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 개발 환경 구성
• 2.1 예제 코드 다운로드 = 5
• 2.2 아나콘다 설치 = 5
• 2.3 자동 환경 구성 = 6
• 2.4 수동 환경 구성 = 8
• 2.4.1 아나콘다 가상환경 만들기 = 8
• 2.4.2 Pandas = 9
• 2.4.3 NumPy = 9
• 2.4.4 Keras = 9
• 2.4.5 TensorFlow = 10
• 2.4.6 scikit-learn = 10
• 2.4.7 seaborn = 10
• 2.4.8 주피터 노트북 설치 = 10
• 2.5 실습 요령 = 11
• 03 자주 등장하는 머신러닝 필수 개념
• 3.1 지도학습과 비지도학습 = 14
• 3.1.1 지도학습 = 14
• 3.1.2 비지도학습 = 15
• 3.2 분류와 회귀 = 15
• 3.2.1 분류 = 15
• 3.2.2 회귀 = 16
• 3.3 과대적합과 과소적합 = 17
• 3.3.1 과소적합 = 17
• 3.3.2 과대적합 = 18
• 3.4 혼동 행렬 = 20
• 3.5 머신러닝 모델의 성능 평가 = 21
• 3.5.1 TP(true positive) - 맞는 것을 올바르게 예측한 것 = 21
• 3.5.2 TN(true negative) - 틀린 것을 올바르게 예측한 것 = 21
• 3.5.3 FP(false positive) - 틀린 것을 맞다고 잘못 예측한 것 = 22
• 3.5.4 FN(false negative) - 맞는 것을 틀렸다고 잘못 예측한 것 = 23
• 3.5.5 정확도 = 23
• 3.5.6 정밀도 = 24
• 3.5.7 재현율 = 25
• 3.5.8 F1 점수 = 25
• 3.6 k-폴드 교차 검증 = 29
• 04 머신러닝 알고리즘 실습
• 4.1 머신러닝 알고리즘 실습 개요 = 31
• 4.1.1 알고리즘 선정 이유 = 31
• 4.2 k-최근접 이웃(k-Nearest Neighbor, kNN) = 33
• 4.2.1 [이론] k최근접 이웃 알고리즘(kNN) = 34
• 4.2.2 [실습] 농구선수의 게임 데이터를 활용한 포지션 예측 = 44
• 4.3 서포트 벡터 머신(SVM) = 57
• 4.3.1 [이론] 서포트 벡터 머신 = 57
• 4.3.2 [실습] 농구선수의 게임 기록을 학습해서 포지션을 예측해보자 = 68
• 4.4 의사결정 트리 = 75
• 4.4.1 [이론] 의사결정 트리 = 75
• 4.4.2 [실습] 서울 지역(강동, 강서, 강남 ,강북) 다중 분류하기 = 85
• 4.5 나이브 베이즈 = 98
• 4.5.1 [이론] 나이브 베이즈 = 98
• 4.5.2 [실습] 가우시안 나이브 베이즈를 활용한 붓꽃 분류 = 107
• 4.5.3 [실습] 베르누이 나이브 베이즈를 활용한 스팸 분류 = 115
• 4.5.4 [실습] 다항분포 나이브 베이즈를 활용한 영화 리뷰 분류 = 120
• 4.6 앙상블 = 126
• 4.6.1 [이론] 배깅 = 126
• 4.6.2 [이론] 부스팅 = 130
• 4.6.3 [실습] 랜덤 포레스트 손글씨 분류 = 132
• 4.6.4 [실습] 보팅 앙상블 손글씨 분류 = 135
• 4.7 군집화 = 140
• 4.7.1 [이론] k 평균 알고리즘 = 140
• 4.7.2 [실습] 키와 몸무게에 따른 체형 군집화 = 147
• 4.8 선형회귀 = 150
• 4.8.1 [이론] 선형회귀 = 150
• 4.8.2 [실습] 선형회귀 = 158
• 4.9 로지스틱 회귀 = 162
• 4.9.1 [이론] 로지스틱 회귀 = 162
• 4.9.2 [실습] 단일 입력 로지스틱 회귀 = 169
• 4.9.3 [실습] 다중 입력 로지스틱 회귀 = 172
• 4.9.4 [실습] 소프트맥스(다중 분류 로지스틱 회귀) = 175
• 4.10 주성분 분석 = 180
• 4.10.1 [이론] 주성분 분석 = 181
• 4.10.2 [실습] 식습관 데이터를 차원축소시켜서 시각화하기 = 184
• 05 딥러닝의 기본 개념
• 5.1 딥러닝의 탄생 = 193
• 5.2 딥러닝과 머신러닝의 관계 = 194
• 5.3 딥러닝 이름의 유래 = 195
• 5.4 딥러닝 탄생 배경 = 195
• 5.5 퍼셉트론 = 196
• 5.6 다층 퍼셉트론 = 200
• 5.7 뉴런(노드) = 202
• 5.8 딥러닝의 학습 = 204
• 5.8.1 순전파(forward propagation) = 204
• 5.8.2 손실 함수 = 205
• 5.8.3 최적화 = 205
• 5.8.4 역전파 = 207
• 5.8.5 옵티마이저 = 208
• 5.9 딥러닝의 과대적합 = 214
• 5.9.1 드롭아웃 = 214
• 5.9.2 조기 종료 = 215
• 5.10 [실습] 퍼셉트론 = 217
• 5.11 [실습] 다층 퍼셉트론으로 XOR 구현하기 = 223
• 5.12 [실습] 다층 퍼셉트론으로 손글씨 숫자 분류하기 = 226
• 06 딥러닝
• 6.1 컨볼루셔널 뉴럴 네트워크(CNN) = 236
• 6.1.1 [이론] CNN = 236
• 6.1.2 [실습] CNN = 249
• 6.2 순환신경망(RNN) = 257
• 6.2.1 [이론] RNN = 257
• 6.2.2 [이론] LSTM = 264
• 6.2.3 [실습] RNN 기초 = 272
• 6.2.4 [실습] LSTM 기초 = 279
• 6.2.5 [실습] LSTM - 지문을 읽고 주제 분류하기 = 282
• 6.3 오토인코더 = 293
• 6.3.1 [이론] 오토인코더 = 293
• 6.3.2 [실습] 손글씨 숫자 데이터 시각화 = 294
• 6.4 Word2Vec = 300
• 6.4.1 [이론] Word2Vec = 300
• 6.4.2 [실습] Word2Vec = 309
• 07 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 = 321
• Jupyter Notebook = 321
• Keras = 321
• Tensorflow = 321