 대표 및 엘피에이아카데미 전임강사(C, C++, MFC, Network, Database)였고, 한화S&C㈜에서 근무했다. 저서로는 <예제가 가득한 C 언어 길라잡이>, <초보자를 위한 C 언어 300제>, <윈도우 프로그래밍 플러스>, 역서로는 <유니티5 교과서>, <예제로 배우는 핵심 패턴 안드로이드 프로그래밍>, <아이폰 프로그래밍 UIKit 핵심 바이블>, , <예제가 가득한 Java/JavaScript/Android/iOS 프로그래밍> 외 다수가 있다. 최근에는 블록체인, 인공지능 관련 사업을 하고 있다(ceo@k2apps.kr).

유세라(옮긴이)

한국을 거쳐 일본에서 IT 엔지니어로 활동했으며, 현재는 (주)컴온히어 IT 기업 대표로 스마트 앱, 모바일 앱 사업을 하고 있으며, 일본 전문 서적 번역가로도 활동하고있다. 역서로는 <모두의 알고리즘>, , <딥러닝 워크북>, <머신 러닝 부트캠프 with 파이썬>, <예제로 배우는 핵심 패턴 안드로이드 프로그래밍>, <아이폰 프로그래밍 UIKit 핵심 바이블>, <예제로 배우는 아이폰 프로그래밍 핵심 바이블>, <스위프트로 만드는 실전강좌! 아이폰 앱 프로그래밍>, <유니티 게임 프로그래밍 바이블>, <가장 쉬운 파이썬 입문교실>, <수학으로 배우는 파이썬>, <게임으로 배우는 파이썬> 등이 있다.

이춘오(감수)

KAIST 정보통신공학과 학사 및 박사 학위를 취득하고, 삼성전자에서 빅데이터 플랫폼 엔지니어로 근무했으며, 현재는 SK 플래닛의 데이터 과학자로 재직 중이다. 11번가의 다양한 데이터를 바탕으로 각종 예측 모델을 구축하고 데이터 기반 서비스를 개발하는 업무를 하고 있다.

정보제공 : Aladin

목차

1장 인공지능과 머신 러닝 
__1.1 인공지능이란? 
____1.1.1 현재의 요괴 ‘인공지능’ 
__1.2 BI는 AI 꿈을 꾸는가? 
____1.2.1 비즈니스를 뒷받침하는 AI와 머신 러닝 엔지니어 
__1.3 지금의 인공지능=지능? 
____1.3.1 인공지능이 데이터 분석을 하는 날 
__1.4 마무리 

2장 데이터 분석 처리를 위한 기반 기술 
__2.1 하둡: 대규모 데이터를 처리하는 인프라 
____2.1.1 하둡이란? 
____2.1.2 맵리듀스 처리 
__2.2 하이브: 하둡에서 더욱 쉽게 데이터를 처리 
____2.2.1 하이브란? 
__2.3 프레스토: 고속 데이터 처리 
____2.3.1 프레스토란? 
__2.4 스파크: 더 빠른 분산 처리 환경 
____2.4.1 스파크란? 
__2.5 하둡과 관련된 기타 미들웨어 
____2.5.1 하둡 관련 기타 미들웨어 
__2.6 다양한 하둡 디스트리뷰션 
____2.6.1 하둡 디스트리뷰션이란? 
__2.7 BI 도구: 처리한 데이터를 시각화 
____2.7.1 BI 도구란? 
____2.7.2 펜타호 
____2.7.3 제플린 
__2.8 마무리 

3장 실시간으로 데이터를 분석한다: 데이터에서 현재를 알 수 있는 기술 
__3.1 플루언티드 
____3.1.1 데이터를 실시간으로 수집한다 
__3.2 노리크라 
____3.2.1 데이터를 실시간으로 집계한다 
__3.3 사례: 트위터 데이터에서 사람 이름을 실시간으로 집계 
____3.3.1 실시간으로 사람 이름을 집계해 보자 
____3.3.2 루비 환경 설정 
____3.3.3 플루언티드 설치 
____3.3.4 트위터 스트리밍 API와의 연계 
____3.3.5 플루언티드 MeCab 플러그인 작성 
____3.3.6 노리크라 설치 
____3.3.7 노리크라와 플루언티드 연동 
____3.3.8 노리크라에 키워드 집계용 쿼리 등록 
____3.3.9 엘라스틱서치와 키바나로 데이터 시각화하기 
____3.3.10 노리크라, 플루언티드, 엘라스틱서치와 키바나의 연동 
__3.4 마무리 

4장 머신 러닝 알고리즘: 데이터로 미래를 보는 기술 
__4.1 머신 러닝이란? 
____4.1.1 레스토랑 예약으로 머신 러닝을 생각한다 
__4.2 머신 러닝 알고리즘 
____4.2.1 머신 러닝 알고리즘의 개요 
____4.2.2 머신 러닝 알고리즘의 종류 
__4.3 나이브 베이즈 
____4.3.1 나이브 베이즈의 개요 
____4.3.2 나이브 베이즈의 이론 
____4.3.3 나이브 베이즈의 구체적인 예 
____4.3.4 나이브 베이즈의 구현 방법 
____4.3.5 나이브 베이즈의 마무리 
__4.4 단층 퍼셉트론 
____4.4.1 단층 퍼셉트론이란? 
____4.4.2 퍼셉트론의 학습 과정 
____4.4.3 퍼셉트론의 구현 방법 
____4.4.4 퍼셉트론의 문제점 
____4.4.5 퍼셉트론의 마무리 
__4.5 온라인 학습 
____4.5.1 온라인 학습이란? 
____4.5.2 퍼셉트론의 온라인 학습 프로그램 
____4.5.3 PA 알고리즘 
____4.5.4 온라인 학습의 마무리 
__4.6 서포트 벡터 머신 
____4.6.1 서포트 벡터 머신이란? 
____4.6.2 서포트 벡터 머신의 이론 
__4.7 선형 회귀 
____4.7.1 회귀 알고리즘이란? 
__4.8 자기 회귀 
____4.8.1 과거 데이터로 목적 함수를 추정하는 방법 
__4.9 클러스터링 
____4.9.1 클러스터링이란? 
__4.10 맵리듀스와 머신 러닝 
____4.10.1 대규모 데이터에 머신 러닝 알고리즘 적용 
__4.11 머신 러닝 실습 
____4.11.1 파이썬 환경 설치 
____4.11.2 IRIS 데이터를 사용한 머신 러닝 예제 
____4.11.3 digits 데이터를 사용한 머신 러닝 예제 
____4.11.4 Boston 데이터를 사용한 머신 러닝 예제 
__4.12 마무리 

5장 딥러닝 
__5.1 단층 퍼셉트론과 친구들 
____5.1.1 단층 퍼셉트론 복습하기 
____5.1.2 로지스틱 회귀 
____5.1.3 다항 로지스틱 회귀 
__5.2 신경망 
____5.2.1 단층 퍼셉트론과 신경망의 차이점 
____5.2.2 신경망 
____5.2.3 유닛 
____5.2.4 오차 역전파법 
____5.2.5 프로그램 예시 
____5.2.6 단층 퍼셉트론, 로지스틱 회귀, 다항 로지스틱 회귀, 신경망 
__5.3 합성곱 신경망 
____5.3.1 합성곱 신경망이란? 
____5.3.2 합성곱층 
____5.3.3 풀링층 
____5.3.4 다층 신경망 
____5.3.5 합성곱 신경망 학습 
__5.4 재귀형 신경망 
____5.4.1 재귀형 신경망이란? 
____5.4.2 재귀형 신경망 학습 
__5.5 텐서플로 
____5.5.1 텐서플로 설치 
____5.5.2 다항 로지스틱 회귀 
____5.5.3 다층 신경망 
____5.5.4 합성곱 신경망 
____5.5.5 속편: 합성곱 신경망 
__5.6 마무리 

용어집 
찾아보기

관련분야 신착자료

Liu, Zhiyuan, (Computer science and technology) (2020)