머신러닝을 활용한 웹 최적화
A/B 테스트, 메타휴리스틱, 슬롯머신 알고리즘에서 베이즈 최적화까지
Regular price
$38.20
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
사용자 만족 서비스를 위한 최강 솔루션, 웹 최적화
사용자는 개발자가 생각하는 대로 움직이지 않는다. 사용자 요구는 물론이고 해결 방법조차 분명하지 않은 상황에서 유일한 해답은 사용자의 행동이다. 행동을 관찰하고 얻은 통찰에 기반해 가설을 수립하고 새로운 대책을 웹 서비스에 적용하며 최적화를 진행하는 것이다. 이에 도움이 되는 강력한 무기가 바로 통계와 머신러닝이다. 웹 최적화를 통해 머신러닝 세계를 새롭게 보는 눈을 뜨길 바란다.
사용자는 개발자가 생각하는 대로 움직이지 않는다. 사용자 요구는 물론이고 해결 방법조차 분명하지 않은 상황에서 유일한 해답은 사용자의 행동이다. 행동을 관찰하고 얻은 통찰에 기반해 가설을 수립하고 새로운 대책을 웹 서비스에 적용하며 최적화를 진행하는 것이다. 이에 도움이 되는 강력한 무기가 바로 통계와 머신러닝이다. 웹 최적화를 통해 머신러닝 세계를 새롭게 보는 눈을 뜨길 바란다.
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
웹 최적화에 머신러닝을 도입한 국내 최초의 책
우리는 일상에서 접하는 대부분이 인터넷과 연결된 세계에 살고 있습니다. 사용자에게 최고의 경험을 제공하기 위해서는 빠른 변화와 다양성에 적극 반응하고 적응하는 것이 중요합니다. 그런데 사용자는 웹 서비스 개발자가 예상하는 것과 다르게 반응하고 행동합니다. 사용자가 원하는 것이 무엇인지 직접 물어봐서 알 수 있다면 좋겠지만, 이는 무척 어려운 일이며 사용자 자신이 원하는 것을 정확하게 알고 말한다는 보장도 없습니다.
이때 A/B 테스트로 대표되는 최적화 기술이 유용합니다. A/B 테스트에서 숫자로 나타난 사용자의 선택뿐만 아니라 그 이면에 숨겨진 데이터를 가설 검증에 활용해 더 나은 최적화 설계를 수행할 수 있게 해줍니다. 이제까지 베일에 가려져 있던 이 중요한 기술을 체계적으로 정리한 책은 국내에 없었습니다. 이 책은 통계학과 머신러닝이라는 수학적 방법을 이용해 최적화를 설명하고 코드를 통해 구체적으로 알기 쉽게 정리했습니다. 웹 최적화에 관한 고민을 이 책이 덜어줄 것입니다.
● 베이즈 추론 기반 의사 결정
● 적은 양의 데이터를 활용해 효율적으로 가설 검증하는 방법, 선형 모델
● 통계 모델을 사용하지 않는 최적화 방법, 메타휴리스틱
● 다중 슬롯머신 문제(MAB)와 그 해법
● 베이즈 최적화로 대화형 최적화 문제 다루기
● 웹 최적화에서 해결되지 않는 문제들
우리는 일상에서 접하는 대부분이 인터넷과 연결된 세계에 살고 있습니다. 사용자에게 최고의 경험을 제공하기 위해서는 빠른 변화와 다양성에 적극 반응하고 적응하는 것이 중요합니다. 그런데 사용자는 웹 서비스 개발자가 예상하는 것과 다르게 반응하고 행동합니다. 사용자가 원하는 것이 무엇인지 직접 물어봐서 알 수 있다면 좋겠지만, 이는 무척 어려운 일이며 사용자 자신이 원하는 것을 정확하게 알고 말한다는 보장도 없습니다.
이때 A/B 테스트로 대표되는 최적화 기술이 유용합니다. A/B 테스트에서 숫자로 나타난 사용자의 선택뿐만 아니라 그 이면에 숨겨진 데이터를 가설 검증에 활용해 더 나은 최적화 설계를 수행할 수 있게 해줍니다. 이제까지 베일에 가려져 있던 이 중요한 기술을 체계적으로 정리한 책은 국내에 없었습니다. 이 책은 통계학과 머신러닝이라는 수학적 방법을 이용해 최적화를 설명하고 코드를 통해 구체적으로 알기 쉽게 정리했습니다. 웹 최적화에 관한 고민을 이 책이 덜어줄 것입니다.
● 베이즈 추론 기반 의사 결정
● 적은 양의 데이터를 활용해 효율적으로 가설 검증하는 방법, 선형 모델
● 통계 모델을 사용하지 않는 최적화 방법, 메타휴리스틱
● 다중 슬롯머신 문제(MAB)와 그 해법
● 베이즈 최적화로 대화형 최적화 문제 다루기
● 웹 최적화에서 해결되지 않는 문제들
목차
목차
CHAPTER 1 A/B 테스트부터 시작하자: 베이즈 통계를 이용한 가설 검정 입문
1.1 A/B 테스트의 영향
1.2 앨리스와 밥의 보고서
1.3 확률 분포
1.4 베이즈 정리를 이용한 클릭률 추론
1.5 다른 해결책 1: 반복 모으기
1.6 다른 해결책 2: 베타 분포
1.7 사후 분포를 이용한 결단 내리기
1.8 정리
칼럼: 실험 설계의 기본 원칙
CHAPTER 2 확률적 프로그래밍: 컴퓨터의 도움을 받자
2.1 통계 모델 기술과 샘플링 실행
2.2 진정한 리뷰 점수
2.3 체류 시간 테스트하기
2.4 베이즈 추론을 이용한 통계적 가설 검정을 하는 이유
2.5 정리
CHAPTER 3 조합 테스트: 요소별로 분해해서 생각하자
3.1 찰리의 보고서
3.2 효과에 주목한 모델링
3.3 통계 모델 수정
3.4 완성한 보고서, 잘못된 모델
3.5 모델 선택
3.6 정리
칼럼: 직교 계획과 웹 최적화
CHAPTER 4 메타휴리스틱: 통계 모델을 사용하지 않는 최적화 방법
4.1 마케팅 회의
4.2 메타휴리스틱
4.3 언덕 오르기 알고리즘
4.4 확률적 언덕 오르기 알고리즘
4.5 시뮬레이티드 어닐링
4.6 유전 알고리즘
4.7 정리
칼럼: 유전 알고리즘과 대화형 최적화
칼럼: 웹 최적화와 대화형 최적화
CHAPTER 5 슬롯머신 알고리즘: 테스트 중의 손실에도 대응하자
5.1 소박한 의문
5.2 다중 슬롯머신 문제
5.3 .-greedy 알고리즘
5.4 시뮬레이티드 어닐링 .-greedy 알고리즘
5.5 소프트맥스 알고리즘
5.6 톰슨 샘플링
5.7 UCB 알고리즘
5.8 에렌의 질문에 대한 답변
5.9 정리
칼럼: 최적 슬롯 식별 문제
CHAPTER 6 조합 슬롯머신: 슬롯머신 알고리즘과 통계 모델의 만남
6.1 다시 찰리의 보고서
6.2 선형 모델과 일반화 선형 모델
6.3 MCMC를 슬롯머신에 사용하기
6.4 베이즈 선형 회귀 모델
6.5 LinUCB 알고리즘
6.6 정리
칼럼: 개인화에서의 응용
CHAPTER 7 베이즈 최적화: 연속값의 솔루션 공간에 도전하자
7.1 마케팅 회의
7.2 베이즈 최적화
7.3 가우스 과정
7.3.1 커널 트릭
7.4 컴퓨터와 대화하며 최적의 색 찾기
7.5 GP-UCB 알고리즘
7.6 GP-TS 알고리즘
7.7 응용 시 주의할 점
7.8 에렌의 질문
7.9 정리
칼럼: 베이즈 최적화를 대화형 최적화에 응용하기
CHAPTER 8 앞으로의 웹 최적화
8.1 단기적인 평가와 장기적인 평가
8.2 솔루션 공간 디자인
8.3 웹사이트 이외의 응용
APPENDIX A 행렬 연산 기초
A.1 행렬 정의
A.2 행렬의 합
A.3 행렬의 곱
A.4 행렬의 전치
APPENDIX B 로지스틱 회귀상에서의 톰슨 샘플링
B.1 베이즈 로지스틱 회귀
B.2 로지스틱 회귀 톰슨 샘플링
1.1 A/B 테스트의 영향
1.2 앨리스와 밥의 보고서
1.3 확률 분포
1.4 베이즈 정리를 이용한 클릭률 추론
1.5 다른 해결책 1: 반복 모으기
1.6 다른 해결책 2: 베타 분포
1.7 사후 분포를 이용한 결단 내리기
1.8 정리
칼럼: 실험 설계의 기본 원칙
CHAPTER 2 확률적 프로그래밍: 컴퓨터의 도움을 받자
2.1 통계 모델 기술과 샘플링 실행
2.2 진정한 리뷰 점수
2.3 체류 시간 테스트하기
2.4 베이즈 추론을 이용한 통계적 가설 검정을 하는 이유
2.5 정리
CHAPTER 3 조합 테스트: 요소별로 분해해서 생각하자
3.1 찰리의 보고서
3.2 효과에 주목한 모델링
3.3 통계 모델 수정
3.4 완성한 보고서, 잘못된 모델
3.5 모델 선택
3.6 정리
칼럼: 직교 계획과 웹 최적화
CHAPTER 4 메타휴리스틱: 통계 모델을 사용하지 않는 최적화 방법
4.1 마케팅 회의
4.2 메타휴리스틱
4.3 언덕 오르기 알고리즘
4.4 확률적 언덕 오르기 알고리즘
4.5 시뮬레이티드 어닐링
4.6 유전 알고리즘
4.7 정리
칼럼: 유전 알고리즘과 대화형 최적화
칼럼: 웹 최적화와 대화형 최적화
CHAPTER 5 슬롯머신 알고리즘: 테스트 중의 손실에도 대응하자
5.1 소박한 의문
5.2 다중 슬롯머신 문제
5.3 .-greedy 알고리즘
5.4 시뮬레이티드 어닐링 .-greedy 알고리즘
5.5 소프트맥스 알고리즘
5.6 톰슨 샘플링
5.7 UCB 알고리즘
5.8 에렌의 질문에 대한 답변
5.9 정리
칼럼: 최적 슬롯 식별 문제
CHAPTER 6 조합 슬롯머신: 슬롯머신 알고리즘과 통계 모델의 만남
6.1 다시 찰리의 보고서
6.2 선형 모델과 일반화 선형 모델
6.3 MCMC를 슬롯머신에 사용하기
6.4 베이즈 선형 회귀 모델
6.5 LinUCB 알고리즘
6.6 정리
칼럼: 개인화에서의 응용
CHAPTER 7 베이즈 최적화: 연속값의 솔루션 공간에 도전하자
7.1 마케팅 회의
7.2 베이즈 최적화
7.3 가우스 과정
7.3.1 커널 트릭
7.4 컴퓨터와 대화하며 최적의 색 찾기
7.5 GP-UCB 알고리즘
7.6 GP-TS 알고리즘
7.7 응용 시 주의할 점
7.8 에렌의 질문
7.9 정리
칼럼: 베이즈 최적화를 대화형 최적화에 응용하기
CHAPTER 8 앞으로의 웹 최적화
8.1 단기적인 평가와 장기적인 평가
8.2 솔루션 공간 디자인
8.3 웹사이트 이외의 응용
APPENDIX A 행렬 연산 기초
A.1 행렬 정의
A.2 행렬의 합
A.3 행렬의 곱
A.4 행렬의 전치
APPENDIX B 로지스틱 회귀상에서의 톰슨 샘플링
B.1 베이즈 로지스틱 회귀
B.2 로지스틱 회귀 톰슨 샘플링
저자
저자
이쓰카 슈헤이
UX 엔지니어, 크리에이티브 테크놀로지스트. 공학 박사. 1989년 이바라키현 쓰치우라시 출생. 2017년 도쿄대학 공학계 연구과 기술경영전략학 전공 및 박사 과정을 수료했다. 재학 당시부터 다양한 웹 서비스를 구축 및 운영했으며 웹 최적화 연구에 매진했다. 현재 웹과 머신러닝을 융합한 작품 제작에 몰두하고 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.

