개념과 수식, 실습을 모두 다 잡으려는 욕심쟁이 같은 책이지만, 세 마리 토끼를 꽤나 훌륭하게 잡아주는 책이기도 합니다. 제목처럼 머신 러닝을 공부하고자 하는 분들에게 교과서와 같은 존재가 되어줄 것입니다. 또한, 번역서만의 장점이 매우 많아서 원서를 읽은 분들에게도 도움이 많이 될 것이라고 확신합니다. 머신 러닝에 관심이 있는 모든 분에게 이 책을 자신 있게 추천합니다.
- 이진원 (삼성전자 연구원, 텐서플로 코리아 운영진) 

 

1장 컴퓨터는 데이터에서 배운다
1.1 데이터를 지식으로 바꾸는 지능적인 시스템 구축
1.2 머신 러닝의 세 가지 종류
__1.2.1 지도 학습으로 미래 예측
__1.2.2 강화 학습으로 반응형 문제 해결
__1.2.3 비지도 학습으로 숨겨진 구조 발견
1.3 기본 용어와 표기법 소개
1.4 머신 러닝 시스템 구축 로드맵
__1.4.1 전처리: 데이터 형태 갖추기
__1.4.2 예측 모델 훈련과 선택
__1.4.3 모델을 평가하고 본 적 없는 샘플로 예측
1.5 머신 러닝을 위한 파이썬
__1.5.1 파이썬과 PIP에서 패키지 설치
__1.5.2 아나콘다 파이썬 배포판과 패키지 관리자 사용
__1.5.3 과학 컴퓨팅, 데이터 과학, 머신 러닝을 위한 패키지
1.6 요약

2장 간단한 분류 알고리즘 훈련
2.1 인공 뉴런: 초기 머신 러닝의 간단한 역사
__2.1.1 인공 뉴런의 수학적 정의
__2.1.2 퍼셉트론 학습 규칙
2.2 파이썬으로 퍼셉트론 학습 알고리즘 구현
__2.2.1 객체 지향 퍼셉트론 API
__2.2.2 붓꽃 데이터셋에서 퍼셉트론 훈련
2.3 적응형 선형 뉴런과 학습의 수렴
__2.3.1 경사 하강법으로 비용 함수 최소화
__2.3.2 파이썬으로 아달린 구현
__2.3.3 특성 스케일을 조정하여 경사 하강법 결과 향상
__2.3.4 대규모 머신 러닝과 확률적 경사 하강법
2.4 요약

3장 사이킷런을 타고 떠나는 머신 러닝 분류 모델 투어
3.1 분류 알고리즘 선택
3.2 사이킷런 첫걸음: 퍼셉트론 훈련
3.3 로지스틱 회귀를 사용한 클래스 확률 모델링
__3.3.1 로지스틱 회귀의 이해와 조건부 확률
__3.3.2 로지스틱 비용 함수의 가중치 학습
__3.3.3 아달린 구현을 로지스틱 회귀 알고리즘으로 변경
__3.3.4 사이킷런을 사용하여 로지스틱 회귀 모델 훈련
__3.3.5 규제를 사용하여 과대적합 피하기
3.4 서포트 벡터 머신을 사용한 최대 마진 분류
__3.4.1 최대 마진
__3.4.2 슬랙 변수를 사용하여 비선형 분류 문제 다루기
__3.4.3 사이킷런의 다른 구현
3.5 커널 SVM을 사용하여 비선형 문제 풀기
__3.5.1 선형적으로 구분되지 않는 데이터를 위한 커널 방법
__3.5.2 커널 기법을 사용하여 고차원 공간에서 분할 초평면 찾기
3.6 결정 트리 학습
__3.6.1 정보 이득 최대화: 자원을 최대로 활용
__3.6.2 결정 트리 만들기
__3.6.3 랜덤 포레스트로 여러 개의 결정 트리 연결
3.7 k-최근접 이웃: 게으른 학습 알고리즘
3.8 요약

4장 좋은 훈련 세트 만들기: 데이터 전처리
4.1 누락된 데이터 다루기
__4.1.1 테이블 형태 데이터에서 누락된 값 식별
__4.1.2 누락된 값이 있는 샘플이나 특성 제외
__4.1.3 누락된 값 대체
__4.1.4 사이킷런 추정기 API 익히기
4.2 범주형 데이터 다루기
__4.2.1 순서가 있는 특성과 순서가 없는 특성
__4.2.2 순서 특성 매핑
__4.2.3 클래스 레이블 인코딩
__4.2.4 순서가 없는 특성에 원-핫 인코딩 적용
4.3 데이터셋을 훈련 세트와 테스트 세트로 나누기
4.4 특성 스케일 맞추기
4.5 유용한 특성 선택
__4.5.1 모델 복잡도 제한을 위한 L1 규제와 L 2 규제
__4.5.2 L 2 규제의 기하학적 해석
__4.5.3 L1 규제를 사용한 희소성
__4.5.4 순차 특성 선택 알고리즘
4.6 랜덤 포레스트의 특성 중요도 사용
4.7 요약

5장 차원 축소를 사용한 데이터 압축
5.1 주성분 분석을 통한 비지도 차원 축소
__5.1.1 주성분 분석의 주요 단계
__5.1.2 주성분 추출 단계
__5.1.3 총분산과 설명된 분산
__5.1.4 특성 변환
__5.1.5 사이킷런의 주성분 분석
5.2 선형 판별 분석을 통한 지도 방식의 데이터 압축
__5.2.1 주성분 분석 vs 선형 판별 분석
__5.2.2 선형 판별 분석의 내부 동작 방식
__5.2.3 산포 행렬 계산
__5.2.4 새로운 특성 부분 공간을 위해 선형 판별 벡터 선택
__5.2.5 새로운 특성 공간으로 샘플 투영
__5.2.6 사이킷런의 LDA
5.3 커널 PCA를 사용하여 비선형 매핑
__5.3.1 커널 함수와 커널 트릭
__5.3.2 파이썬으로 커널 PCA 구현
__5.3.3 새로운 데이터 포인트 투영
__5.3.4 사이킷런의 커널 PCA
5.4 요약

6장 모델 평가와 하이퍼파라미터 튜닝의 모범 사례
6.1 파이프라인을 사용한 효율적인 워크플로
__6.1.1 위스콘신 유방암 데이터셋
__6.1.2 파이프라인으로 변환기와 추정기 연결
6.2 k-겹 교차 검증을 사용한 모델 성능 평가
__6.2.1 홀드아웃 방법
__6.2.2 k-겹 교차 검증
6.3 학습 곡선과 검증 곡선을 사용한 알고리즘 디버깅
__6.3.1 학습 곡선으로 편향과 분산 문제 분석
__6.3.2 검증 곡선으로 과대적합과 과소적합 조사
6.4 그리드 서치를 사용한 머신 러닝 모델 세부 튜닝
__6.4.1 그리드 서치를 사용한 하이퍼파라미터 튜닝
__6.4.2 중첩 교차 검증을 사용한 알고리즘 선택
6.5 여러 가지 성능 평가 지표
__6.5.1 오차 행렬
__6.5.2 분류 모델의 정밀도와 재현율 최적화
__6.5.3 ROC 곡선 그리기
__6.5.4 다중 분류의 성능 지표
6.6 불균형한 클래스 다루기
6.7 요약

7장 다양한 모델을 결합한 앙상블 학습
7.1 앙상블 학습
7.2 다수결 투표를 사용한 분류 앙상블
__7.2.1 간단한 다수결 투표 분류기 구현
__7.2.2 다수결 투표 방식을 사용하여 예측 만들기
__7.2.3 앙상블 분류기의 평가와 튜닝
7.3 배깅: 부트스트랩 샘플링을 통한 분류 앙상블
__7.3.1 배깅 알고리즘의 작동 방식
__7.3.2 배깅으로 Wine 데이터셋의 샘플 분류
7.4 약한 학습기를 이용한 에이다부스트
__7.4.1 부스팅 작동 원리
__7.4.2 사이킷런에서 에이다부스트 사용
7.5 요약

8장 감성 분석에 머신 러닝 적용
8.1 텍스트 처리용 IMDb 영화 리뷰 데이터 준비
__8.1.1 영화 리뷰 데이터셋 구하기
__8.1.2 영화 리뷰 데이터셋을 더 간편한 형태로 전처리
8.2 BoW 모델 소개
__8.2.1 단어를 특성 벡터로 변환
__8.2.2 tf-idf를 사용하여 단어 적합성 평가
__8.2.3 텍스트 데이터 정제
__8.2.4 문서를 토큰으로 나누기
8.3 문서 분류를 위한 로지스틱 회귀 모델 훈련
8.4 대용량 데이터 처리: 온라인 알고리즘과 외부 메모리 학습
8.5 잠재 디리클레 할당을 사용한 토픽 모델링
__8.5.1 LDA를 사용한 텍스트 문서 분해
__8.5.2 사이킷런의 LDA
8.6 요약

9장 웹 애플리케이션에 머신 러닝 모델 내장
9.1 학습된 사이킷런 추정기 저장
9.2 데이터를 저장하기 위해 SQLite 데이터베이스 설정
9.3 플라스크 웹 애플리케이션 개발
__9.3.1 첫 번째 플라스크 애플리케이션
__9.3.2 폼 검증과 화면 출력
9.4 영화 리뷰 분류기를 웹 애플리케이션으로 만들기
__9.4.1 파일과 폴더: 디렉터리 구조 살펴보기
__9.4.2 메인 애플리케이션 app.py 구현
__9.4.3 리뷰 폼 구성
__9.4.4 결과 페이지 템플릿 만들기
9.5 공개 서버에 웹 애플리케이션 배포
__9.5.1 PythonAnywhere 계정 만들기
__9.5.2 영화 분류 애플리케이션 업로드
__9.5.3 영화 분류기 업데이트
9.6 요약

10장 회귀 분석으로 연속적 타깃 변수 예측
10.1 선형 회귀
__10.1.1 단변량 선형 회귀
__10.1.2 다변량 선형 회귀
10.2 주택 데이터셋 탐색
__10.2.1 데이터프레임으로 주택 데이터셋 읽기
__10.2.2 데이터셋의 중요 특징 시각화
__10.2.3 상관관계 행렬을 사용한 분석
10.3 최소 제곱 선형 회귀 모델 구현
__10.3.1 경사 하강법으로 회귀 모델의 파라미터 구하기
__10.3.2 사이킷런으로 회귀 모델의 가중치 추정
10.4 RANSAC을 사용하여 안정된 회귀 모델 훈련
10.5 선형 회귀 모델의 성능 평가
10.6 회귀에 규제 적용
10.7 선형 회귀 모델을 다항 회귀로 변환
__10.7.1 사이킷런을 사용하여 다항식 항 추가
__10.7.2 주택 데이터셋을 사용한 비선형 관계 모델링
10.8 랜덤 포레스트를 사용하여 비선형 관계 다루기
__10.8.1 결정 트리 회귀
__10.8.2 랜덤 포레스트 회귀
10.9 요약

11장 레이블되지 않은 데이터 다루기: 군집 분석
11.1 k-평균 알고리즘을 사용하여 유사한 객체 그룹핑
__11.1.1 사이킷런을 사용한 k-평균 군집
__11.1.2 k-평균 ++로 초기 클러스터 센트로이드를 똑똑하게 할당
__11.1.3 직접 군집 vs 간접 군집
__11.1.4 엘보우 방법을 사용하여 최적의 클러스터 개수 찾기
__11.1.5 실루엣 그래프로 군집 품질을 정량화
11.2 계층적인 트리로 클러스터 조직화
__11.2.1 상향식으로 클러스터 묶기
__11.2.2 거리 행렬에서 계층 군집 수행
__11.2.3 히트맵에 덴드로그램 연결
__11.2.4 사이킷런에서 병합 군집 적용
11.3 DBSCAN을 사용하여 밀집도가 높은 지역 찾기
11.4 요약

12장 다층 인공 신경망을 밑바닥부터 구현
12.1 인공 신경망으로 복잡한 함수 모델링
__12.1.1 단일층 신경망 요약
__12.1.2 다층 신경망 구조
__12.1.3 정방향 계산으로 신경망 활성화 출력 계산
12.2 손글씨 숫자 분류
__12.2.1 MNIST 데이터셋 구하기
__12.2.2 다층 퍼셉트론 구현
12.3 인공 신경망 훈련
__12.3.1 로지스틱 비용 함수 계산
__12.3.2 역전파 알고리즘 이해
__12.3.3 역전파 알고리즘으로 신경망 훈련
12.4 신경망의 수렴
12.5 신경망 구현에 관한 몇 가지 첨언
12.6 요약

13장 텐서플로를 사용하여 신경망 훈련
13.1 고성능 머신 러닝 라이브러리 텐서플로
__13.1.1 텐서플로란?
__13.1.2 텐서플로 학습 방법
__13.1.3 텐서플로 시작
__13.1.4 배열 구조 다루기
__13.1.5 텐서플로 저수준 API로 간단한 모델 개발
13.2 tf.keras API로 다층 신경망 훈련
__13.2.1 훈련 데이터 준비
__13.2.2 피드포워드 신경망 구성
__13.2.3 피드포워드 신경망 훈련
13.3 다층 신경망의 활성화 함수 선택
__13.3.1 로지스틱 함수 요약
__13.3.2 소프트맥스 함수를 사용하여 다중 클래스 확률 예측
__13.3.3 하이퍼볼릭 탄젠트로 출력 범위 넓히기
__13.3.4 렐루 활성화 함수
13.4 요약

14장 텐서플로의 구조 자세히 알아보기
14.1 텐서플로의 주요 특징
14.2 텐서플로의 랭크와 텐서
__14.2.1 텐서의 랭크와 크기를 확인하는 방법
14.3 텐서를 다차원 배열로 변환
14.4 텐서플로의 계산 그래프 이해
14.5 텐서플로의 변수
14.6 tf.keras API 자세히 배우기
__14.6.1 Sequential 모델
__14.6.2 함수형 API
__14.6.3 tf.keras 모델의 저장과 복원
14.7 계산 그래프 시각화
__14.7.1 텐서보드 익숙하게 다루기
__14.7.2 케라스의 층 그래프 그리기
14.8 요약

15장 심층 합성곱 신경망으로 이미지 분류
15.1 합성곱 신경망의 구성 요소
__15.1.1 CNN과 특성 계층 학습
__15.1.2 이산 합성곱 수행
__15.1.3 서브샘플링
15.2 기본 구성 요소를 사용하여 심층 합성곱 신경망 구성
__15.2.1 여러 개의 입력 또는 컬러 채널 다루기
__15.2.2 드롭아웃으로 신경망 규제
15.3 텐서플로를 사용하여 심층 합성곱 신경망 구현
__15.3.1 다층 CNN 구조
__15.3.2 데이터 적재와 전처리
__15.3.3 텐서플로 tf.keras API로 CNN 구성
__15.3.4 합성곱 신경망 모델 훈련
__15.3.5 활성화 출력과 필터 시각화
15.4 요약

16장 순환 신경망으로 시퀀스 데이터 모델링
16.1 시퀀스 데이터 소개
__16.1.1 시퀀스 데이터 모델링: 순서를 고려한다
__16.1.2 시퀀스 표현
__16.1.3 시퀀스 모델링의 종류
16.2 시퀀스 모델링을 위한 RNN
__16.2.1 RNN 구조와 데이터 흐름 이해
__16.2.2 RNN의 활성화 출력 계산
__16.2.3 긴 시퀀스 학습의 어려움
__16.2.4 LSTM 유닛
16.3 텐서플로의 tf.keras API로 시퀀스 모델링을 위한 다층 RNN 구현
16.4 첫 번째 프로젝트: 다층 RNN으로 IMDb 영화 리뷰의 감성 분석 수행
__16.4.1 데이터 준비
__16.4.2 임베딩
__16.4.3 RNN 모델 만들기
__16.4.4 감성 분석 RNN 모델 훈련
__16.4.5 감성 분석 RNN 모델 평가
16.5 두 번째 프로젝트: 텐서플로로 글자 단위 언어 모델 구현
__16.5.1 데이터 전처리
__16.5.2 글자 단위 RNN 모델 만들기
__16.5.3 글자 단위 RNN 모델 훈련
__16.5.4 글자 단위 RNN 모델로 텍스트 생성
16.6 전체 요약

부록 A 윈도에 아나콘다, 사이킷런, 텐서플로 설치
A.1 아나콘다 설치
A.2 사이킷런, 텐서플로 설치
A.3 예제 노트북 실행
A.4 주피터 노트북 뷰어와 구글 코랩 사용

여러분이 뛰어난 문제 해결 전문가로서 머신 러닝 기술자가 되길 원하거나 머신 러닝 연구 분야에서 경험을 쌓길 고려한다면 이 책이 도움이 될 것입니다. 초보자는 머신 러닝의 이론적 배경에 압도될 수 있습니다. 최근에 출간된 활용서들을 보면 고성능 학습 알고리즘을 구현하면서 머신 러닝을 배울 수 있을 것입니다.

실용적인 코드 예제와 머신 러닝 애플리케이션 예제를 다루어 보는 것이 이 분야를 시작하는 좋은 방법입니다. 배운 것을 구체적인 예제로 실제 만들어 보면 광범위한 개념을 이해하는 데 도움이 됩니다. 하지만 좋은 만큼 책임도 뒤따른다는 것을 잊지 마세요! 책에서는 파이썬 프로그래밍 언어와 파이썬 기반의 머신 러닝 라이브러리를 사용하여 머신 러닝을 실습해 볼 수 있습니다. 거기에 더해서 머신 러닝 알고리즘의 수학적 이론을 소개합니다. 성공적으로 머신 러닝을 사용하기 위해 꼭 필요한 부분입니다. 따라서 책은 다른 활용서와는 달리 필수적인 머신 러닝 이론을 설명합니다. 또 머신 러닝 알고리즘의 작동 방식과 사용 방법, 특히 빠지기 쉬운 실수를 피하는 방법을 쉽고 알차게 설명합니다.

머신 러닝에 깊게 들어가기 전에 어쩌면 가장 중요할지 모르는 “왜 파이썬이죠?”라는 질문에 답을 해 보겠습니다. 대답은 간단합니다. 강력하고 사용하기 쉽기 때문입니다. 파이썬은 데이터 과학 분야에서 가장 인기 있는 프로그래밍 언어가 되었습니다. 프로그래밍에 번거로운 부분이 없고 아이디어를 빠르게 구현할 수 있는 환경을 제공하기 때문입니다.

우리들은 진심으로 머신 러닝을 배워 더 나은 과학자가 되었고 통찰력을 길러 어려운 문제를 해결할 수 있었습니다. 책에서 여러분과 이 지식을 나누고 싶습니다. 지식은 배움에서 얻습니다. 중요한 것은 열정입니다. 진정한 고수는 부단한 연습으로 만들어집니다. 앞으로 이따금 난관이 있거나 어떤 주제는 다른 것보다 더 어려울 수 있습니다. 하지만 이 기회를 놓치지 말고 앞으로 이룰 성과에 초점을 맞추길 바랍니다. 우리들이 여행에 함께한다는 것을 기억하세요. 책을 통해서 여러분의 도구 상자에 강력한 기술이 많이 추가될 것입니다. 데이터를 활용하여 어려운 문제를 해결하는 데 이 도구들이 도움이 될 것입니다.

- <지은이의 말> 중에서