머신러닝의 바탕이 되는 데이터 사이언스의 본질을 이해하자!

현재 화제가 되고 있는 머신러닝(기계학습)의 툴과 라이브러리는 내부에서 어떻게 계산을 하는 걸까? 계산해서 얻은 결과는 어떤 의미를 담고 있을까? 그 결과를 어떻게 비즈니스적으로 활용하면 좋을까? 이런 의문을 가진 엔지니어가 늘고 있습니다.

이 책은 IT 개발자 중에서 머신러닝 알고리즘을 공부하고 싶어하며 그 알고리즘 속에 포함된 이론을 이해하여 업무에 활용하고 싶어하는 독자를 대상으로 쓰여졌습니다. 머신러닝 기술은 여러모로 활용되겠지만 이 책은 '데이터 분석 결과를 업무 판단에 이용한다'라는 개념을 가지고 각종 알고리즘을 설명합니다.

알고리즘의 이해를 위해 이 책에서는 머신러닝 이론을 수학적인 배경부터 하나씩 차근차근 설명합니다. 또 파이썬으로 샘플 프로그램을 실행해 볼 수 있도록 하였으며, 그 결과를 보는 것으로 머신러닝을 지탱하는 이론을 실감할 수 있도록 구성돼 있습니다.

▣ 01장: 데이터 과학과 머신러닝 1.1 업무상에서 데이터 과학이 하는 역할 1.2 머신러닝 알고리즘 분류 ___1.2.1 분류: 클래스 판정을 산출하는 알고리즘 ___1.2.2 회귀분석: 수치를 예측하는 알고리즘 ___1.2.3 클러스터링: 지도자 없이 그룹화하는 알고리즘 ___1.2.4 그 밖의 알고리즘 1.3 이 책에서 사용하는 예제 ___1.3.1 회귀분석에 의한 관측값 추측 ___1.3.2 선형판별에 의한 신규 데이터 분류 ___1.3.3 이미지 파일 감색 처리(대표색 추출) ___1.3.4 손글씨 문자 인식 1.4 분석 도구 준비 ___1.4.1 이 책에서 사용할 데이터 분석 도구 ___1.4.2 실행 환경 설치 순서(CentOS 6) ___1.4.3 실행 환경 설치 순서(Mac OS X) ___1.4.4 실행 환경 설정 순서(Windows 7/8.1) ___1.4.5 IPython 사용법 ▣ 02장: 최소제곱법 - 머신러닝 이론의 첫 걸음 2.1 다항식 근사와 최소제곱법에 의한 추정 ___2.1.1 트레이닝 세트의 특징 변수와 목적 변수 ___2.1.2 다항식 근사와 오차함수 설정 ___2.1.3 오차함수를 최소화할 수 있는 조건 ___2.1.4 예제 코드로 확인한다 ___2.1.5 통계모델이라는 관점에서 최소제곱법이란 2.2 오버 피팅 검출 ___2.2.1 트레이닝 셋과 테스트 셋 ___2.2.2 테스트 셋으로 검증한 결과 ___2.2.3 교차 검증을 통해 일반화 능력을 검증한다 ___2.2.4 데이터 개수에 따른 오버 피팅 변화 2.3 부록 - 헤세행렬의 성질 ▣ 03장: 최우추정법 - 확률을 사용한 추정 이론 3.1 확률 모델을 이용한다 ___3.1.1 데이터 발생 확률 설정 ___3.1.2 우도함수로 파라미터를 평가한다 ___3.1.3 예제 코드로 확인한다 3.2 단순한 예로 설명한다 ___3.2.1 정규분포의 파라메트릭 모델 ___3.2.2 예제 코드로 확인한다 ___3.2.3 추정량을 평가하는 방법(일치성과 불편성) 3.3 부록-표본평균ㆍ표본분산의 일치성과 불편성 ___3.3.1 표본평균ㆍ표본분산의 일치성과 불편성 증명 ___3.3.2 예제 코드로 확인한다 ▣ 04장: 퍼셉트론 - 분류 알고리즘 기초 4.1 확률적 기울기 하강법 알고리즘 ___4.1.1 평면을 분할하는 직선의 방정식 ___4.1.2 오차함수를 사용하여 분류 결과를 평가한다 ___4.1.3 기울기 벡터로 파라미터를 수정한다 ___4.1.4 예제 코드로 확인한다 4.2 퍼셉트론을 기하학적으로 해석한다 ___4.2.1 바이어스 항의 임의성과 알고리즘 수렴 속도 ___4.2.2 퍼셉트론의 기하학적 해석 ___4.2.3 바이어스 항의 기하학적인 의미 ▣ 05장: 로지스틱 회귀와 ROC 곡선 - 학습 모델을 평가하는 방법 5.1 분류 문제에 최우추정법을 적용한다 ___5.1.1 데이터 발생 확률 설정 ___5.1.2 최우추정법으로 파라미터를 결정한다 ___5.1.3 예제 코드로 확인한다 5.2 ROC 곡선으로 학습 모델을 평가한다 ___5.2.1 로지스틱 회귀를 현실 문제에 적용한다 ___5.2.2 ROC 곡선으로 성능 평가 ___5.2.3 예제 코드로 확인한다 5.3 부록 - IRLS법 도출 ▣ 06장: k-평균법 - 비지도 학습모델 기초 6.1 k-평균법을 통한 클러스터링과 그 응용 ___6.1.1 비지도 학습모델 클러스터링 ___6.1.2 k-평균법을 사용한 클러스터링 ___6.1.3 이미지 데이터에 응용 ___6.1.4 예제 코드로 확인한다 ___6.1.5 k-평균법의 수학적 근거 6.2 게으른 학습모델로서의 k-최근접이웃 ___6.2.1 k-최근접이웃으로 분류 ___6.2.2 k-최근접이웃의 문제점 ▣ 07장: EM 알고리즘 - 최우추정법에 의한 비지도 학습 7.1 베르누이 분포를 사용한 최우추정법 ___7.1.1 손글씨 문자 합성 방법 ___7.1.2 이미지 생성기와 최우추정법 7.2 혼합분포를 사용한 최우추정법 ___7.2.1 혼합분포로 확률계산 ___7.2.2 EM 알고리즘 절차 ___7.2.3 예제 코드로 확인한다 ___7.2.4 클러스터링으로 데이터를 해석한다 7.3 부록 - 손글씨 문자 데이터를 다운로드한다 ▣ 08장: 베이즈 추정 - 데이터를 기반으로 확신을 더하는 방법 8.1 베이즈 추정 모델과 베이즈 정리 ___8.1.1 베이즈 추정의 개념 ___8.1.2 베이즈 정리 입문 ___8.1.3 베이즈 추정으로 정규분포를 정한다: 파라미터 추정 ___8.1.4 베이즈 추정으로 정규분포를 결정한다: 관측값의 분포를 추정 ___8.1.5 예제 코드로 확인한다 8.2 베이즈 추정을 회귀분석에 응용 ___8.2.1 파라미터의 사후분포 계산 ___8.2.2 관측값의 분포를 추정 ___8.2.3 예제 코드로 확인한다 8.3 부록-최우추정법과 베이즈 추정의 관계