본서는 복잡한 머신러닝 알고리즘을 그림과 함께 하나하나 살펴보는 입문서이다. 전문가가 아닌 사람도 머신러닝을 이해할 수 있도록 지도 학습과 비지도 학습에 해당하는 17가지 알고리즘을 설명한다. 또한, 사이킷런 기반의 파이썬 예제 코드를 구글 콜랩 등에서 바로 실행하며 읽을 수 있도록 구성하였다.

2012년에 와세다대학교 기간이공학부를 졸업하고, 2015년에 와세다대학교 이공학술원 기간이공학연구과 기계과학전공 석사 과정을 수료했습니다. 지금은 리크루트 통신의 기술 리드로 근무하고 있습니다.

CHAPTER 1 머신러닝 기초 1

1.1 머신러닝 소개 3
머신러닝 3
머신러닝의 유형 4
머신러닝의 활용 10
1.2 머신러닝 준비하기 11
데이터의 중요성 11
지도 학습(분류)의 예 14
구현 방법 17
비지도 학습의 예 19
시각화 23
그래프의 종류와 표현 방법: matplotlib을 이용한 그래프 출력 29
판다스를 이용해 데이터를 이해하고 다루기 38
마치며 45

CHAPTER 2 지도 학습 47

01 선형회귀 49
기본 개념 49
알고리즘 50
더 나아가기 53
02 정규화 58
기본 개념 58
알고리즘 61
더 나아가기 64
03 로지스틱 회귀 67
기본 개념 67
알고리즘 69
더 나아가기 71
04 서포트 벡터 머신 74
기본 개념 74
알고리즘 75
더 나아가기 77
05 커널 기법을 적용한 서포트 벡터 머신 80
기본 개념 81
알고리즘 81
더 나아가기 83
06 나이브 베이즈 분류 86
기본 개념 86
알고리즘 89
더 나아가기 93
07 랜덤 포레스트 94
기본 개념 94
알고리즘 95
더 나아가기 99
08 신경망 101
기본 개념 101
알고리즘 104
더 나아가기 108
09 k-최근접 이웃 알고리즘(kNN) 110
기본 개념 110
알고리즘 112
더 나아가기 113

CHAPTER 3 비지도 학습 117

10 주성분 분석 119
기본 개념 119
알고리즘 121
더 나아가기 124
11 잠재 의미 분석 125
기본 개념 125
알고리즘 127
더 나아가기 131
12 음수 미포함 행렬 분해 132
기본 개념 132
알고리즘 134
더 나아가기 136
13 잠재 디리클레 할당 139
기본 개념 139
알고리즘 141
더 나아가기 143
14 k-평균 알고리즘 146
기본 개념 146
알고리즘 147
더 나아가기 149
15 가우시안 혼합 모델 151
기본 개념 151
알고리즘 152
더 나아가기 156
16 국소 선형 임베딩 157
기본 개념 157
알고리즘 158
더 나아가기 161
17 t-분포 확률적 임베딩 163
기본 개념 163
알고리즘 164
더 나아가기 168

CHAPTER 4 평가 방법과 여러 가지 데이터 처리 171

4.1 평가 방법 173
지도 학습의 평가 173
분류 문제의 평가 방법 174
회귀 문제의 평가 방법 183
평균제곱오차와 결정계수의 차이 188
다른 알고리즘을 이용할 때와 비교 188
하이퍼 파라미터 설정 190
모델의 과적합 191
과적합을 막는 방법 192
학습 데이터와 검정 데이터 나누기 193
교차 검증 196
하이퍼 파라미터 탐색하기 198
4.2 문서 데이터의 전처리 202
단어 빈도 수를 이용한 변환 202
TF-IDF를 이용한 변환 203
머신러닝 모델에 적용 204
4.3 이미지 데이터 변환하기 207
픽셀 밝기 값 활용하기 207
변환한 벡터 데이터로 머신러닝 모델 만들기 209

CHAPTER 5 파이썬 개발 환경 211

5.1 파이썬 3 설치 213
윈도우 10 213
macOS 214
리눅스 215
아나콘다를 윈도우 10에 설치 216
5.2 가상 환경 218
표준 개발 환경에서 가상 환경 설정하기 218
아나콘다 220
5.3 외부 라이브러리 설치 221
외부 라이브러리 221
외부 라이브러리 설치 221

참고문헌 223

APPENDIX 부록 225
읽으면 도움 되는 수학 개념 몇 가지 226
이 책의 주요 용어 230

찾아보기 237