머신러닝에 입문하고 실무에서 막혔다면?
실무에 필요한 역량을 기를 때!

머신러닝은 입문과 실무의 간극이 매우 넓은 분야이다. 입문서에 나오는 패키지 사용법과 실습 코드는 실제 연구나 업무 환경에 맞춰 적용하기 쉽지 않고, 상황에 따라 그때그때 구글링으로 코드를 찾아 사용하려 해도 환경이나 조건이 조금만 바뀌는 순간 먹통이 되기 일쑤다.
이 책의 저자 또한 머신러닝을 처음 공부하기 시작할 때 비슷한 문제를 겪었다. 십여 년 동안 현장에서 머신러닝과 씨름하면서 진짜 실력을 기르려면 모든 머신러닝 기법의 기본이 되는 주요 모델의 이론과 사용법을 완벽하게 터득하는 데에 집중해야 한다는 것을 깨달았다. 이 책은 머신러닝에 입문한 뒤 실무에서 헤매는 과거의 저자와 같은 분들에게 조금 힘겹지만 지나고 보면 가장 빠른 실력 향상의 정도이자 지름길을 알려 준다.

13가지 핵심 모델을 직접 구현해 보면서
진짜 업무에 곧바로 쓸 수 있는 응용력을 갖춘다

그렇다면 어떻게 해야 기본 모델을 완벽하게 이해할 수 있을까? 이 책에서는 핵심 머신러닝 모델 13가지를 소개하고, 이를 간단한 형태로 직접 구현해 보는 방법을 제안한다. 단순히 다양하고 복잡한 모델을 만들어 문제를 풀어 보는 경험은 현재 내 실력으로 온전히 체화되지 않을 수 있다. 또한 실전에서는 언제나 주어진 환경이 달라지기 마련이므로, 그에 따라 모델의 형태를 자신이 원하는 대로 변형할 줄 알아야 한다.
주요한 기본 모델의 이론과 사용법을 깊이 알아갈수록 다른 모델을 쉽게 이해할 수 있고, 나아가 어떤 머신러닝 모델이든 핵심 부분은 대부분 기본 모델과 이론적으로 공유한다는 사실을 깨달을 수 있다. 이렇게 학습하다 보면 실제 업무나 연구에서 머신러닝 모델링을 수행할 때 변화에 유연해지며 불필요한 시도를 줄일 수 있다.

알고리즘 이론부터 하이퍼파라미터 분석까지
머신러닝의 처음부터 끝까지 철저하게 파헤친다

이 책에서는 머신러닝을 다음 순서대로 학습한다. 먼저 각 머신러닝 모델의 밑바탕에 있는 알고리즘 기초 이론을 다시 살펴보고, 수리 이론과 함께 작동 원리를 깊이 이해한다. 그리고 간단한 형태로 모델을 직접 코딩하여 구현해 본다. 그다음 사이킷런에 내장된 해당 모델에 최적화된 파이썬 패키지를 활용해 모델링하고, 앞서 직접 만든 모델과 비교하며 그 차이점을 탐구한다. 마지막으로 파이썬 패키지에 사용한 하이퍼파라미터를 알아보며 패키지의 동작을 더 자세히 이해해 본다.
머신러닝을 처음 공부하거나 공부한 지 오래되었다면 '사전 지식 훑어보기'를 읽으며 각 장에서 다루는 모델을 이해하는 데 필요한 지식을 미리 살펴볼 수 있다. 또한 각 장의 마지막에는 머신러닝 전문가가 되고자 하는 사람이 알아 두면 좋을 양질의 지식을 '보충 수업'으로 소개한다.

머신러닝의 세계를 한눈에 조망할 수 있는
'머신러닝 용어 지도' 수록!

머신러닝의 다양한 분야와 종류, 개념을 한눈에 파악할 수 있는 ‘용어 지도’를 부록으로 제공한다. 이 지도를 살펴보면서 머신러닝의 세계는 어떻게 구성되어 있는지, 그중에 이 책을 통해 어떤 부분을 배웠는지 알아보자. 앞으로 머신러닝의 어떤 곳을 탐험할지도 즐겁게 고민해 보자.

함께 배우고, 나누고, 성장하는 ‘Do it! 스터디룸’으로 오세요!

혼자 계획을 세우고 공부하다 보면 금방 지치기 마련이다. 나와 비슷한 고민을 하는 독자를 만나 어려운 내용을 공유해 보자. 서로 도움을 주고받으며 공부하다 보면 더 보람차다. 멀리 가려면 친구와 함께해 보자.
- Do it! 스터디룸

예제 소스 파일은 이지스퍼블리싱 홈페이지 자료실 또는 저자 깃허브에서 제공합니다

첫째마당 머신러닝 준비하기

1장 머신러닝과 파이썬
__1.1 머신러닝 알아보기
____1.1.1 머신 러닝은 왜 생겨났을까?
____1.1.2 이 책에서 배우는 머신러닝 모델 한눈에 보기
____1.1.3 이 책의 학습 구성 한눈에 보기
__1.2 머신러닝에 쓰는 알고리즘 개념 이해하기
__1.3 실습 환경 설정하기
____1.3.1 이 책에서 사용하는 파이썬 패키지 살펴보기
__1.4 머신러닝 절차 빠르게 체험하기
____1.4.1 데이터셋 준비하기
____1.4.2 데이터셋 분할하기
____1.4.3 데이터 전처리
____1.4.4 학습 데이터를 이용한 모델 학습
____1.4.5 학습 데이터와 검증 데이터 쌍을 이용한 하이퍼파라미터 튜닝
____1.4.6 테스트 데이터셋에 대한 최종 성능 측정과 평가

둘째마당 선형 모델을 이용한 지도 학습
__선형 모델 준비하기

2장 최소 제곱법 모델
__2.1 최소 제곱법 모델이란?
____2.1.1 최소 제곱법 모델의 정의
__2.2 정규 방정식으로 최소 제곱법 모델 구현하기
____2.2.1 정규 방정식을 이용한 풀이 이론
____2.2.2 정규 방정식으로 풀이 구현하기
____2.2.3 정규 방정식 구현의 단점
__2.3 특잇값 분해를 이용한 최소 제곱법 모델 구현하기
____2.3.1 SVD-OLS를 이용한 풀이 이론
____2.3.2 정규 방정식 풀이의 단점과 SVD-OLS 풀이의 장점
____2.3.3 SVD-OLS를 이용한 풀이 구현하기
__2.4 TSVD-OLS를 이용한 모델 구현하기
____2.4.1 TSVD-OLS를 이용한 풀이 이론
____2.4.2 TSVD-OLS를 이용한 풀이 구현하기
__2.5 패키지로 표현하기
__2.6 최소 제곱법 모델 보충 수업
____2.6.1 통계 모델로서의 OLS
____2.6.2 결정 계수
____2.6.3 화이트 박스 모델과 블랙 박스 모델
__되새김 문제

3장 로지스틱 회귀 모델
__사전 지식 훑어보기
__3.1 로지스틱 회귀 모델이란?
__3.2 로지스틱 회귀 모델 구현하기
____3.2.1 로지스틱 회귀 모델의 기본 이론
____3.2.2 로지스틱 회귀 모델의 심화 이론
____3.2.3 로지스틱 회귀 모델 구현하기
__3.3 패키지로 표현하기
__3.4 로지스틱 회귀 모델 보충 수업
____3.4.1 피처 스케일링과 파이프라인
____3.4.2 통계 모델로서의 로지스틱 회귀 기법
____3.4.3 교차검증법
____3.4.4 피처선택법
__되새김 문제

4장 라쏘 모델
__사전 지식 훑어보기
__4.1 라쏘 모델이란?
__4.2 라쏘 모델 구현하기
____4.2.1 라쏘 모델의 이론
____4.2.2 라쏘 모델 구현하기
__4.3 패키지로 표현하기
__4.4 라쏘 모델 보충 수업
____4.4.1 LARS 기반 라쏘 모델
____4.4.2 모델 선택법
__되새김 문제

5장 릿지 회귀 모델
__사전 지식 훑어보기
__5.1 릿지 회귀 모델이란?
__5.2 릿지 회귀 모델 구현하기
____5.2.1 릿지 회귀 모델의 기본 이론
____5.2.2 릿지 회귀 모델의 심화 이론
____5.2.3 릿지 회귀 모델 구현하기
__5.3 패키지로 표현하기
__5.4 릿지 회귀 모델 보충 수업
____5.4.1 편향-분산 상충 관계와 릿지 회귀의 분산
____5.4.2 릿지 분류 모델
____5.4.3 엘라스틱 넷 회귀 모델
__되새김 문제

셋째마당 트리 모델을 이용한 지도 학습
__트리 모델 준비하기

6장 결정 트리 모델
__사전 지식 훑어보기
__6.1 결정 트리 모델이란?
__6.2 결정 트리 모델 구현하기
____6.2.1 결정 트리 분류 모델의 이론
____6.2.2 결정 트리 분류 모델 구현하기
__6.3 패키지로 표현하기
__6.4 결정 트리 모델 보충 수업
____6.4.1 회귀 트리
____6.4.2 그리드 서치
____6.4.3 피처 중요도
__되새김 문제

7장 랜덤 포레스트 모델
__사전 지식 훑어보기
__7.1 랜덤 포레스트 모델이란?
__7.2 랜덤 포레스트 모델 구현하기
____7.2.1 랜덤 포레스트 모델의 이론
____7.2.2 랜덤 포레스트 분류 모델 구현하기
__7.3 패키지로 표현하기
__7.4 랜덤 포레스트 모델 보충 수업
____7.4.1 랜덤 포레스트 회귀 모델
____7.4.2 OOB 점수
____7.4.3 ExtraTrees
____7.4.4 피처 중요도
__되새김 문제

8장 그레이디언트 부스팅 트리 모델
__사전 지식 훑어보기
__8.1 그레이디언트 부스팅 트리 모델이란?
__8.2 그레이디언트 부스팅 트리 모델 구현하기
____8.2.1 그레이디언트 부스팅 트리 모델의 이론
____8.2.2 부스팅 트리 회귀 모델 구현하기
__8.3 패키지로 표현하기
__8.4 그레이디언트 부스팅 트리 모델 보충 수업
____8.4.1 설명 가능 인공지능
____8.4.2 GBT 모델 이후의 부스팅 기법
__되새김 문제

넷째마당 기타 지도 학습 모델

9장 K-최근접 이웃 모델
__사전 지식 훑어보기
__9.1 K-최근접 이웃 모델이란?
__9.2 K-최근접 이웃 모델 구현하기
____9.2.1 KNN 모델의 기본 이론
____9.2.2 KNN 모델의 심화 이론
____9.2.3 KNN 분류 모델 구현하기
__9.3 패키지로 표현하기
__9.4 K-최근접 이웃 모델 보충 수업
____9.4.1 KNN 회귀 모델
____9.4.2 결정 경계
____9.4.3 고정 반지름 근접 이웃 모델
____9.4.4 KNN 이상값 모델
__되새김 문제

10장 서포트 벡터 머신 모델
__10.1 서포트 벡터 머신 모델이란?
__10.2 서포트 벡터 머신 모델 구현하기
____10.2.1 서포트 벡터 머신 모델의 이론
____10.2.2 SVM 모델 구현하기
__10.3 패키지로 표현하기
____10.3.1 다른 패키지로 구현하기
__10.4 서포트 백터 머신 모델 보충 수업
____10.4.1 서포트 벡터 회귀로 확장하기
____10.4.2 클래스 분류의 확률 판정법
__되새김 문제

11장 다층 퍼셉트론 모델
__사전 지식 훑어보기
__11.1 다층 퍼셉트론 모델이란?
__11.2 다층 퍼셉트론 모델 구현하기
____11.2.1 다층 퍼셉트론 모델의 이론
____11.2.2 다층 퍼셉트론 모델 구현하기
__11.3 패키지로 표현하기
__11.4 다층 퍼셉트론 모델 보충 수업
____11.4.1 MLP 회귀 모델
__되새김 문제

다섯째마당 비지도 학습 모델

12장 K-평균 군집화 모델
__12.1 K-평균 군집화 모델이란?
__12.2 K-평균 군집화 모델 구현하기
____12.2.1 K-평균 군집화 모델의 이론
____12.2.2 K-평균 군집화 모델 구현하기
__12.3 패키지로 표현하기
__12.4 K-평균 군집화 모델 보충 수업
____12.4.1 K-평균 군집화 모델 적용이 부적절한 데이터셋
____12.4.2 군집화 결과 평가하기
__되새김 문제

13장 계층적 군집화 모델
__13.1 계층적 군집화 모델이란?
__13.2 계층적 군집화 모델 구현하기
____13.2.1 계층적 군집화 모델의 이론
____13.2.2 계층적 군집화 모델 구현하기
__13.3 패키지로 표현하기
__13.4 계층적 군집화 모델 보충 수업
____13.4.1 덴드로그램으로 군집 계층 시각화하기
__되새김 문제

14장 주성분 분석 모델
__사전 지식 훑어보기
__14.1 주성분 분석 모델이란?
__14.2 주성분 분석 모델 구현하기
____14.2.1 주성분 분석 모델의 이론
____14.2.2 PCA 모델 구현하기
__14.3 패키지로 표현하기
__14.4 주성분 분석 모델 보충 수업
____14.4.1 다양한 차원 축소 기법
__되새김 문제

[부록] 한눈에 보는 머신러닝 용어 지도
되새김 문제 풀이
참고문헌

찾아보기