다양한 예제를 통해 파이썬을 사용한 비지도 학습을 자세하고 친절하게 설명한다. 머신 러닝을 잘 모르는 독자라도 이 책을 따라가다 보면 손쉽게 비지도 학습의 개념을 이해하고 자연스럽게 자신만의 데이터로 흥미로운 분석을 시도하게 될 것이다.

 

1장. 클러스터링 소개
__소개
__비지도 학습과 지도 학습의 차이
__클러스터링
____클러스터 식별
____2차원 데이터
____연습 1: 데이터에서 클러스터 인식
__k-평균 클러스터링 소개
____수학이 필요 없는 k-평균 연습
____k-평균 클러스터링 심화 연습
____대안 거리 메트릭-맨해튼 거리
____더 깊은 차원
____연습 2: 파이썬으로 유클리드 거리 계산
____연습 3: 거리 개념으로 클러스터 구성
____연습 4: 직접 k-평균 구현
____연습 5: 최적화를 통한 k-평균 구현
____클러스터링 성능: 실루엣 점수
____연습 6: 실루엣 점수 계산
____활동 1: k-평균 클러스터링 구현
__요약


2장. 계층적 클러스터링
__소개
____클러스터링 다시 살펴보기
____k-평균 다시 살펴보기
__계층 구조
__계층적 클러스터링 소개
____계층적 클러스터링 수행 단계
____계층적 클러스터링 연습 예제
____연습 7: 계층 구성
__연결
____활동 2: 연결 기준 적용
__응집 vs 분산 클러스터링
____연습 8: scikit-learn을 사용한 응집 클러스터링 구현
____활동 3: 계층적 클러스터링과 k-평균 비교
__k-평균 vs 계층적 클러스터링
__요약


3장. 이웃 접근과 DBSCAN
__소개
____이웃으로서의 클러스터
__DBSCAN 소개
____DBSCAN 심화 학습
____DBSCAN 알고리즘 연습
____연습 9: 이웃 반경 크기의 영향 평가
____DBSCAN 속성 - 이웃 반경
____활동 4: DBSCAN 처음부터 구현
____DBSCAN 속성-최소 지점 수
____연습 10: 최소 지점 수의 영향 평가
____활동 5: DBSCAN과 k-평균 그리고 계층적 클러스터링 비교
__DBSCAN 대 k-평균과 계층적 클러스터링
__요약


4장. 차원 축소와 PCA
__소개
____차원 축소란 무엇인가?
____차원 축소 적용
____차원의 저주
__차원 축소 기법 개요
____차원 축소와 비지도 학습
__PCA
____평균
____표준편차
____공분산
____공분산 행렬
____연습 11: 통계의 기본 개념 이해
____고윳값 및 고유 벡터
____연습 12: 고윳값 및 고유 벡터 계산
____PCA 처리 절차
____연습 13: PCA 수동 실행
____연습 14: Scikit-Learn PCA
____활동 6: 수동 PCA와 scikit-learn 비교
____압축된 데이터셋 복원
____연습 15: 수동 PCA로 분산 감소 시각화
____연습 16: 분산 감소 시각화
____연습 17: Matplotlib에서 3D 도표 그리기
____활동 7: 확장된 아이리스 데이터셋을 사용한 PCA
__요약


5장. 오토인코더
__소개
__인공 신경망 기초
____뉴런
____Sigmoid 함수
____정류 선형 단위
____연습 18: 인공 신경망의 뉴런 모델링
____활동 8: ReLU 활성화 함수를 사용한 뉴런 모델링
____신경망: 구조 정의
____연습 19: Keras 모델 정의
____신경망: 학습
____연습 20: Keras 신경망 훈련
____활동 9: MNIST 신경망
__오토인코더
____연습 21: 간단한 오토인코더
____활동 10: 간단한 MNIST 오토인코더
____연습 22: 다중 계층 오토인코더
____컨볼루셔널 신경망
____연습 23: 컨볼루셔널 오토인코더
____활동 11: MNIST 컨볼루셔널 오토인코더
__요약


6장. t-분포 확률적 이웃 임베딩
__소개
__확률적 이웃 임베딩
__t-분포 확률적 이웃 임베딩
____연습 24: t-SNE MNIST
____활동 12: 와인 t-SNE
__t-SNE 도표 해석
____퍼플렉서티
____연습 25: t-SNE MNIST와 퍼플렉서티
____활동 13: t-SNE 와인과 퍼플렉서티
____이터레이션
____연습 26: t-SNE MNIST와 반복
____활동 14: t-SNE 와인과 이터레이션
____시각화에 대한 최종 의견
__요약


7장. 토픽 모델링
__소개
____토픽 모델
____연습 27: 환경 설정
____토픽 모델 개요
____비즈니스 활용
____연습 28: 데이터 로딩
__텍스트 데이터 정리
____데이터 정리 기법
____연습 29: 단계별 데이터 정리
____연습 30: 데이터 정리 마무리
____활동 15: 트위터 데이터 로딩 및 정리
__잠재 디리클레 할당
____변분 추론
____백오브워즈
____연습 31: 카운트 벡터라이저를 사용한 백오브워즈 모델 생성
____퍼플렉서티
____연습 32: 주제의 수 선택
____연습 33: 잠재 디리클레 할당 실행
____연습 34: LDA 시각화
____연습 35: 4개 주제 시도
____활동 16: 잠재 디리클레 할당과 건강 트윗
____백오브워즈 추가 사항
____연습 36: TF-IDF를 사용한 백오브워즈 생성
__음수 미포함 행렬 분해
____프로베니우스 놈
____증배 갱신
____연습 37: 음수 미포함 행렬 분해
____연습 38: NMF 시각화
____활동 17: 음수 미포함 행렬 분해
__요약


8장. 장바구니 분석
__소개
__장바구니 분석
____활용 사례
____중요한 확률 지표
____연습 39: 샘플 거래 데이터 생성
____지지도
____신뢰도
____향상도와 레버리지
____확신
____연습 40: 지표 계산
__거래 데이터의 특징
____연습 41: 데이터 불러오기
____데이터 정리 및 형식화
____연습 42: 데이터 정리 및 포매팅
____데이터 인코딩
____연습 43: 데이터 인코딩
____활동 18: 전체 온라인 소매 데이터의 로딩과 준비
__Apriori 알고리즘
____계산 수정
____연습 44: Apriori 알고리즘 실행
____활동 19: 전체 온라인 소매 데이터셋에 Apriori 적용
__연관 규칙
____연습 45: 연관 규칙 도출
____활동 20: 전체 온라인 소매 데이터셋의 연관 규칙 찾기
__요약


9장. 핫스팟 분석
__소개
____공간 통계
____확률 밀도 함수
____산업에 핫스팟 분석 사용
__커널 밀도 추정
____대역폭 값
____연습 46: 대역폭 값의 효과
____최적의 대역폭 선택
____연습 47: 그리드 검색을 사용한 최적 대역폭 선택
____커널 함수
____연습 48: 커널 함수의 효과
____커널 밀도 추정 도출
____연습 49: 커널 밀도 추정의 도출 시뮬레이션
____활동 21: 1차원에서의 밀도 추정
__핫스팟 분석
____연습 50: Seaborn으로 데이터 로드 및 모델링
____연습 51: 베이스맵 작업
____활동 22: 런던에서의 범죄 분석
__요약


부록

★ 지은이의 말 ★

라벨링된 데이터가 없을 때 비지도 학습은 유용하고 현실적인 해결책이다.

이 책은 파이썬 라이브러리를 사용해 구조화되지 않은 데이터에 비지도 학습 방법을 적용해서 의미 있는 정보를 추출하는 최선의 방법을 알려준다. 데이터셋에서 유사한 데이터 지점을 찾아 함께 묶는 기본적인 과정으로 시작한다. 일단 k-평균 알고리즘에 익숙해지고 나면 차원 축소가 무엇이고 알고리즘을 어디에 적용하는지 배우게 된다.
과정을 진행하면서 다양한 신경망을 배우고 신경망으로 모델을 향상시키는 방법을 익힐 수 있다. 또한 비지도 학습의 적용 사례를 익히며 트위터에서 인기 있는 주제를 찾는 방법도 배울 수 있다. 마지막으로는 장바구니 분석, 다양한 제품 간의 관계 파악 등 흥미로운 주제도 다룬다. 이 책을 마치고 나면 파이썬을 사용해 자신만의 모델을 자신 있게 만들 수 있는 정도의 기술을 익히게 될 것이다.

데이터 분석을 시도했지만 결과물이 없었던 경험이 있을 것이다. 데이터셋에 익숙하지 않거나 분석을 어디서부터 시작해야 할지 막막했던 적도 있을 것이다. 누가 그 일을 처리해달라고 요청했는지에 따라 좌절을 느끼거나 심지어 당황스러웠을지도 모른다.
개발자 여러분은 혼자가 아니다. 흥미롭게도 데이터 그 자체가 너무 혼란스러워서 이해할 수 없는 경우가 많다. 여러분이 스프레드시트에 있는 모든 숫자의 의미를 이해하려고 노력할 때 대체적으로 비지도 학습 알고리즘이 수행하는 동작과 비슷한 일을 시도하는 때가 많다. 현실에 존재하는 데이터는 어떤 규칙이나 의미를 갖지 않는 경우가 많다. 그리고 개발자는 별다른 준비가 없는 상태에서 데이터 분석을 해야 할 때가 많다. 하지만 너무 조바심 낼 필요는 없다. 이 책에서 다루는 내용을 잘 익힌다면 어떤 데이터라도 당황하지 않고 분석을 시작할 수 있다. 비지도 학습 알고리즘이 어떻게 동작하는지 이해하고 어떤 상황에서 적용할 수 있는지를 좋은 예제와 함께 설명할 예정이다. 데이터에서 클러스터 찾기, 데이터 크기를 줄이는 방법과 비지도 학습의 각 측면을 실제 환경에 적용하는 방법도 다룬다. 이 책의 내용을 잘 이해한다면 비지도 학습으로 해결할 수 있는 문제와 해결할 수 없는 문제를 구분할 수 있게 될 것이다.

★ 옮긴이의 말 ★

제가 따로 이야기를 꺼내지 않더라도 최근 머신 러닝이 얼마나 많은 관심을 받고 있는지는 여러분이 더 잘 아실 거라 생각합니다. 인공지능의 역사는 생각보다 꽤 깁니다. 1940년대 후반에서 1950년대 초반 수학이나 철학, 공학, 경제 등 다양한 영역의 과학자들로부터 인공적인 두뇌의 가능성이 논의되기 시작했는데, 1956년에 이르러서 인공지능이 본격적으로 학문의 분야에 들어오게 됩니다. 하지만 반세기가 넘는 긴 역사에도 불구하고 인공지능은 그리 큰 발전을 만들어내지 못했습니다.
1950년대 중반부터 1970년대 중반까지 인공지능은 다양한 성과를 내면서 황금기를 여는 듯 했으나 이후 여러 복잡한 문제를 해결하는 데 연이어 실패하면서 꽤 오랜 기간 어두운 시기를 지나왔습니다. 그리고 다시 최근에 들어와서 컴퓨팅 파워의 증가와 인공지능 기술의 발전이 4차 산업혁명 시대와 만나면서 전 세계의 관심을 한 몸에 받는 분야가 됐습니다. 특히 우리나라 사람들이 인공지능의 발전을 피부로 크게 느낀 사건은 아마도 알파고와 이세돌의 대결이 아니었나 싶습니다. 저 또한 바둑을 잘 모름에도 그 긴 대국을 흥미롭게 지켜볼 정도였으니 말입니다.
이세돌과 대국했던 알파고는 인간의 기보를 바탕으로 지도 학습을 통해 만들어진 인공지능입니다. 지도 학습은 기본적으로 정답을 알고 있는 방대한 데이터를 기반으로 학습을 하는 방식을 말합니다. 아마존이 보유하고 있는 방대한 고객의 구매 패턴 데이터를 정답 데이터로 삼아 고객이 다음에 구매할 가능성이 높은 제품을 추천해주는 것이 한 예가 될 수 있습니다. 반면 비지도 학습은 정답을 알지 못하는 데이터로부터 패턴과 관계를 찾아내면서 의미를 파악해내는 접근 방법입니다. 인간 세상에서 우리가 얻을 수 있는 데이터는 정답이 없는 데이터인 경우가 더 많기에 비지도 학습은 매우 중요하고 유용한 머신 러닝 기법입니다.
이 책은 파이썬과 다양한 파이썬 라이브러리를 활용해 비지도 학습의 다양한 예시와 사례를 통해 독자가 이해하기 쉬운 방법으로 친절하게 설명하고 있습니다. 머신 러닝에 대한 사전 지식이 전혀 없더라도 이 책의 내용을 이해하는 데 큰 어려움은 없을 것이고 이 책을 시작으로 머신 러닝의 매력에 흠뻑 빠져들 것이라 확신합니다.