머신러닝의 길잡이가 되어줄 주머니 속 핸드북!
도서구매 사이트(가나다순)
| [교보문고] [도서11번가] [반디앤루니스] [알라딘] [예스이십사] [인터파크] [쿠팡] |
출판사 제이펍
저작권사 O’Reilly Media
원서명 Machine Learning Pocket Reference: Working with Structured Data in Python (ISBN: 9781492047544)
지은이 맷 해리슨
옮긴이 박찬성
시리즈 아이러브 A.I. 31(I♥A.I. 31)
출판일 2021년 4월 30일
페이지 332쪽
판 형 46판변형(128 x 188 x 16.5)
제 본 무선(soft cover)
정 가 15,000원
ISBN 979-11-91600-00-1 (93000)
키워드 Machine Learning, 머신러닝, 인공지능, AI, 타이타닉 데이터셋, 클러스터링, 회귀, 차원성 감소, 파이썬
분 야 인공지능 / 머신러닝
관련 사이트
관련 포스트
■ 2021/4/21 - 머신러닝의 길잡이가 되어줄 Quick Reference!
관련 시리즈
■ I♥A.I 시리즈
관련 도서
■ 머신러닝 도감
■ 단단한 머신러닝
관련 파일 다운로드
주시기 바랍니다. 확인 후 연락을 드리도록 하겠습니다.
강의보조 자료
(교재로 채택하신 분들은 메일[textbook@jpub.kr]을 보내주시면 다음의 자료를 보내드리겠습니다.)
■ 본문의 그림과 표
샘플 PDF(차례, 옮긴이 머리말, 서문, 베타리더 후기, 1장 '소개', 2장 '머신러닝 과정에 대한 개요', 3장 '분류 문제 둘러보기: 타이타닉 데이터셋' 일부)
정오표 페이지
■ (등록되는 대로 링크를 걸어드리겠습니다)
도서구매 사이트(가나다순)
| [교보문고] [도서11번가] [반디앤루니스] [알라딘] [예스이십사] [인터파크] [쿠팡] |
도서 소개
머신러닝의 길잡이가 되어줄 주머니 속 핸드북!
이 책은 자세한 노트, 표, 예제를 담고 있으며, 구조적 데이터를 다루는 머신러닝의 기본을 탐색하는 데 도움이 되는 참고서이다.
또한 머신러닝 프로젝트의 수행 과정과 구조적 데이터를 분류하는 방법을 조망할 수 있어 프로그래머, 데이터 과학자, 인공지능 엔지니어에게 꼭 필요한 책이기도 하다. 클러스터링, 회귀, 차원성 감소를 비롯해 다음과 같은 여러 주제를 다룬다.
■ 타이타닉 데이터셋을 사용한 분류
■ 누락된 데이터를 다루는 등의 데이터 정리
■ 탐색적 데이터 분석
■ 샘플 데이터를 사용한 일반적인 전처리 과정
■ 모델에 유용한 특징의 선택
■ 모델의 선택
■ 분류 모델을 위한 평가지표와 평가
■ 다양한 머신러닝 기법을 사용한 회귀 예제
■ 회귀 모델을 위한 평가지표와 평가
■ 클러스터링
■ 차원성 감소
지은이 소개
맷 해리슨(Matt Harrison)
맷 해리슨은 파이썬과 데이터 과학을 위한 교육 및 컨설팅 회사인 MetaSnake를 운영 중이다. 2000년부터 데이터 과학, BI, 스토리지, 테스트 및 자동화, 오픈소스 스택 관리, 금융, 검색 등 다양한 도메인에서 파이썬을 활용한 경험이 많다.
옮긴이 소개
박찬성
인제대학교와 워싱턴 주립대학교에서 컴퓨터 공학을 전공했으며, 현재는 한국전자통신 연구원에서 컴퓨터 네트워크 분야를 연구 및 개발하고 있다. 《나만의 스마트워크 환경만들기》(비제이퍼블릭, 2020)를 집필하고, 《실전 시계열 분석》(한빛미디어, 2021)을 번역하였으며, 제이펍 출판사의 인공지능 시리즈의 디렉터로도 활동하는 등 글 쓰는 일에 관심이 많다. 또한 구글이 공인한 머신러닝 분야의 개발 전문가(Google Developers Experts for Machine Learning, ML GDE)로서 다양한 머신러닝 관련 프로젝트 및 교육자료를 만들고 있으며, 텐서플로 코리아 및 fast.ai KR 커뮤니티의 운영진 중 한 명으로 커뮤니티 발전에도 기여하고 있다.
차례
CHAPTER 1 소개
1.1 사용된 라이브러리 2
1.2 Pip을 이용한 설치 5
1.3 Conda를 이용한 설치 7
CHAPTER 2 머신러닝 과정에 대한 개요
CHAPTER 3 분류 문제 둘러보기: 타이타닉 데이터셋
3.1 프로젝트 구조의 제안 11
3.2 필요한 패키지 12
3.3 질문을 하자 13
3.4 데이터에 관한 용어 14
3.5 데이터의 수집 15
3.6 데이터의 정리 16
3.7 특징의 생성 24
3.8 샘플 데이터 27
3.9 데이터의 대치 27
3.10 데이터의 표준화 29
3.11 리팩터링 30
3.12 베이스라인 모델 31
3.13 다양한 알고리즘 32
3.14 스태킹 34
3.15 모델 만들기 35
3.16 모델의 평가 36
3.17 모델의 최적화 37
3.18 오차 행렬 38
3.19 ROC 곡선 40
3.20 학습 곡선 41
3.21 모델의 배포 42
CHAPTER 4 누락된 데이터
4.1 누락된 데이터의 분석 46
4.2 누락된 데이터의 삭제 50
4.3 데이터의 대치 51
4.4 지시자 열의 추가 52
CHAPTER 5 데이터의 정리
5.1 열의 이름 53
5.2 누락된 값의 교체 54
CHAPTER 6 탐색
6.1 데이터의 크기 57
6.2 요약 통계 58
6.3 히스토그램 59
6.4 산점도 60
6.5 조인트 플롯 61
6.6 쌍 격자 63
6.7 박스 플롯과 바이올린 플롯 65
6.8 두 순서형 값의 비교 66
6.9 상관관계 68
6.10 라드비즈 72
6.11 평행 좌표 74
CHAPTER 7 데이터 전처리
7.1 표준화 77
7.2 범위 조정 79
7.3 더미 변수 80
7.4 레이블 인코더 82
7.5 프리퀀시 인코딩 83
7.6 문자열에서 범주 가져오기 83
7.7 그 밖의 범주형 인코딩 85
7.8 날짜형 데이터의 특징 공학 88
7.9 col_na 특징의 추가 89
7.10 수동적 특징 공학 90
CHAPTER 8 특징의 선택
8.1 공선성을 가진 열 94
8.2 라소 회귀 97
8.3 재귀적 특징 제거 99
8.4 상호 정보량 100
8.5 주성분 분석 102
8.6 특징 중요도 102
CHAPTER 9 불균형 범주의 문제
9.1 다른 평가 지표 사용하기 103
9.2 트리 기반 알고리즘과 앙상블 103
9.3 모델에 페널티 부과하기 104
9.4 소수집단 데이터 업샘플링하기 105
9.5 소수집단 데이터 생성하기 106
9.6 과반수집단 데이터를 다운샘플링하기 106
9.7 업샘플링 후 다운샘플링하기 108
CHAPTER 10 분류
10.1 로지스틱 회귀 111
10.2 나이브 베이즈 116
10.3 서포트 벡터 머신 118
10.4 K-최근접 이웃 122
10.5 디시전 트리 125
10.6 랜덤 포레스트 134
10.7 XGBoost 139
10.8 LightGBM을 사용한 그래디언트 부스팅 150
10.9 TPOT 156
CHAPTER 11 모델 선택
11.1 검증 곡선 161
11.2 학습 곡선 163
CHAPTER 12 분류용 평가 지표로 평가하기
12.1 오차 행렬 165
12.2 평가 지표 168
12.3 정확도 170
12.4 재현율 171
12.5 정밀도 171
12.6 F1 171
12.7 분류 보고서 172
12.8 ROC 173
12.9 정밀도-재현율 곡선 174
12.10 누적 이득 도표 175
12.11 리프트 곡선 177
12.12 범주의 균형 179
12.13 범주 예측 오류 180
12.14 차별 임계치 181
CHAPTER 13 모델 설명
13.1 회귀 계수 183
13.2 특징 중요도 184
13.3 LIME 184
13.4 트리 기반 모델의 해석 186
13.5 부분 의존성 도표 187
13.6 대리 모델 191
13.7 SHAP 192
CHAPTER 14 회귀
14.1 베이스라인 모델 200
14.2 선형 회귀 200
14.3 SVM 204
14.4 K-최근접 이웃 207
14.5 디시전 트리 209
14.6 랜덤 포레스트 216
14.7 XGBoost 회귀 220
14.8 LightGBM 회귀 분석 227
CHAPTER 15 회귀용 평가 지표로 평가하기
15.1 평가 지표 233
15.2 잔차 도표 236
15.3 이분산성 237
15.4 정규 잔차 238
15.5 예측 오차 도표 240
CHAPTER 16 회귀 모델의 해석
16.1 SHAP 243
CHAPTER 17 차원성 감소
17.1 PCA 250
17.2 UMAP 269
17.3 t-SNE 275
17.4 PHATE 279
CHAPTER 18 클러스터링
18.1 K-평균 285
18.2 응집 클러스터링 293
18.3 클러스터의 이해 296
CHAPTER 19 파이프라인
19.1 분류 파이프라인 303
19.2 회귀 파이프라인 306
19.3 PCA 파이프라인 307
제이펍 소식 더 보기(제이펍의 소통 채널에서 더욱 다양한 소식을 확인하세요!)
| 네이버 책 포스트 유튜브 인스타그램 트위터 페이스북 |
'도서 소개' 카테고리의 다른 글
| 파이썬 챌린지: 150개의 코딩 과제로 배운다 (7) | 2021.05.10 |
|---|---|
| 유튜브 채널 운영을 위한 포토샵 디자인 (0) | 2021.05.10 |
| 효율적 개발로 이끄는 파이썬 실천 기술 (0) | 2021.04.20 |
| 파이썬으로 시작하는 캐글: 입문에서 컴피티션까지 (0) | 2021.04.14 |
| 돈이 되는 IT 트렌드 (0) | 2021.04.12 |
