나의 첫 머신러닝/딥러닝 : 파이썬으로 구현해보는 필수 머신러닝/딥러닝 알고리즘

목차 (Table of Contents)

• 목차
• 01 개발자가 처음 만난 머신러닝의 세계
• 1.1 머신러닝이란? = 2
• 1.2 프로젝트 과정 미리보기 = 3
• 1.3 실습의 중요성 = 4
• 02 실습 준비
• 2.1 예제 코드 = 5
• 2.2 구글 코랩(Google Colaboratory) = 5
• 03 자주 등장하는 머신러닝 필수 개념
• 3.1 지도학습과 비지도학습 = 8
• 3.1.1 지도학습 = 8
• 3.1.2 비지도학습 = 9
• 3.2 분류와 회귀 = 9
• 3.2.1 분류 = 9
• 3.2.2 회귀 = 10
• 3.3 과대적합과 과소적합 = 11
• 3.3.1 과소적합 = 11
• 3.3.2 과대적합 = 12
• 3.4 혼동 행렬 = 14
• 3.5 머신러닝 모델의 성능 평가 = 15
• 3.5.1 TP(true positive) - 맞는 것을 올바르게 예측한 것 = 15
• 3.5.2 TN(true negative) - 틀린 것을 올바르게 예측한 것 = 15
• 3.5.3 FP(false positive) - 틀린 것을 맞다고 잘못 예측한 것 = 16
• 3.5.4 FN(false negative) - 맞는 것을 틀렸다고 잘못 예측한 것 = 17
• 3.5.5 정확도 = 17
• 3.5.6 정밀도 = 18
• 3.5.7 재현율 = 19
• 3.5.8 F1 점수 = 19
• 3.6 k-폴드 교차 검증 = 23
• 04 머신러닝 알고리즘 실습
• 4.1 머신러닝 알고리즘 실습 개요 = 25
• 4.1.1 알고리즘 선정 이유 = 25
• 4.2 k-최근접 이웃(k-Nearest Neighbor, kNN) = 27
• 4.2.1 [이론] k-최근접 이웃 알고리즘(kNN) = 28
• 4.2.2 [실습] 농구선수의 게임 데이터를 활용한 포지션 예측 = 38
• 4.3 서포트 벡터 머신(SVM) = 50
• 4.3.1 [이론] 서포트 벡터 머신 = 50
• 4.3.2 [실습] 농구선수의 게임 기록을 학습해서 포지션을 예측해보자 = 61
• 4.4 의사결정 트리 = 68
• 4.4.1 [이론] 의사결정 트리 = 68
• 4.4.2 [실습] 서울 지역(강동, 강서, 강남, 강북) 다중 분류하기 = 78
• 4.5 나이브 베이즈 = 91
• 4.5.1 [이론] 나이브 베이즈 = 91
• 4.5.2 [실습] 가우시안 나이브 베이즈를 활용한 붓꽃 분류 = 100
• 4.5.3 [실습] 베르누이 나이브 베이즈를 활용한 스팸 분류 = 108
• 4.5.4 [실습] 다항분포 나이브 베이즈를 활용한 영화 리뷰 분류 = 113
• 4.6 앙상블 = 119
• 4.6.1 [이론] 배깅 = 119
• 4.6.2 [이론] 부스팅 = 123
• 4.6.3 [실습] 랜덤 포레스트 손글씨 분류 = 125
• 4.6.4 [실습] 보팅 앙상블 손글씨 분류 = 128
• 4.7 군집화 = 133
• 4.7.1 [이론] k 평균 알고리즘 = 133
• 4.7.2 [실습] 키와 몸무게에 따른 체형 군집화 = 140
• 4.8 선형회귀 = 143
• 4.8.1 [이론] 선형회귀 = 143
• 4.8.2 [실습] 선형회귀 = 151
• 4.9 로지스틱 회귀 = 155
• 4.9.1 [이론] 로지스틱 회귀 = 155
• 4.9.2 [실습] 단일 입력 로지스틱 회귀 = 162
• 4.9.3 [실습] 다중 입력 로지스틱 회귀 = 165
• 4.9.4 [실습] 소프트맥스(다중 분류 로지스틱 회귀) = 168
• 4.10 주성분 분석 = 173
• 4.10.1 [이론] 주성분 분석 = 174
• 4.10.2 [실습] 식습관 데이터를 차원축소시켜서 시각화하기 = 177
• 05 딥러닝의 기본 개념
• 5.1 딥러닝의 탄생 = 186
• 5.2 딥러닝과 머신러닝의 관계 = 187
• 5.3 딥러닝 이름의 유래 = 188
• 5.4 딥러닝 탄생 배경 = 188
• 5.5 퍼셉트론 = 189
• 5.6 다층 퍼셉트론 = 193
• 5.7 뉴런(노드) = 195
• 5.8 딥러닝의 학습 = 197
• 5.8.1 순전파(forward propagation) = 197
• 5.8.2 손실함수 = 198
• 5.8.3 최적화 = 198
• 5.8.4 역전파 = 200
• 5.8.5 옵티마이저 = 201
• 5.9 딥러닝의 과대적합 = 207
• 5.9.1 드롭아웃 = 207
• 5.9.2 조기 종료 = 209
• 5.10 [실습] 퍼셉트론 = 210
• 5.11 [실습] 뉴런(노드) = 215
• 5.12 [실습] 다층 퍼셉트론으로 XOR 구현하기 = 217
• 5.13 [실습] 다층 퍼셉트론으로 손글씨 숫자 분류하기 = 222
• 06 딥러닝
• 6.1 컨볼루셔널 뉴럴 네트워크(CNN) = 228
• 6.1.1 [이론] CNN = 228
• 6.1.2 [실습] CNN = 241
• 6.2 순환신경망(RNN) = 246
• 6.2.1 [이론] RNN = 246
• 6.2.2 [이론] LSTM = 253
• 6.2.3 [실습] RNN 기초 = 261
• 6.2.4 [실습] LSTM 기초 = 268
• 6.2.5 [실습] LSTM - 지문을 읽고 주제 분류하기 = 270
• 6.3 오토인코더 = 277
• 6.3.1 [이론] 오토인코더 = 277
• 6.3.2 [실습] 손글씨 숫자 데이터 시각화 = 278
• 6.4 단어 임베딩 = 284
• 6.4.1 [이론] Word2Vec = 284
• 6.4.2 [실습] Word2Vec = 293
• 6.4.3 [실습] 사전 학습된 Word2Vec 맛보기 = 302
• 6.4.4 [이론] FastText = 303
• 6.4.5 [실습] 사전학습된 FastText 맛보기 = 304
• 6.4.6 [실습] 사전 학습된 Glove 맛보기 = 306
• 6.5 전이 학습 = 309
• 6.5.1 [이론] 전이 학습 = 309
• 6.5.2 [실습] 사전 학습된 임베딩으로 사용자 리뷰 분류하기 = 312
• 참고문헌
• 딥러닝 이론／실습 = 318
• 파이썬 활용 데이터 과학 및 엔지니어링 = 319
• Numpy = 319
• IPython = 319
• Matplotlib = 319
• Seaborn = 320
• Cython = 320
• Pandas = 320
• scikit-learn = 320
• scikit-image = 322
• Jupyter Notebook = 322
• Keras = 322
• Tensorflow = 322