다양한 그래프, 간단한 수학, R로 배우는 머신러닝
Regular price
$17.98
Sale price
Regular price
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
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.
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.
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
목차
목차
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
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
저자
저자
우치 다이스케
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.
데이터 사이언스, 통계적 머신러닝에 관련한 강의나 세미나를 담당.
복수의 민간기업의 기술고문으로 취임해 데이터 분석이나 AI 개발의 감수도 하고 있다.
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.
