| 000 | 00000cam c2200205 c 4500 | |
| 001 | 000046048773 | |
| 005 | 20200921173328 | |
| 007 | ta | |
| 008 | 200921s2019 ulkd 001c kor | |
| 020 | ▼a 9788931461121 ▼g 93000 | |
| 035 | ▼a (KERIS)BIB000015303711 | |
| 040 | ▼a 247009 ▼c 247009 ▼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 2019z43 | |
| 100 | 1 | ▼a 横内大介 |
| 245 | 2 0 | ▼a (다양한 그래프, 간단한 수학, R로 배우는) 머신러닝 / ▼d 요코우치 다이스케, ▼e 아오키 요시미쓰 저 ; ▼e 김형민 번역 |
| 246 | 1 9 | ▼a イメージでつかむ機械学習入門 : ▼b 豊富なグラフ, シンプルな数学, Rで理解する |
| 246 | 3 | ▼a Imēji de tsukamu kikai gakushū nyūmon : ▼b hōfu na gurafu shinpuru na sūgaku āru de rikai suru |
| 260 | ▼a 서울 : ▼b 영진.com, ▼c 2019 | |
| 300 | ▼a 206 p. : ▼b 도표 ; ▼c 23 cm | |
| 500 | ▼a 색인수록 | |
| 700 | 1 | ▼a 青木義充, ▼e 저 |
| 700 | 1 | ▼a 김형민, ▼e 역 |
| 900 | 1 0 | ▼a 요코우치 다이스케, ▼e 저 |
| 900 | 1 0 | ▼a Yokouchi, Daisuke, ▼e 저 |
| 900 | 1 0 | ▼a 아오키 요시미쓰, ▼e 저 |
| 900 | 1 0 | ▼a Aoki, Yoshimitsu, ▼e 저 |
| 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 2019z43 | Accession No. 121254401 | Availability In loan | Due Date 2023-10-04 | Make a Reservation Available for Reserve | Service |
Contents information
Book Introduction
다양한 그래프, 간단한 수학을 통해 머신러닝의 기초를 이해하고, 데이터에 맞는 머신러닝을 선택하고, 통계 프로그램인 R을 이용해서 머신러닝을 실제 데이터에 적용할 수 있는 책이다. 어려운 개념 설명이 아닌 실제 예시를 통해 머신러닝의 개념을 이해하도록 도와주며, 데이터에 적합한 머신러닝 모델을 선택하도록 판별 분석, 서포트 벡터 머신, 로지스틱 회귀 모델, 신경 모델 등 동일한 예제를 적용해 그 차이를 비교해준다.
다양한 그래프, 간단한 수학, R로 배우는 머신러닝
이 책은 다양한 그래프, 간단한 수학을 통해 머신러닝의 기초를 이해하고, 데이터에 맞는 머신러닝을 선택하고, 통계 프로그램인 R을 이용해서 머신러닝을 실제 데이터에 적용할 수 있는 도서입니다. 수학이나 프로그래밍을 잘 알지 못해도 머신러닝을 배우고 싶은 사람들을 위한 최적의 도서로 어려운 개념 설명이 아닌 실제 예시를 통해 머신러닝의 개념을 이해하도록 도와줍니다.
데이터에 적합한 머신러닝 모델을 선택하도록 판별 분석, 서포트 벡터 머신, 로지스틱 회귀 모델, 신경 모델 등 동일한 예제를 적용해 그 차이를 비교해 줍니다. 각 모델들의 특징과 장점들을 설명합니다.
Information Provided By: :
Author Introduction
요코우치 다이스케(지은이)
히토쓰바시대학교 대학원 국제기업전략연구과 준교수. 게이오대학교 공학 박사. 데이터 사이언스, 통계적 머신러닝에 관련한 강의나 세미나를 담당. 복수의 민간기업의 기술고문으로 취임해 데이터 분석이나 AI 개발의 감수도 하고 있다.
아오키 요시미쓰(지은이)
히토쓰바시대학교 대학원 국제기업전략연구과 비상임 강사. 대학원 국제기업전략연구과 조수를 거치던 중, 종합연구대학원 복합과학대수, 미분적분, 확률론 등의 기초에 더해서 시계열 데이터 분석, 베이즈 통계학의 강의를 담당한다.
김형민(옮긴이)
동국대학교에서 일본어 교육학을 전공했고 프리랜서 통번역가로 활동했다. 이후 떠올린 아이디어들을 구체화할 수 있는 프로그래밍에 매력을 느껴 프로그래머가 되기로 했고 지금은 일본에서 웹 개발을 하고 있다. 번역한 도서로는 『친절한 딥러닝 수학』(한빛미디어, 2021), 『다양한 그래프, 간단한 수학, R로 배우는 머신러닝』(영진닷컴, 2019), 『프로그래밍 언어도감』(영진닷컴, 2018) 등이 있다.
Table of Contents
Part 1 시작하면서 CHAPTER 1.1 머신러닝이란 CHAPTER 1.2 R을 이용한 실습 Part 2 회귀 CHAPTER 2.1 선형 회귀 모델 CHAPTER 2.2 선형 회귀 모델의 계수 추정 2.2.1 최소제곱법 2.2.2 최대우도법 CHAPTER 2.3 잔차에 의한 모델 검토 컬럼 극값과 편미분 CHAPTER 2.4 모델의 설명력 - 결정계수와 상관계수 컬럼 비선형 회귀 모델의 피팅 CHAPTER 2.5 회귀 모델의 한계 - 분류의 응용 Part 3 경계에 의한 분류 CHAPTER 3.1 선형 판별 분석 3.1.1 평면을 분할한다 3.1.2 판별 분석을 실현하는 방식 3.1.3 R을 이용한 선형판별 분석 CHAPTER 3.2 서포트 벡터 머신 3.2.1 완전하게 분류할 수 있는 문제에 대해서 3.2.2 선형 분리가 불가능한 문제에 대해서 3.2.3 커널 함수의 이용 3.2.4 R을 이용한 서포트 벡터 머신 Part 4 확률에 의한 분류 CHAPTER 4.1 로지스틱 회귀 모델 CHAPTER 4.2 로지스틱 회귀 모델의 피팅 CHAPTER 4.3 로지스틱 회귀 모델의 파라미터 추정 Part 5 신경망에 의한 분류 CHAPTER 5.1 피드 포워드 신경망 CHAPTER 5.2 3층 구조의 피드 포워드 신경망 CHAPTER 5.3 가중치 추정 방법 - 오차 역전파법 CHAPTER 5.4 R을 이용한 신경망의 추정 CHAPTER 5.5 딥러닝으로 가는 출발점 컬럼 신경 세포(뉴런)와 신경망 Part 6 설명변량의 추가와 예측 정확도의 평가 CHAPTER 6.1 설명변수를 늘리다 6.1.1 분류 문제의 재설정 6.1.2 각 분류법의 적용 CHAPTER 6.2 예측 정확도의 평가 6.2.1 인 샘플과 아웃 샘플 6.2.2 데이터의 의미를 생각한 예측 평가 방법 CHAPTER 6.3 정리
