반디앤루니스 인터넷서점
전체

로고이미지

검색

  • ▼
HOT ISSUE

네비게이션 실시간 인기 책

    그림과 수식으로 배우는 통통 머신러닝

    미리보기

    그림과 수식으로 배우는 통통 머신러닝

    시리즈 : I♥A.I. 인공지능 시리즈(아이러브A.I.) [16]

    원제 : 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

    • 스기야마 마사시 저
    • 심효섭 역
    • 제이펍
    • 2017년 09월 11일
    • 정가
      23,000원
    • 판매가
      23,000원 [0% 할인]
    • 결제 혜택
      무이자
    • 적립금
      690원 적립 [3%P]

      NAVER Pay 결제 시 네이버페이 포인트 5% 적립 ?

    품절된 상품입니다.

    위시리스트
    회원리뷰
    - [0]
    ISBN: 9791185890906 252쪽 172 x 226 (㎜)

    지금 이책은

    • 판매지수 : 189

    이 분야의 베스트셀러

    이 책과 함께 구매한 책

    이 책이 속한 분야

    이 책의 시리즈

    전체 선택 쇼핑카트 담기
    시리즈 I♥A.I. 인공지능 시리즈(아이러브A.I.) (16)

    책 소개

    상품문의 / 정보수정 요청 >

    이 책은

    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.


    출판사 리뷰

    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 ...
    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

    (1974.00.00)
    • 구분 : 저서
    • 국적 : 일본
    • 분류 : 기타
    • 인기지수 : 31
    최근저서

    (杉山将)

    1974년 오사카 출생. 정보공학 학사, 석사, 박사 학위를 각각 1997년, 1999년, 2001년 도쿄공업대학에서 받았다. 2001년부터 동 대학의 조수, 조교수, 교수로 재직했다. 2014년부터는 도쿄대학의 교수로 재직 중이다. 2003년에 알렉산더 폰 훔볼트 재단 연구원으로 독일 베를린의 프라운호퍼 연구소에서, 2006년에는 유럽위원회의 Erasmus Mundus Scholarship을 받아 영국 에든버러대학에서 연구했다. 2007년 비정상 환경에서의 기계 학습 연구로 IBM Faculty Award를 수상했고, 확률비 추정에 기반을 둔 기계 학습 연구로 2011년 일본 정보처리학회 나가오 기념 특별상 및 2014년 문부과학성의 과학기술 분야 대신이 수여하는 젊은 과학자상을 받았다. 기계 학습 및 데이터 마이닝의 이론 연구와 알고리즘의 개발 및 그 신호 처리, 이미지 처리, 로봇 제어 등의 응용에 관한 연구를 하고 있다. 주요 저서로는 Machine Learning in Non-stationary Environments (MIT Press), Density Ratio Estimation in Machine Learning (Cambridge University Press) 등이 있다.

     


     

    역자 소개

    심효섭
    • 국적 : 대한민국
    • 분류 : 과학/공학 저자 , 기타
    • 인기지수 : 244
    최근저서

    연세대학교 문헌정보학과를 졸업하고 모교 중앙도서관과의 인연으로 도서관 솔루션 업체에서 일하게 되면서 개발을 시작했다. 네이버에서 웹 서비스 개발 업무를 맡았으며, 웹 서비스 외에 기계 학습에 대한 공부도 꾸준히 하고 있다. 최근 관심사는 회사에 속하지 않고도 지속 가능한 삶이다. 옮긴 책으로 『딥러닝 제대로 시작하기』, 『그림과 수식으로 배우는 통통 딥러닝』이 있다.

    책 속에서

    제약 최소제곱 학습과 교차 확인법을 함께 사용하는 것은 실제 응용에서 매우 유용한 회귀 방법이다. 그러나 파라미터 수가 많으면, 해나 학습한 함수의 출력값을 계산하는 데 시간이 많이 걸리는 문제가 있다. 이번 장에서는 파라미터의 대부분이 0으로 학습되는 것이 특징인 희소 학습을 소개한다. 파라미터 대부분이 0이 되므로 해나 학습한 함수의 출력을 빠르게 계산하는 데 도움이 된다.
    _44쪽

    실제 문제에서 대규모의 훈련 표본을 다룰 때에는 많든 적든 어느 정도의 이상값이 포함되어 있
    다고 보는 것이 당연하다. 이 때문에 최소제곱 학습은 이런 경우에는 신뢰성이 낮다고 할 수 있
    다. 통계학이나 머신러닝 분야에서는 이상값에 대한 견고성(안정성)을 로버스트성(robustness)이라고 부른다. 훈련 표본에 이상값이 섞여 있을 때에는 이상값을 처음부터 제거하고 학습을 실시하거나 이상값을 그대로 둔 채 영향을 덜 받는 방향으로 학습을 수행하는 것이 바람직하다. 전자에 해당하는 이상값 소거에 대해서는 12장에서 설명하도록 하고, 이번 장에서는 이상값에 대해 높은 안정성을 갖는 로버스트 학습을 소개하겠다.
    _56쪽

    여기까지 2 클래스 패턴 인식 문제를 중심으로 살펴보았다. 그러나 알파벳 문자 인식의 예만 보아도 26 클래스나 되며, 한자 인식 문제는 클래스 수가 적게는 수백, 많게는 수천에 이른다. 다중 클래스 패턴 인식 문제를 푸는 직접적인 방법은 10장에서 소개하기로 하고, 이번 절에서는 2 클래스 패턴 인식의 방법을 확장하여 다중 클래스 패턴 인식 문제를 푸는 방법을 두 가지 소개하도록 한다.
    _78쪽

    그 외에도 오류 정정 부호를 사용하여 각각의 클래스를 10011이나 01010 따위로 부호화하여 각 비트를 2 클래스 분류기로 예측하는 오류 수정 출력 부호라 불리는 방법도 제안되었다. 그러나 오류 수정 부호를 적절하게 설계하는 과정이 쉽지 않다는 단점이 있다. 10장에서 다중 클래스 분류 문제를 직접 푸는 알고리즘을 소개하겠지만, 그렇다고 반드시 다중 클래스 분류 문제를 직접 풀어야 하는 것은 아니다. 왜냐하면, 다중 클래스 분류 문제는 일반적으로 2 클래스 분류 문제에 비해 학습이 어렵기 때문이다. 따라서 목적과 상황에 맞게 적절한 방법을 택하는 것이 현실적이라 할 수 있다.
    _80쪽

    문자열을 낱낱의 문자로 인식하는 것은 지금까지 소개한 다양한 방법을 적용할 수 있다. 그러나 문자가 출현하는 데는 같은 문자가 연속하여 출현한다든가, 어떤 문자 뒤에는 어떤 문자가 자주 나온다든가 하는 전후관계가 관련되어 있다. 이러한 규칙성을 활용하면 문자열의 인식 정밀도를 향상시킬 수 있다. 한편, 문자열 안의 모든 문자를 동시에 인식하려면 클래스 수가 문자열 길이의 제곱에 비례하는 지수적 증가를 보이기 때문에 학습이 어렵다. 그래서 이번 장에서는 문자열의 부분적 전후관계를 이용하여 실용적인 계산 시간 내에서 학습할 수 있는 조건부 확률장이라는 기법을 소개하겠다.
    _124쪽

     

    목차

    PART 1 시작하며 1
    CHAPTER 1 머신러닝이란? 2
    1.1 학습의 종류 3
    1.2 머신러닝 과업들 5
    1.3 머신러닝의 접근법 8
    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

    배송 시 유의사항

    - 반디앤루니스에서 구매하신 도서는 물류 대행 위탁업체 웅진 북센을 통해 배송됩니다.
     (배송 포장에 "웅진 북센"으로 표기될 수 있습니다.)

    - 구매한 상품의 품질과 배송 관련 문의는 반디앤루니스로 문의 바랍니다.

    - 천재지변 및 택배사의 사정에 따라 배송이 지연될 수 있습니다.

    - 결제(입금) 완료 후 출판사 및 유통사의 사정으로 품절 또는 절판 되어 상품 구입이 어려울 수 있습니다. (별도 안내 예정)

    - 도서산간지역의 경우 추가 배송비가 발생될 수 있습니다.

    반품/교환

    상품 설명에 반품/ 교환 관련한 안내가 있는 경우 그 내용을 우선으로 합니다. (업체 사정에 따라 달라질 수 있습니다)

    반품/교환

    반품/교환
    반품/교환 방법 홈 > 고객센터 > 자주찾는질문 “반품/교환/환불” 안내 참고 또는 1:1상담게시판
    반품/교환 가능 기간 반품,교환은 배송완료 후 7일 이내, 상품의 결함 및 계약내용과 다를 경우 문제발견 후 30일 이내에 신청가능
    반품/교환 비용 변심 혹은 구매착오의 경우에만 반송료 고객 부담(별도 지정 택배사 없음)
    반품/교환 불가 사유
    • 소비자의 책임 사유로 상품 등이 손실 또는 훼손된 경우
    • 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우
    • 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예)만화책, 잡지, 화보집 등
    • 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우
    • 전자상거래등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
    • 해외주문 상품(해외 원서)의 경우(파본/훼손/오발송 상품을 제외)
    소비자 피해보상
    환불지연에 따른 배상
    • 상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은
      소비자 분쟁해결 기준(공정거래위원회고시)에 준하여 처리됨
    • 대금 환불 및 환불지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의
      소비자 보호에 관한 법률에 따라 처리함
    반품/교환 주소 경기도 파주시 문발로 77, 웅진북센(반디앤루니스)
    • 회사명 : (주)서울문고
    • 대표이사 : 김홍구
    • 개인정보 보호책임자 : 김홍구
    • E-mail : bandi_cs@bnl.co.kr
    • 소재지 : (06168) 서울 강남구 삼성로 96길 6
    • 사업자 등록번호 : 120-81-02543
    • 통신판매업 신고번호 : 제2023-서울강남-03728호
    • 물류센터 : (10881) 경기도 파주시 문발로 77 반디앤루니스
    copyright (c) 2016 BANDI&LUNI'S All Rights Reserved