아마존 머신 러닝 분야 베스트셀러! 그 명성 그대로!
머신 러닝, 딥러닝 핵심 알고리즘에서 GAN, 강화 학습까지!

코드 실행만으로는 머신 러닝과 딥러닝을 충분히 이해할 수 없다. 머신 러닝과 딥러닝을 제대로 이해하고 싶다면 코드 외에도 관련 이론과 알고리즘의 뒤편에 있는 수학 개념을 알아야 한다. 이 책은 이해를 돕는 개념 설명, 머신 러닝과 딥러닝 핵심 알고리즘의 작동 방식과 사용 방법, 그 밑바탕이 되는 수학, 실용적인 예제, 빠지기 쉬운 함정을 피하는 방법까지 이론과 코드를 균형 있게 설명한다. 파이썬 언어와 파이썬 기반의 머신 러닝 핵심 라이브러리(SciPy, NumPy, scikit-learn, Matplotlib, Pandas)를 사용해 머신 러닝을, 텐서플로(TensorFlow 2)를 사용해 딥러닝을 실습해본다. 특히 딥러닝은 최신 텐서플로 2에 맞춰 대폭 수정 및 보강되었다. 그러고 나서 GAN과 강화 학습도 자세하게 다룬다. 머신 러닝과 딥러닝 기본기를 탄탄하게 다지고 싶은 분께 추천한다.

[개정판에서 달라진 점]
(풀 컬러는 기본!)

1. 사이킷런, 텐서플로 최신 버전 반영

2. 머신 러닝 부분 대량의 주석 추가

3. 텐서플로 2에 맞춰 딥러닝 부분 전면 개편 및 내용 보강

4. GAN, 강화 학습 추가

5. 구글 코랩에서 실습 가능

6. 전체 무료 동영상 강의: http://bit.ly/haesun-youtube
일정한 주기로 업데이트 예정

7. 질의응답 오픈채팅방 운영: http://bit.ly/tensor-chat
역자가 직접 운영하는 오픈채팅방

간결한 개념, 수학, 실용적인 코드로
머신 러닝, 딥러닝 이론을 완성한다!

이론과 코드를 균형 있게 설명한다!
코드 실행만으로는 머신 러닝과 딥러닝을 충분히 이해할 수 없다. 머신 러닝과 딥러닝을 제대로 이해하고 싶다면 코드 외에도 관련 이론과 알고리즘의 뒤편에 있는 수학 개념을 알아야 한다. 이 책은 이해를 돕는 개념 설명, 머신 러닝과 딥러닝 핵심 알고리즘의 작동 방식과 사용 방법, 그 밑바탕이 되는 수학, 실용적인 예제, 빠지기 쉬운 함정을 피하는 방법까지 이론과 코드를 균형 있게 설명한다. 사이킷런의 기여자이자 mlxtend 라이브러리 제작자인 저자가 오랜 기간 머신 러닝 개발자로 일하면서 익힌 노하우를 책 곳곳에서 함께 설명하므로 머신 러닝을 실제로 활용하는 방법까지 엿볼 수 있다.

핵심 알고리즘을 직접 구현한다!
파이썬 언어와 파이썬 기반의 머신 러닝 핵심 라이브러리(SciPy, NumPy, scikit-learn, Matplotlib, Pandas)를 사용해 머신 러닝을, 텐서플로를 사용해 딥러닝을 실습해본다. 특히 딥러닝은 최신 텐서플로에 맞춰 대폭 수정 및 보강되었다. 그러고 나서 GAN과 강화 학습도 자세하게 다룬다. 머신 러닝과 딥러닝 핵심 알고리즘의 수학적 이론을 소개하고, 간단한 알고리즘은 처음부터 직접 구현해본다.

실용적인 예제로 배운다!
책의 모든 예제가 오랫동안 위스콘신 대학교에서 강의하고 현장에서 일한 저자의 경험을 바탕으로 한다. 단순히 개념만 익히는 것이 아닌 실용적이고 확장 가능한 예제들로 구성되어 있다. 이 예제들을 학습하면서 머신 러닝과 딥러닝의 개념, 핵심 알고리즘, 활용 팁 등을 확실하게 이해할 수 있으며, 나만의 딥러닝 모델을 만들 때 레시피로 활용할 수도 있다.

1장 컴퓨터는 데이터에서 배운다 1.1 데이터를 지식으로 바꾸는 지능적인 시스템 구축 1.2 머신 러닝의 세 가지 종류 1.3 기본 용어와 표기법 소개 1.4 머신 러닝 시스템 구축 로드맵 1.5 머신 러닝을 위한 파이썬 1.6 요약 2장 간단한 분류 알고리즘 훈련 2.1 인공 뉴런: 초기 머신 러닝의 간단한 역사 2.2 파이썬으로 퍼셉트론 학습 알고리즘 구현 2.3 적응형 선형 뉴런과 학습의 수렴 2.4 요약 3장 사이킷런을 타고 떠나는 머신 러닝 분류 모델 투어 3.1 분류 알고리즘 선택 3.2 사이킷런 첫걸음: 퍼셉트론 훈련 3.3 로지스틱 회귀를 사용한 클래스 확률 모델링 3.4 서포트 벡터 머신을 사용한 최대 마진 분류 3.5 커널 SVM을 사용하여 비선형 문제 풀기 3.6 결정 트리 학습 3.7 k-최근접 이웃: 게으른 학습 알고리즘 3.8 요약 4장 좋은 훈련 데이터셋 만들기: 데이터 전처리 4.1 누락된 데이터 다루기 4.2 범주형 데이터 다루기 4.3 데이터셋을 훈련 데이터셋과 테스트 데이터셋으로 나누기 4.4 특성 스케일 맞추기 4.5 유용한 특성 선택 4.6 랜덤 포레스트의 특성 중요도 사용 4.7 요약 5장 차원 축소를 사용한 데이터 압축 5.1 주성분 분석을 통한 비지도 차원 축소 5.2 선형 판별 분석을 통한 지도 방식의 데이터 압축 5.3 커널 PCA를 사용하여 비선형 매핑 5.4 요약 6장 모델 평가와 하이퍼파라미터 튜닝의 모범 사례 6.1 파이프라인을 사용한 효율적인 워크플로 6.2 k-겹 교차 검증을 사용한 모델 성능 평가 6.3 학습 곡선과 검증 곡선을 사용한 알고리즘 디버깅 6.4 그리드 서치를 사용한 머신 러닝 모델 세부 튜닝 6.5 여러 가지 성능 평가 지표 6.6 불균형한 클래스 다루기 6.7 요약 7장 다양한 모델을 결합한 앙상블 학습 7.1 앙상블 학습 7.2 다수결 투표를 사용한 분류 앙상블 7.3 배깅: 부트스트랩 샘플링을 통한 분류 앙상블 7.4 약한 학습기를 이용한 에이다부스트 7.5 요약 8장 감성 분석에 머신 러닝 적용 8.1 텍스트 처리용 IMDb 영화 리뷰 데이터 준비 8.2 BoW 모델 소개 8.3 문서 분류를 위한 로지스틱 회귀 모델 훈련 8.4 대용량 데이터 처리: 온라인 알고리즘과 외부 메모리 학습 8.5 잠재 디리클레 할당을 사용한 토픽 모델링 8.6 요약 9장 웹 애플리케이션에 머신 러닝 모델 내장 9.1 학습된 사이킷런 추정기 저장 9.2 데이터를 저장하기 위해 SQLite 데이터베이스 설정 9.3 플라스크 웹 애플리케이션 개발 9.4 영화 리뷰 분류기를 웹 애플리케이션으로 만들기 9.5 공개 서버에 웹 애플리케이션 배포 9.6 요약 10장 회귀 분석으로 연속적 타깃 변수 예측 10.1 선형 회귀 10.2 주택 데이터셋 탐색 10.3 최소 제곱 선형 회귀 모델 구현 10.4 RANSAC을 사용하여 안정된 회귀 모델 훈련 10.5 선형 회귀 모델의 성능 평가 10.6 회귀에 규제 적용 10.7 선형 회귀 모델을 다항 회귀로 변환 10.8 랜덤 포레스트를 사용하여 비선형 관계 다루기 10.9 요약 11장 레이블되지 않은 데이터 다루기: 군집 분석 11.1 k- 평균 알고리즘을 사용하여 유사한 객체 그룹핑 11.2 계층적인 트리로 클러스터 조직화 11.3 DBSCAN을 사용하여 밀집도가 높은 지역 찾기 11.4 요약 12장 다층 인공 신경망을 밑바닥부터 구현 12.1 인공 신경망으로 복잡한 함수 모델링 12.2 손글씨 숫자 분류 12.3 인공 신경망 훈련 12.4 신경망의 수렴 12.5 신경망 구현에 관한 몇 가지 첨언 12.6 요약 13장 텐서플로를 사용한 신경망 훈련 13.1 텐서플로와 훈련 성능 13.2 텐서플로 처음 시작하기 13.3 텐서플로 데이터셋 API(tf.data)를 사용하여 입력 파이프라인 구축 13.4 텐서플로로 신경망 모델 만들기 13.5 다층 신경망의 활성화 함수 선택 13.6 요약 14장 텐서플로 구조 자세히 알아보기 14.1 텐서플로의 주요 특징 14.2 텐서플로의 계산 그래프: 텐서플로 v2로 이전 14.3 모델 파라미터를 저장하고 업데이트하기 위한 텐서플로 변수 객체 14.4 자동 미분과 GradientTape로 그레이디언트 계산 14.5 케라스 API를 사용하여 일반적인 구조 구현하기 14.6 텐서플로 추정기 14.7 요약 15장 심층 합성곱 신경망으로 이미지 분류 15.1 합성곱 신경망의 구성 요소 15.2 기본 구성 요소를 사용하여 심층 합성곱 신경망 구성 15.3 텐서플로를 사용하여 심층 합성곱 신경망 구현 15.4 합성곱 신경망을 사용하여 얼굴 이미지의 성별 분류 15.5 요약 16장 순환 신경망으로 순차 데이터 모델링 16.1 순차 데이터 소개 16.2 시퀀스 모델링을 위한 RNN 16.3 텐서플로로 시퀀스 모델링을 위한 RNN 구현 16.4 트랜스포머 모델을 사용한 언어 이해 16.5 요약 17장 새로운 데이터 합성을 위한 생성적 적대 신경망 17.1 생성적 적대 신경망 소개 17.2 밑바닥부터 GAN 모델 구현 17.3 합성곱 GAN과 바서슈타인 GAN으로 합성 이미지 품질 높이기 17.4 다른 GAN 애플리케이션 17.5 요약 18장 강화 학습으로 복잡한 환경에서 의사 결정 18.1 경험에서 배운다 18.2 강화 학습의 기초 이론 18.3 강화 학습 알고리즘 18.4 첫 번째 강화 학습 알고리즘 구현 18.5 전체 요약 부록 A 윈도에 아나콘다, 사이킷런, 텐서플로 설치 A.1 아나콘다 설치 A.2 사이킷런, 텐서플로 설치 A.3 예제 노트북 실행 A.4 주피터 노트북 뷰어와 구글 코랩 사용