리얼월드 머신러닝(데이터 사이언스 시리즈 6)

《리얼월드 머신러닝》은 추상적 이론과 복잡한 수학을 과용하지 않고 성공적인 머신러닝 실무자가 되는 데 필요한 개념과 기술을 가르쳐 준다. 관련 예제를 파이썬으로 바로 실습함으로써 데이터 수집, 모델링, 분류 및 회귀 기술을 익힐 수 있으며, 모델 유효성 검사, 최적화, 확장성 및 실시간 스트리밍과 같은 가장 중요한 작업들도 탐구한다. 위 과정을 마치고 나면 여러분의 강력한 머신러닝 시스템을 스스로 구축하고 배포하고 유지할 수 있을 것이다.



1부에서는 머신러닝의 기본적인 개념을 설명하고 2부에서는 라이브러리를 활용해 머신러닝 모델을 만드는 전체 과정을 보여준다. 일반적인 데이터, 텍스트 데이터, 빅데이터와 관련된 3개의 예제를 통해 자세하고 다양하게 배울 수 있으며, 또한 이 과정에서 발생하는 어려움을 해결하는 방법을 알 수 있다. 책에서 얻은 간접 경험이 실제로 머신러닝을 사용하는 일에 많은 도움이 될 것이다.



★ 이 책에서 다루는 내용 ★

◎ 미래 행동 예측하기

◎ 성능 평가와 최적화

◎ 특성 추출

◎ 고급 자연어 처리

◎ 영화 감상평 분석 및 추천

[01부] 머신러닝 작업흐름

▣ 01장: 머신러닝이란 무엇인가?

1.1 기계가 학습하는 방법

1.2. 데이터에 근거한 결정

__1.2.1. 전통적 접근법

__1.2.2. 머신러닝 접근법

__1.2.3. 머신러닝의 다섯 가지 이점

__1.2.4. 문제점

1.3. 머신러닝 작업흐름 따라가기: 데이터에서 배포까지

__1.3.1. 데이터 수집 및 준비

__1.3.2. 데이터로 모델 가르치기

__1.3.3. 모델 성능 평가

__1.3.4. 모델 성능 최적화

1.4. 고급 기법으로 모델 성능을 높이기

__1.4.1. 데이터 전처리 및 특성 공학

__1.4.2. 온라인 방식으로 모델을 지속해서 개선

__1.4.3. 모델의 데이터 크기와 속도 확장

1.5. 요약

1.6. 이번 장에 나오는 용어



▣ 02장: 실무현장 데이터

2.1. 시작하기: 데이터 수집

__2.1.1. 어떤 특성을 포함해야 하는가?

__2.1.2. 목표 변수에 대한 실측 자료를 어떻게 얻을 수 있는가?

__2.1.3. 얼마나 많은 훈련 데이터가 필요한가?

__2.1.4. 훈련 집합이 충분히 대표성을 띄는가?

2.2. 모델링을 위한 데이터 전처리

__2.2.1. 범주형 특성

__2.2.2. 결측 자료 다루기

__2.2.3. 간단한 특성 추출

__2.2.4. 데이터 정규화

2.3. 데이터 시각화 사용

__2.3.1. 모자이크 분포도

__2.3.2. 상자 분포도

__2.3.3. 밀도 분포도

__2.3.4. 산점도

2.4. 요약

2.5. 이번 장에 나온 용어



▣ 03장: 모델링과 예측

3.1. 머신러닝 모델링의 기본

3.1.1. 입력과 목표 간의 관계 찾기

__3.1.2. 좋은 모델을 찾는 목적

__3.1.3. 모델링 방법의 종류

__3.1.4. 지도 학습 대 비지도 학습

3.2. 분류: 버킷으로 예측하기

__3.2.1. 분류기를 만들고 예측하기

__3.2.2. 복잡한 비선형 데이터 분류

__3.2.3. 여러 계급으로 분류하기

3.3. 회귀: 수치 예측

__3.3.1. 회귀기 구축 및 예측

__3.3.2. 복잡한 비선형 데이터에 대한 회귀 수행

3.4. 요약

3.5. 이번 장에 나온 용어



▣ 04장: 모델 평가와 최적화

4.1. 모델 일반화: 신규 데이터에 대한 예측 정확도 평가

__4.1.1. 문제: 과적합과 모델 낙천주의

__4.1.2. 해결책: 교차 검증

__4.1.3. 교차 검증 시 주의사항

4.2. 분류 모델 평가

__4.2.1. 계급 단위 정확도와 혼동 행렬

__4.2.2. 정확도 절충과 ROC 곡선

4.2.3. 다중 계급 분류

4.3. 회귀 모델 평가

__4.3.1. 간단한 회귀 성능 측정 사용

__4.3.2. 잔차 검사

4.4. 매개변수 튜닝을 통한 모델 최적화

__4.4.1. 머신러닝 알고리즘과 조율 매개변수

__4.4.2. 그리드 탐색

4.5. 요약

4.6. 이번 장에 나온 용어



▣ 05장: 특성 추출의 기본

5.1. 동기: 특성 공학이 유용한 이유는?

__5.1.1. 특성 추출이란 무엇인가?

__5.1.2. 특성 추출을 해야 하는 다섯 가지 이유

__5.1.3. 특성 추출과 특정 분야 전문 지식

5.2. 기본적인 특성 추출 과정

__5.2.1. 예제: 행사 추천

__5.2.2. 날짜 및 시간 특성 다루기

__5.2.3. 간단한 텍스트 특성으로 작업하기

5.3. 특성 선택

__5.3.1. 전진 선택과 후진 제거

__5.3.2. 데이터 탐색을 위한 특성 선택

__5.3.3. 현업 특성 선택 예제

5.4. 요약

5.5. 이번 장에 나온 용어



[02부] 실제 적용

▣ 06장: 예제: 뉴욕 시 택시 데이터

6.1. 데이터: 뉴욕 시 택시 운행 정보와 요금 정보

__6.1.1. 데이터 시각화

__6.1.2. 문제 정의 및 데이터 준비

6.2. 모델링

__6.2.1. 기본적인 선형 모델

__6.2.2. 비선형 분류기

__6.2.3. 범주형 특성 포함하기

__6.2.4. 날짜 및 시간 특성 포함

__6.2.5. 모델 통찰

6.3. 요약

6.4. 이번 장에 나오는 용어



▣ 07장: 고급 특성 추출 기법

7.1. 고급 텍스트 특성

__7.1.1. 단어 주머니 모델

__7.1.2. 주제 모델링

__7.1.3. 내용 확장

7.2. 이미지 특성

__7.2.1. 간단한 이미지 특성

__7.2.2. 물체와 형태 추출

7.3. 시계열 특성

__7.3.1. 시계열 데이터의 유형

__7.3.2. 시계열 데이터를 바탕으로 한 예측

__7.3.3. 고전적 시계열 특성

7.3.4. 사건 흐름에 대한 특성 추출

7.4. 요약

7.5. 이번 장에 나온 용어



▣ 08장: 고급 자연 언어 처리 예제: 영화 감상평 평점

8.1. 데이터 및 사용사례 탐구

__8.1.1. 데이터셋 훑어보기

__8.1.2. 데이터셋 조사

__8.1.3. 사용사례란 무엇인가?

8.2. 기초 자연 언어 처리 특성 추출 및 초기 모델 구축

__8.2.1. 단어 주머니 특성

__8.2.2. 나이브 베이즈 알고리즘으로 모델 구축하기

__8.2.3. tf-idf 알고리즘으로 단어 주머니의 특성들을 정규화하기

__8.2.4. 모델 매개변수 최적화

8.3. 고급 알고리즘과 모델 배치 고려사항

__8.3.1. Word2vec 특성

__8.3.2. 랜덤 포레스트 모델

8.4. 요약

8.5. 이번 장에 나온 용어



▣ 09장: 머신러닝 작업 흐름 확장

9.1. 확장하기 전에

__9.1.1. 중요 차원 식별

__9.1.2. 확장하는 대신 훈련 데이터를 부차 표집하기?

__9.1.3. 확장 가능한 데이터 관리 시스템

9.2. 머신러닝 모델링 파이프라인 확장

__9.2.1. 학습 알고리즘 확장

9.3. 예측 확장

__9.3.1. 예측량 높이기

__9.3.2. 예측 속도 높이기

9.4. 요약

9.5. 이번 장의 용어



▣ 10장: 예제: 디지털 디스플레이 광고

10.1. 디스플레이 광고

10.2. 디지털 광고 데이터

10.3. 특성 추출과 모델링 전략

10.4. 데이터의 크기와 모양

10.5. 특잇값 분해

10.6. 자원 추정 및 최적화

10.7. 모델링

10.8. k 최근접 이웃

10.9. 랜덤 포레스트

10.10. 기타 현업 고려사항

10.11. 요약

10.12. 이번 장에 나온 용어

10.13. 요점 및 결론



▣ 부록: 인기 있는 머신러닝 알고리즘

헨릭 브링크 저자 헨릭 브링크(Henrik Brink) 는 헨릭 브링크는 업계 및 학계에서 광범위한 머신러닝 경험을 한 데이터 과학자이자 소프트웨어 개발자이다.