본문 바로가기

도서 소개

그림과 수식으로 배우는 통통 머신러닝

 

그동안 읽어주신 분들께 감사드립니다. 이 책은 현재 절판되었습니다.

패턴 분류 알고리즘부터 최소제곱 학습으로 배우는 최첨단 머신러닝 학습 기법까지!

 

출판사 제이펍

원출판사 고단샤

원서명 イラストで学ぶ 機械学習: 最小二乗法による識別モデル学習(원서 ISBN: 9784061538214)

저자명 스기야마 마사시

역자명 심효섭

출판일 2017년 9월 11일

페이지 252쪽

시리즈 I♥A.I. 07

판 형 크라운판변형(170*225*15)

제 본 무선(soft cover)

정 가 23,000원

ISBN 979-11-85890-90-6 (93000)

키워드 인공지능 / 머신러닝 / 최소제곱 학습 / 지도학습 / 비지도 학습

분야 컴퓨터공학 / 인공지능

관련 사이트
관련 포스트
관련 시리즈
관련 도서
관련 파일 다운로드
강의보조 자료
교재로 채택하신 분들은 메일을 보내주시면 아래의 자료를 보내드리겠습니다: jeipubmarketer@gmail.com
■ 본문의 그림과 표
샘플 PDF(차례, 옮긴이 머리말, 머리말, 베타리더 후기, 1장 '시작하며', 7장 '최소제곱 학습 기반 분류')
정오표 페이지
■ (등록되는 대로 링크를 걸어드리겠습니다)
도서구매 사이트(가나다순)
도서 소개
여러 형태의 과업을 해결하기 위한 패턴 분류 알고리즘부터 최소제곱 학습으로 배우는 최첨단 머신러닝 학습 기법까지!
최첨단 머신러닝 학습 기법의 대부분은 사실 고전적인 최소제곱 학습의 확장으로 해석할 수 있다. 이 책은 이런 관점에서 다양한 학습 기법을 최소제곱 학습에 기초하여 소개한다. 따라서 최소제곱 학습만 확실히 이해해 둔다면, 중간 규모 정도의 데이터에 대한 고도의 학습 기법을 적용할 수 있다.
또한, 이 책은 머신러닝의 큰 그림과 함께 다양한 형태의 과제를 해결할 수 있는 학습 알고리즘을 소개한다. 특히, 최소제곱 학습을 기반으로 한 MATLAB 구현 예를 제공하므로 실험 결과를 간단히 재현해 볼 수 있다.
이 책의 주요 내용
  • 1부: 시작하며
지도 학습 / 비지도 학습 / 강화 학습
  • 2부: 지도 학습 기반 회귀
최소제곱 학습 / 제약 최소제곱 학습 /희소 학습 / 로버스트 학습
  • 3부: 지도 학습 기반 분류
서포트 벡터 분류기 / 앙상블 분류 / 배깅과 부스팅 / 로지스틱 회귀 / 최소제곱 확률적 분류기 / 조건부 확률장
  • 4부: 비지도 학습
비지도 학습 기법 / 차원 축소 기법 / 클러스터링 기법
  • 5부: 심화 학습
순차적 학습 기법 / 반지도 학습 기법 / 지도 학습 기반의 차원 축소 기법 / 전이 학습 기법 / 멀티 태스크 학습 기법
저자 소개
스기야마 마사시(杉山 将)
1974년 오사카에서 태어났다. 도쿄공업대학 공학부 정보공학과를 졸업하고(1997년) 동(同)대학 박사과정을 수료하였으며(2001년), 준교수로도 지냈다(2007년). 현재는 도쿄대학 대학원 신영역창성과학 연구과 복잡이공학 전공교수이며, 머신러닝 이론 연구 및 알고리즘 개발, 신호 이미지 처리 등에 대한 응용 연구를 계속하고 있다. 2011년에 정보처리학회 나가오마코토 기념특별상을 수상하기도 했다. 저서로는 《統計的機械学習(통계적 머신러닝)》(OHM), 《Density Ratio Estimation in Machine Learning》(Cambridge University Press) 등이 있으며, 크리스토퍼 비숍의 《Pattern Recognition and Machine Learning》 등을 번역하였다.
역자 소개
심효섭
연세대학교 문헌정보학과를 졸업했고, 모교 중앙도서관과의 인연으로 도서관 솔루션 업체에서 일하게 되면서 개발을 시작하였다. 네이버에서 웹서비스 개발 업무를 맡았으며, 웹 서비스 외에도 머신러닝에 대한 학습도 꾸준히 하고 있다. 한편, 최근에는 회사에 속하지 않고 지속 가능한 삶에 골똘하고 있다. 옮긴 책으로는 《그림과 수식으로 배우는 통통 딥러닝》, 《딥 러닝 제대로 시작하기》 등이 있다.
차례
PART 1 시작하며 1
CHAPTER 1 머신러닝이란? 2
1.1 학습의 종류 3
1.2 머신러닝 과업들 5
1.3 머신러닝의 접근법 8
더보기
CHAPTER 2 학습 모델 12
2.1 선형 모델 12
2.2 커널 모델 15
2.3 계층 모델 18
PART 2 지도 학습 기반 회귀 21
CHAPTER 3 최소제곱 학습 22
3.1 최소제곱 학습 22
3.2 최소제곱해의 성질 25
3.3 대규모 데이터를 다루기 위한 학습 알고리즘 27
CHAPTER 4 제약 최소제곱 학습 32
4.1 부분 공간 제약 최소제곱 학습 33
4.2 제약 최소제곱 학습 34
4.3 모델 선택 38
CHAPTER 5 희소 학습 44
5.1 제약 최소제곱 학습 44
5.2 제약 최소제곱 학습의 해를 구하는 방법 46
5.3 희소 학습에 의한 특징 선택 51
5.4 제약 최소제곱 학습 52
5.5 제약 최소제곱 학습 53
CHAPTER 6 로버스트 학습 56
6.1 손실 최소화 학습 57
6.2 후버 손실 최소화 학습 59
6.3 튜키 손실 최소화 학습 64
6.4 제약 후버 손실 최소화 학습 66
PART 3 지도 학습 기반 분류 71
CHAPTER 7 최소제곱 학습 기반 분류 72
7.1 최소제곱 분류 72
7.2 0/1 손실과 마진 75
7.3 다중 클래스 78
CHAPTER 8 서포트 벡터 분류 81
8.1 마진 최대화 분류 81
8.2 서포트 벡터 분류기의 해를 구하는 방법 84
8.3 희소성 87
8.4 커널 트릭을 이용한 비선형화 89
8.5 힌지 손실 최소화 학습 관점에서의 해석 91
8.6 램프 손실을 이용한 로버스트 학습 94
CHAPTER 9 앙상블 분류 99
9.1 결정주 분류 100
9.2 배깅 102
9.3 부스팅 106
CHAPTER 10 확률적 분류 114
10.1 로지스틱 회귀 114
10.2 최소제곱 확률적 분류 119
CHAPTER 11 연속열 데이터의 분류 124
11.1 연속열 데이터의 모형화 124
11.2 조건부 확률장 모형의 학습 129
11.3 조건부 확률장 모형을 이용한 레이블 연속열 예측 131
PART 4 비지도 학습 133
CHAPTER 12 이상 검출 134
12.1 국소 이상 인자 134
12.2 서포트 벡터 이상 검출 137
12.3 밀도비 기반 이상 검출 140
CHAPTER 13 비지도 기반 차원 축소 145
13.1 선형 차원 축소의 개요 146
13.2 주성분 분석 147
13.3 국소성 보존 사영 150
13.4 커널 주성분 분석 153
13.5 라플라스 고유사상 156
CHAPTER 14 클러스터링 159
14.1 K-평균 클러스터링 159
14.2 커널 K-평균 클러스터링 161
14.3 스펙트럴 클러스터링 163
14.4 파라미터의 자동 결정 165
PART 5 심화 학습 171
CHAPTER 15 온라인 학습 172
15.1 수동 공격 학습 172
15.2 적응 규제화 학습 179
CHAPTER 16 반지도 학습 184
16.1 입력 데이터가 이루는 다양체 구조의 활용 184
16.2 라플라스 규제화 최소제곱 학습의 해를 구하는 방법 187
16.3 라플라스 규제화에 대한 해석 189
CHAPTER 17 지도 학습 기반 차원 축소 191
17.1 분류 문제에 대한 판별 분석 191
17.2 충분 차원 축소 198
CHAPTER 18 전이 학습 200
18.1 공변량 시프트 상황에서의 전이 학습 200
18.2 클래스 밸런스 변화 상황에서의 전이 학습 208
CHAPTER 19 멀티 태스크 학습 215
19.1 최소제곱 회귀를 이용한 멀티 태스크 학습 215
19.2 최소제곱 확률적 분류기를 이용한 멀티 태스크 학습 218
19.3 다차원 출력 함수의 학습 220
PART 6 마무리하며 225
CHAPTER 20 앞으로의 전망 226
참고문헌 230
찾아보기 231