HOME > Detail View

Detail View

수식과 간결한 설명을 바탕으로 하는 핵심 머신 러닝 (Loan 4 times)

Material type
단행본
Personal Author
Burkov, Andriy 남기혁, 역 이용진, 역 윤여찬, 역
Title Statement
수식과 간결한 설명을 바탕으로 하는 핵심 머신 러닝 / 안드리 부르코프 지음 ; 남기혁 , 이용진 , 윤여찬 옮김
Publication, Distribution, etc
서울 :   에이콘,   2019  
Physical Medium
215 p. : 삽화 ; 24 cm
Varied Title
The hundred-page machine learning book
ISBN
9791161753409
General Note
색인수록  
000 00000cam c2200205 c 4500
001 000045999534
005 20190919162807
007 ta
008 190919s2019 ulka 001c kor
020 ▼a 9791161753409 ▼g 93000
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 2019z22
100 1 ▼a Burkov, Andriy
245 1 0 ▼a 수식과 간결한 설명을 바탕으로 하는 핵심 머신 러닝 / ▼d 안드리 부르코프 지음 ; ▼e 남기혁 , ▼e 이용진 , ▼e 윤여찬 옮김
246 1 9 ▼a The hundred-page machine learning book
260 ▼a 서울 : ▼b 에이콘, ▼c 2019
300 ▼a 215 p. : ▼b 삽화 ; ▼c 24 cm
500 ▼a 색인수록
546 ▼a 영어로 된 원저작을 한국어로 번역
700 1 ▼a 남기혁, ▼e
700 1 ▼a 이용진, ▼e
700 1 ▼a 윤여찬, ▼e
900 1 0 ▼a 부르코프, 안드리, ▼e

Holdings Information

No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Sejong Academic Information Center/Science & Technology/ Call Number 006.31 2019z22 Accession No. 151347441 Availability Available Due Date Make a Reservation Service C

Contents information

Book Introduction

머신 러닝에 관련된 기초 수학 정의와 선형 회귀, 로지스틱 회귀, SVM을 기초 신경망부터 CNN, RNN에 이르는 주제를 담은 책으로, 1960년대의 초창기 기술부터 지금까지 나온 머신 러닝 기법 중에서 실전에서 유용하면서 머신 러닝 입문자가 기초를 다지는 데 딱 필요한 만큼 설명한다.

머신 러닝에 관련된 기초 수학 정의와 선형 회귀, 로지스틱 회귀, SVM을 기초 신경망부터 CNN, RNN에 이르는 주제를 담은 책으로, 1960년대의 초창기 기술부터 지금까지 나온 머신 러닝 기법 중에서 실전에서 유용하면서 머신 러닝 입문자가 기초를 다지는 데 딱 필요한 만큼 설명하는 책이다.
프로젝트 초반에 주어지는 문제를 머신 러닝으로 해결할 수 있는지 알아보고, 어떤 기법을 적용해야 하는지 판단하는 데 필요한 지식을 제시한다.

★ 이 책의 대상 독자 ★

이 책은 1960년대부터 지금까지 개발된 머신 러닝에 관련된 기술 중에서도 활용 가치가 높다고 증명된 것만 소개한다. 머신 러닝을 처음 배우는 독자들은 이 책에 나온 내용만 잘 익혀도 이 분야를 이해하고 질문을 제대로 던질 수 있게 된다.
머신 러닝에 대한 경험을 어느 정도 갖춘 현업 엔지니어는 이 책에 나온 내용을 가이드로 삼아서 실력을 더욱 향상시킬 수 있다. 이 책은 또한 프로젝트 초반에 브레인스토밍을 하는 데도 유용하다. 특히 프로젝트에서 해결해야 할 비즈니스적인 문제나 기술적인 문제에 '머신 러닝'을 적용할 수 있는지, 만약 그렇다면 어떤 기법을 적용해야 하는지를 파악하는 데 도움이 된다.

★ 이 책의 활용 방법 ★

머신 러닝을 처음 학습하는 독자는 반드시 처음부터 끝까지 빠짐없이 모두 읽길 바란다. 그중 특정한 주제에 대해 깊이 알고 싶다면, 각 절에 나온 QR 코드를 따라가보길 바란다.
QR 코드 페이지에는 참고 문헌, 비디오, Q&A, 코드 예제, 튜토리얼을 비롯한 다양한 자료가 있다. 이 내용은 저자를 비롯한 전 세계 독자들이 꾸준히 업데이트한다.


Information Provided By: : Aladin

Author Introduction

안드리 부르코프(지은이)

두 아이의 아빠이자 캐나다 퀘벡 시에서 머신 러닝 전문가로 활동하고 있다. 9년 전 AI 분야로 박사 학위를 취득한 후 6년 동안 가트너에서 머신 러닝 수석 개발자로 일하고 있다. 전문 분야는 자연어 처리다. 현재 팀에서 표층 학습 기법과 심층 학습 기법을 모두 적용해 최첨단 텍스트 추출 및 정규화 시스템을 개발하고 있다.

남기혁(옮긴이)

고려대 컴퓨터학과에서 학부와 석사 과정을 마친 후 한국전자통신연구원에서 선임연구원으로 재직하고 있다. 한빛미디어에서 출간한 『Make: 센서』(2015), 『메이커 매뉴얼』(2016), 『이펙티브 디버깅』(2017), 『전문가를 위한 C++』(2019), 『리팩토링 2판』(2020)과 에이콘출판사에서 출간한 『현대 네트워크 기초 이론』(2016), 『도커 컨테이너』(2017), 『스마트 IoT 프로젝트』(2017), 『파이썬으로 배우는 인공지능』(2017), 『메이커를 위한 실전 모터 가이드』(2018), 『Go 마스터하기』(2018), 『자율주행 자동차 만들기』(2018), 『The Hundred-Page Machine Learning Book』(2019), 『스콧 애론슨의 양자 컴퓨팅 강의』(2021), 『자율주행차량 기술 입문』(2021) 등을 번역했다.

윤여찬(옮긴이)

고려대 컴퓨터학과에서 학부와 석사 과정을 마치고 한국전자통신연구원에서 선임 연구원으로 재직 중이다. 자연어처리를 전공했으며 빅데이터 분석, 웹QA, 콘텐츠 분석 등의 연구를 진행했다. 현재는 빅데이터 분석, 콘텐츠 분석 등의 연구를 진행하고 있으며 기계학습이나 인공지능 쪽에 관심을 두고 연구를 진행하고 있다.

이용진(옮긴이)

포스텍(Postech) 컴퓨터공학과에서 머신 러닝 전공으로 석사 과정을 마친 후, 2004년부터 한국전자통신연구원에서 근무 중이다. 2012년부터 워싱턴대학교(University of Washington)의 전기공학과(Dept. of Electrical Engineering)에서 박사 과정 학생으로 영상 인식과 머신 러닝을 공부했으며, 현재 휴학 중이다. 박사 학위 과정 중에 인공지능(Artificial Intelligence), 고급 선형 대수(Advanced Linear Algebra), 컨벡스 최적화(Convex Optimization) 과목의 수업 조교로 근무했다. 현재는 한국전자통신연구원에 복귀해 심층 신경망(Deep Neural Network)과 강화 학습(Reinforcement Learning) 관련 연구 프로젝트를 수행하고 있다.

Information Provided By: : Aladin

Table of Contents

1장. 개요

1.1 머신 러닝이란
1.2 학습 유형
1.2.1 지도 학습
1.2.2 비지도 학습
1.2.3 준지도 학습
1.2.4 강화 학습
1.3 지도 학습의 원리
1.4 훈련 데이터로 만든 모델이 처음 보는 데이터에 대해서도 효과적인 이유


2장. 수학 정의와 표기법

2.1 표기법
2.1.1 데이터 구조
2.1.2 대문자 시그마 기호
2.1.3 대문자 파이 기호
2.1.4 집합 연산
2.1.5 벡터 연산
2.1.6 함수
2.1.7 max와 min, arg max와 arg min 연산
2.1.8 대입 연산자
2.1.9 도함수와 기울기
2.2 확률 변수
2.3 비편향 추정량
2.4 베이즈 규칙
2.5 파라미터 추정
2.6 파라미터 vs. 하이퍼파라미터
2.7 분류 vs. 회귀
2.8 모델 기반 학습 vs. 사례 기반 학습
2.9 표층 학습 vs. 심층 학습


3장. 기본 알고리즘

3.1 선형 회귀
3.1.1 문제 정의
3.1.2 해결 방법
3.2 로지스틱 회귀
3.2.1 문제 정의
3.2.2 해결 방법
3.3 결정 트리 학습
3.3.1 문제 정의
3.3.2 해결 방법
3.4 SVM
3.4.1 노이즈를 다루는 방법
3.4.2 본질적으로 비선형적인 경우에 대처하는 방법
3.5 kNN


4장. 학습 알고리즘 심층 분석

4.1 학습 알고리즘의 기본 구성 요소
4.2 경사 감소법
4.3 머신 러닝 엔지니어의 작업 방식
4.4 학습 알고리즘에서 주의할 점


5장. 핵심 기법

5.1 특징 공학
5.1.1 원핫 인코딩
5.1.2 비닝
5.1.3 정규화
5.1.4 표준화
5.1.5 결측값 처리 방법
5.1.6 데이터 대체 기법
5.2 학습 알고리즘 결정하기
5.3 세 가지 집합
5.4 언더피팅과 오버피팅
5.5 규제화
5.6 모델 성능 평가 방법
5.6.1 혼동 행렬
5.6.2 정밀도와 재현율
5.6.3 정확도
5.6.4 비용 민감 정확도
5.6.5 AUC
5.7 하이퍼파라미터 튜닝
5.7.1 교차 검증


6장. 신경망과 딥러닝

6.1 신경망
6.1.1 다계층 퍼셉트론의 예
6.1.2 피드포워드 신경망 구조
6.2 딥러닝
6.2.1 CNN
6.2.2 RNN


7장. 문제와 해결 방법

7.1 커널 회귀
7.2 다중 클래스 분류
7.3 단일 클래스 분류
7.4 다중 레이블 분류
7.5 앙상블 학습
7.5.1 부스팅과 배깅
7.5.2 랜덤 포레스트
7.5.3 그래디언트 부스팅
7.6 레이블 시퀀스 학습
7.7 시퀀스-투-시퀀스 학습
7.8 액티브 러닝
7.9 준지도 학습
7.10 원샷 러닝
7.11 제로샷 러닝


8장. 고급 기법

8.1 불균형 데이터셋 처리하기
8.2 모델 조합하기
8.3 신경망 학습시키기
8.4 고급 규제화
8.5 다중 입력 처리하기
8.6 다중 출력 처리하기
8.7 전이 학습
8.8 알고리즘 효율


9장. 비지도 학습

9.1 밀도 추정
9.2 군집화
9.2.1 K-평균
9.2.2 DBSCAN과 HDBSCAN
9.2.3 군집 개수 결정하기
9.2.4 다른 군집화 알고리즘
9.3 차원 축소
9.3.1 PCA
9.3.2 UMAP
9.4 아웃라이어 탐지


10장. 그 밖에 다양한 학습 기법

10.1 메트릭 학습
10.2 랭킹 학습
10.3 추천 학습
10.3.1 FM
10.3.2 DAE
10.4 자가 지도 학습: 단어 임베딩


11장. 결론

11.1 이 책에서 다루지 않은 내용
11.1.1 토픽 모델링
11.1.2 가우시안 프로세스
11.1.3 일반화 선형 모델
11.1.4 확률 그래픽 모델
11.1.5 마르코프 체인 몬테 카를로
11.1.6 GAN
11.1.7 유전 알고리즘
11.1.8 강화 학습
11.2 감사의 글


Information Provided By: : Aladin

New Arrivals Books in Related Fields

Deisenroth, Marc Peter (2020)