서브메뉴
검색
본문
Powered by NAVER OpenAPI
-
-
단단한 머신러닝(아이러브 인공지능 24) (머신러닝 기본 개념을 제대로 정리한 인공지능 교과서)
저자 : 조우쯔화
출판사 : 제이펍
출판년 : 2020
ISBN : 9791188621989
책소개
간결한 설명과 최소한의 수학적 지식을 통해 체계적으로 정리한 머신러닝 입문서!
『단단한 머신러닝』은 인공지능 분야의 명예의 전당이라는 AAAI의 펠로우로 선정된 저자가 머신러닝을 처음 접하는 독자를 위해 2년간 정성을 다해 집필한 책이다. 이공계 고학년과 대학원의 16주 머신러닝 강의에 맞춰 각 장이 30페이지가 넘지 않는 16개의 장과 수준 있는 연습문제로 구성하였으며, 최대한 다양한 독자에게 머신러닝을 소개하기 위해 최소한의 수학적 지식만을 사용하였다.
『단단한 머신러닝』은 인공지능 분야의 명예의 전당이라는 AAAI의 펠로우로 선정된 저자가 머신러닝을 처음 접하는 독자를 위해 2년간 정성을 다해 집필한 책이다. 이공계 고학년과 대학원의 16주 머신러닝 강의에 맞춰 각 장이 30페이지가 넘지 않는 16개의 장과 수준 있는 연습문제로 구성하였으며, 최대한 다양한 독자에게 머신러닝을 소개하기 위해 최소한의 수학적 지식만을 사용하였다.
[예스24에서 제공한 정보입니다.]
출판사 서평
간결한 설명과 최소한의 수학적 지식을 통해 체계적으로 정리한 머신러닝 입문서!
이 책은 인공지능 분야의 명예의 전당이라는 AAAI의 펠로우로 선정된 저자가 머신러닝을 처음 접하는 독자를 위해 2년간 정성을 다해 집필한 책입니다. 이공계 고학년과 대학원의 16주 머신러닝 강의에 맞춰 각 장이 30페이지가 넘지 않는 16개의 장과 수준 있는 연습문제로 구성하였으며, 최대한 다양한 독자에게 머신러닝을 소개하기 위해 최소한의 수학적 지식만을 사용하였습니다.
이 책의 주요 목적은 독자들에게 나무와 숲을 함께 볼 수 있는 ‘초급 지도’를 제공해 머신러닝 입문자들이 올바른 방향으로 나갈 수 있도록 도와주는 것입니다. 다양한 머신러닝 알고리즘을 이해하기 쉽도록 이론뿐만 아니라 내부 처리 로직까지 설명하고 있어서 실제 머신러닝 기법의 개념과 원리를 탄탄하게 배울 수 있습니다.
아울러 체계적이고 간결한 내용 전개는 학부나 대학원의 교재뿐만 아니라 독학을 위한 자습서나 연구 참고용 도서로도 좋습니다.
이 책은 인공지능 분야의 명예의 전당이라는 AAAI의 펠로우로 선정된 저자가 머신러닝을 처음 접하는 독자를 위해 2년간 정성을 다해 집필한 책입니다. 이공계 고학년과 대학원의 16주 머신러닝 강의에 맞춰 각 장이 30페이지가 넘지 않는 16개의 장과 수준 있는 연습문제로 구성하였으며, 최대한 다양한 독자에게 머신러닝을 소개하기 위해 최소한의 수학적 지식만을 사용하였습니다.
이 책의 주요 목적은 독자들에게 나무와 숲을 함께 볼 수 있는 ‘초급 지도’를 제공해 머신러닝 입문자들이 올바른 방향으로 나갈 수 있도록 도와주는 것입니다. 다양한 머신러닝 알고리즘을 이해하기 쉽도록 이론뿐만 아니라 내부 처리 로직까지 설명하고 있어서 실제 머신러닝 기법의 개념과 원리를 탄탄하게 배울 수 있습니다.
아울러 체계적이고 간결한 내용 전개는 학부나 대학원의 교재뿐만 아니라 독학을 위한 자습서나 연구 참고용 도서로도 좋습니다.
[알라딘에서 제공한 정보입니다.]
목차정보
CHAPTER 01 서론 1
1.1 들어가며 1
1.2 머신러닝의 기본 용어 2
1.3 가설 공간 5
1.4 귀납적 편향 8
1.5 발전 과정 13
1.6 응용 현황 18
1.7 더 읽을거리 22
연습문제 25
참고문헌 26
머신러닝 쉼터 28
CHAPTER 02 모델 평가 및 선택 29
2.1 경험 오차 및 과적합 29
2.2 평가 방법 31
2.3 모델 성능 측정 37
2.4 비교 검증 47
2.5 편향과 분산 57
2.6 더 읽을거리 59
연습문제 61
참고문헌 62
머신러닝 쉼터 64
CHAPTER 03 선형 모델 65
3.1 기본 형식 65
3.2 선형 회귀 66
3.3 로지스틱 회귀 70
3.4 선형 판별분석 73
3.5 다중 분류 학습 77
3.6 클래스 불균형 문제 80
3.7 더 읽을거리 83
연습문제 85
참고문헌 86
머신러닝 쉼터 88
CHAPTER 04 의사결정 트리 89
4.1 기본 프로세스 89
4.2 분할 선택 92
4.3 가지치기 98
4.4 연속값과 결측값 103
4.5 다변량 의사결정 트리 110
4.6 더 읽을거리 113
연습문제 115
참고문헌 117
머신러닝 쉼터 118
CHAPTER 05 신경망 119
5.1 뉴런 모델 119
5.2 퍼셉트론과 다층 네트워크 121
5.3 오차 역전파 알고리즘 124
5.4 글로벌 미니멈과 로컬 미니멈 130
5.5 기타 신경망 133
5.6 딥러닝 139
5.7 더 읽을거리 142
연습문제 144
참고문헌 145
머신러닝 쉼터 148
CHAPTER 06 서포트 벡터 머신 149
6.1 마진과 서포트 벡터 149
6.2 쌍대문제 151
6.3 커널 함수 155
6.4 소프트 마진과 정규화 158
6.5 서포터 벡터 회귀 163
6.6 커널 기법 167
6.7 더 읽을거리 170
연습문제 172
참고문헌 173
머신러닝 쉼터 175
CHAPTER 07 베이지안 분류기 177
7.1 베이지안 결정 이론 177
7.2 최대 우도 추정 179
7.3 나이브 베이즈 분류기 181
7.4 세미 나이브 베이즈 분류기 186
7.5 베이지안 네트워크 188
7.6 EM 알고리즘 195
7.7 더 읽을거리 197
연습문제 199
참고문헌 200
머신러닝 쉼터 202
CHAPTER 08 앙상블 학습 203
8.1 객체와 앙상블 203
8.2 부스팅 206
8.3 배깅과 랜덤 포레스트 211
8.4 결합 전략 215
8.5 다양성 221
8.6 더 읽을거리 227
연습문제 229
참고문헌 231
머신러닝 쉼터 234
CHAPTER 09 클러스터링 235
9.1 클러스터링 학습 문제 235
9.2 성능 척도 236
9.3 거리 계산법 238
9.4 프로토타입 클러스터링 241
9.5 밀도 클러스터링 252
9.6 계층 클러스터링 255
9.7 더 읽을거리 259
연습문제 262
참고문헌 264
머신러닝 쉼터 266
CHAPTER 10 차원 축소와 척도 학습 267
10.1 k-최근접 이웃 기법 267
10.2 임베딩 269
10.3 주성분 분석 273
10.4 커널 선형 차원 축소 275
10.5 매니폴드 학습 278
10.6 척도 학습 282
10.7 더 읽을거리 285
연습문제 287
참고문헌 288
머신러닝 쉼터 290
CHAPTER 11 특성 선택과 희소 학습 291
11.1 부분집합 탐색과 평가 291
11.2 필터식 선택 294
11.3 포괄식 선택 296
11.4 임베딩식 선택과 L1 정규화 298
11.5 희소 표현과 사전 학습 301
11.6 압축 센싱 304
11.7 더 읽을거리 308
연습문제 310
참고문헌 311
머신러닝 쉼터 314
CHAPTER 12 계산 학습 이론 315
12.1 기초 지식 315
12.2 PAC 학습 317
12.3 유한 가설 공간 319
12.4 VC 차원 323
12.5 라데마허 복잡도 329
12.6 안정성 335
12.7 더 읽을거리 339
연습문제 341
참고문헌 342
머신러닝 쉼터 343
CHAPTER 13 준지도 학습 345
13.1 언레이블된 데이터 345
13.2 생성적 방법 348
13.3 준지도 SVM 352
13.4 그래프 준지도 학습 355
13.5 불일치에 기반한 방법 359
13.6 준지도 클러스터링 363
13.7 더 읽을거리 368
연습문제 370
참고문헌 372
머신러닝 쉼터 374
CHAPTER 14 확률 그래피컬 모델 375
14.1 은닉 마르코프 모델 375
14.2 마르코프 랜덤 필드 379
14.3 조건 랜덤 필드 383
14.4 학습과 추론 386
14.5 근사추론 390
14.6 토픽 모델 397
14.7 더 읽을거리 400
연습문제 403
참고문헌 404
머신러닝 쉼터 406
CHAPTER 15 규칙 학습 407
15.1 기본 개념 407
15.2 순차적 커버링 410
15.3 가지치기 최적화 414
15.4 일차 규칙 학습 416
15.5 귀납 논리 프로그래밍 420
15.6 더 읽을거리 428
연습문제 431
참고문헌 432
머신러닝 쉼터 434
CHAPTER 16 강화 학습 435
16.1 과업과 보상 435
16.2 K-암드 밴딧 438
16.3 모델 기반 학습 443
16.4 모델-프리 학습 450
16.5 가치 함수 근사 457
16.6 이미테이션 러닝 460
16.7 더 읽을거리 462
연습문제 464
참고문헌 465
머신러닝 쉼터 467
APPENDIX A 행렬 469
A.1 기본 연산 469
A.2 도함수 470
A.3 특잇값 분해 472
APPENDIX B 최적화 474
B.1 라그랑주 승수법 474
B.2 이차 프로그래밍 477
B.3 반정형 프로그래밍 478
B.4 경사하강법 479
B.5 좌표하강법 480
APPENDIX C 확률 분포 482
C.1 자주 사용하는 확률 분포 482
C.2 켤레 분포 487
C.3 KL 발산 488
에필로그 489
찾아보기 494
1.1 들어가며 1
1.2 머신러닝의 기본 용어 2
1.3 가설 공간 5
1.4 귀납적 편향 8
1.5 발전 과정 13
1.6 응용 현황 18
1.7 더 읽을거리 22
연습문제 25
참고문헌 26
머신러닝 쉼터 28
CHAPTER 02 모델 평가 및 선택 29
2.1 경험 오차 및 과적합 29
2.2 평가 방법 31
2.3 모델 성능 측정 37
2.4 비교 검증 47
2.5 편향과 분산 57
2.6 더 읽을거리 59
연습문제 61
참고문헌 62
머신러닝 쉼터 64
CHAPTER 03 선형 모델 65
3.1 기본 형식 65
3.2 선형 회귀 66
3.3 로지스틱 회귀 70
3.4 선형 판별분석 73
3.5 다중 분류 학습 77
3.6 클래스 불균형 문제 80
3.7 더 읽을거리 83
연습문제 85
참고문헌 86
머신러닝 쉼터 88
CHAPTER 04 의사결정 트리 89
4.1 기본 프로세스 89
4.2 분할 선택 92
4.3 가지치기 98
4.4 연속값과 결측값 103
4.5 다변량 의사결정 트리 110
4.6 더 읽을거리 113
연습문제 115
참고문헌 117
머신러닝 쉼터 118
CHAPTER 05 신경망 119
5.1 뉴런 모델 119
5.2 퍼셉트론과 다층 네트워크 121
5.3 오차 역전파 알고리즘 124
5.4 글로벌 미니멈과 로컬 미니멈 130
5.5 기타 신경망 133
5.6 딥러닝 139
5.7 더 읽을거리 142
연습문제 144
참고문헌 145
머신러닝 쉼터 148
CHAPTER 06 서포트 벡터 머신 149
6.1 마진과 서포트 벡터 149
6.2 쌍대문제 151
6.3 커널 함수 155
6.4 소프트 마진과 정규화 158
6.5 서포터 벡터 회귀 163
6.6 커널 기법 167
6.7 더 읽을거리 170
연습문제 172
참고문헌 173
머신러닝 쉼터 175
CHAPTER 07 베이지안 분류기 177
7.1 베이지안 결정 이론 177
7.2 최대 우도 추정 179
7.3 나이브 베이즈 분류기 181
7.4 세미 나이브 베이즈 분류기 186
7.5 베이지안 네트워크 188
7.6 EM 알고리즘 195
7.7 더 읽을거리 197
연습문제 199
참고문헌 200
머신러닝 쉼터 202
CHAPTER 08 앙상블 학습 203
8.1 객체와 앙상블 203
8.2 부스팅 206
8.3 배깅과 랜덤 포레스트 211
8.4 결합 전략 215
8.5 다양성 221
8.6 더 읽을거리 227
연습문제 229
참고문헌 231
머신러닝 쉼터 234
CHAPTER 09 클러스터링 235
9.1 클러스터링 학습 문제 235
9.2 성능 척도 236
9.3 거리 계산법 238
9.4 프로토타입 클러스터링 241
9.5 밀도 클러스터링 252
9.6 계층 클러스터링 255
9.7 더 읽을거리 259
연습문제 262
참고문헌 264
머신러닝 쉼터 266
CHAPTER 10 차원 축소와 척도 학습 267
10.1 k-최근접 이웃 기법 267
10.2 임베딩 269
10.3 주성분 분석 273
10.4 커널 선형 차원 축소 275
10.5 매니폴드 학습 278
10.6 척도 학습 282
10.7 더 읽을거리 285
연습문제 287
참고문헌 288
머신러닝 쉼터 290
CHAPTER 11 특성 선택과 희소 학습 291
11.1 부분집합 탐색과 평가 291
11.2 필터식 선택 294
11.3 포괄식 선택 296
11.4 임베딩식 선택과 L1 정규화 298
11.5 희소 표현과 사전 학습 301
11.6 압축 센싱 304
11.7 더 읽을거리 308
연습문제 310
참고문헌 311
머신러닝 쉼터 314
CHAPTER 12 계산 학습 이론 315
12.1 기초 지식 315
12.2 PAC 학습 317
12.3 유한 가설 공간 319
12.4 VC 차원 323
12.5 라데마허 복잡도 329
12.6 안정성 335
12.7 더 읽을거리 339
연습문제 341
참고문헌 342
머신러닝 쉼터 343
CHAPTER 13 준지도 학습 345
13.1 언레이블된 데이터 345
13.2 생성적 방법 348
13.3 준지도 SVM 352
13.4 그래프 준지도 학습 355
13.5 불일치에 기반한 방법 359
13.6 준지도 클러스터링 363
13.7 더 읽을거리 368
연습문제 370
참고문헌 372
머신러닝 쉼터 374
CHAPTER 14 확률 그래피컬 모델 375
14.1 은닉 마르코프 모델 375
14.2 마르코프 랜덤 필드 379
14.3 조건 랜덤 필드 383
14.4 학습과 추론 386
14.5 근사추론 390
14.6 토픽 모델 397
14.7 더 읽을거리 400
연습문제 403
참고문헌 404
머신러닝 쉼터 406
CHAPTER 15 규칙 학습 407
15.1 기본 개념 407
15.2 순차적 커버링 410
15.3 가지치기 최적화 414
15.4 일차 규칙 학습 416
15.5 귀납 논리 프로그래밍 420
15.6 더 읽을거리 428
연습문제 431
참고문헌 432
머신러닝 쉼터 434
CHAPTER 16 강화 학습 435
16.1 과업과 보상 435
16.2 K-암드 밴딧 438
16.3 모델 기반 학습 443
16.4 모델-프리 학습 450
16.5 가치 함수 근사 457
16.6 이미테이션 러닝 460
16.7 더 읽을거리 462
연습문제 464
참고문헌 465
머신러닝 쉼터 467
APPENDIX A 행렬 469
A.1 기본 연산 469
A.2 도함수 470
A.3 특잇값 분해 472
APPENDIX B 최적화 474
B.1 라그랑주 승수법 474
B.2 이차 프로그래밍 477
B.3 반정형 프로그래밍 478
B.4 경사하강법 479
B.5 좌표하강법 480
APPENDIX C 확률 분포 482
C.1 자주 사용하는 확률 분포 482
C.2 켤레 분포 487
C.3 KL 발산 488
에필로그 489
찾아보기 494
[알라딘에서 제공한 정보입니다.]