장바구니 담기 close

장바구니에 상품을 담았습니다.

전문가를 위한 머신러닝 솔루션

전문가를 위한 머신러닝 솔루션

  • 잘라지트하나키
  • |
  • 위키북스
  • |
  • 2019-06-13 출간
  • |
  • 532페이지
  • |
  • 187 X 240 X 35 mm /1013g
  • |
  • ISBN 9791158391560
판매가

35,000원

즉시할인가

31,500

카드할인

0원(즉시할인 0%)

적립금

1,750원 적립(5%적립)

배송비

무료배송

(제주/도서산간 배송 추가비용:3,000원)

추가혜택

네이버페이 무조건 1%적립+ 추가 1%적립

수량
+ -
총주문금액
31,500

※ 스프링제본 상품은 반품/교환/환불이 불가능하므로 신중하게 선택하여 주시기 바랍니다.

목차


▣ 01장: 신용 위험 모델링
연구문제 진술 소개
데이터셋 이해
__데이터셋의 특성 이해
__데이터 분석
____데이터 전처리
____데이터 전처리에 이은 기본 데이터 분석
____부양 가족 수
__기준 모델에 대한 특징 공학
특징 중요도 알아내기
머신러닝 알고리즘 선택
__k 최근접 이웃
__로지스틱 회귀
__에이다부스트
__그레이디언트부스팅
__랜덤포레스트
기준 모델 훈련
테스트 계량 이해
__훈련된 모델의 평균 정확도
__ROC-AUC 점수
____ROC
____AUC
기준 모델 테스트
기존 접근법의 문제점
기존 접근법 최적화
__접근법 최적화에 필요한 핵심 개념 이해
____교차 검증
____하이퍼파라미터 조율
개선 접근법 구현
__교차 검증 기반 접근법 구현
__하이퍼파라미터 조율 구현
__개선 접근법 구현 및 테스트
__개선 접근법의 문제점 이해
최선 접근법
__최선 접근법 구현
____특징의 로그 변환
____투표 기반 앙상블 머신러닝 모델
____실제 테스트 데이터에서 머신러닝 모델을 실행하기
요약

▣ 02장: 주식 시장 가격 예측
연구문제 진술 소개
데이터셋 수집
__DJIA 지수 가격 수집
__뉴스 기사 수집
데이터셋 이해
__DJIA 데이터셋 이해
__뉴욕타임즈 뉴스 기사 데이터셋 이해
데이터 전처리 및 데이터 분석
__DJIA 훈련 데이터셋 준비하기
__DJIA 데이터셋에 대한 기본 데이터 분석
__뉴욕 타임즈 뉴스 데이터셋 준비
____발행 일자를 YYYY-MM-DD 형식으로 변환
____뉴스 기사를 분야별로 선별
____필터 특징 구현 및 데이터셋 병합
____병합된 데이터셋을 피클 파일 형식으로 저장
특징 공학
__데이터셋 적재
__소규모 전처리
____수정 종가를 정수 형식으로 변환
____뉴스 헤드라인에서 가장 왼쪽에 있는 점을 제거
특징 공학
뉴욕 타임즈 뉴스 기사의 정서 분석
머신러닝 알고리즘 선택
기준 모델 훈련
__훈련 데이터셋과 테스트 데이터셋으로 분할
__훈련 데이터셋 및 테스트 데이터셋의 예측 레이블 분할
__정서 점수를 넘파이 배열로 변환
__머신러닝 모델 훈련
테스트 계량 이해
__기본 테스트 계량
__시각화 접근법
기준 모델 테스트
__출력 생성과 해석
__정확도 점수 생성
__출력 시각화
기존 접근법의 문제점 탐구
__조정
__평활화
__그 밖의 머신러닝 알고리즘을 시도
개선 접근법 이해
__개념과 접근법을 이해하기
____조정 기반 접근법
____평활화 기반 접근법
____로지스틱 회귀 기반 접근법
개선 접근법 구현
__구현
____조정 구현
____평활화 구현
____로지스틱 회귀 구현
__개선 접근법 테스트
__개선 접근법의 문제점 이해
최선 접근법
요약

▣ 03장: 고객 분석
고객 세분화 소개
__연구문제 진술 소개
데이터셋 이해
__데이터셋에 대한 설명
__데이터셋 내려받기
__데이터셋의 특성
기준 접근법 구축
__기준 접근법 구현
____데이터 준비
____탐색적 데이터 분석
____고객 범주 생성
____고객 분류
__테스트 계량 이해
____혼동 행렬
____학습 곡선
__기준 접근법 결과 테스트
____분류 기준에 대한 정확도 점수 생성
____분류기의 혼동 행렬 생성
____분류기에 대한 학습 곡선 생성
__기준 접근법의 문제점
__기준 접근법 최적화
개선 접근법 구축
__개선 접근법 구현
__개선 접근법 테스트
__개선 접근법의 문제점
____개선 접근법을 개선하는 방법 이해
최선 접근법
__최선 접근법 구현
__최선 접근법 테스트
____유보 말뭉치를 훈련 데이터셋의 형태로 변환
____변형 데이터셋을 행렬 형식으로 변환하기
____예측 생성
다양한 분야에 대한 고객 세분화
요약

▣ 04장: 전자상거래용 추천 시스템
연구문제 진술 소개
데이터셋 이해
__전자상거래 품목 데이터
__북크로싱 데이터셋
____BX-Book-Ratings.csv
____BX-Books.csv
____BX-Users.csv
기준 접근법 구축
기본 개념 이해
__내용 기반 접근법 이해
__기준 접근법 구현
____추천 시스템의 아키텍처
____기준 접근법을 구현하기 위한 단계
__테스트 계량 이해
__기준 접근법 결과 테스트
__기준 접근법의 문제점
__기준 접근법 최적화
개선 접근법 구축
__개선 접근법 구현
____데이터셋 적재
____도서 평가 데이터 파일의 EDA
____도서 데이터 파일 탐색
____사용자 데이터 파일의 EDA
____추천 엔진에 대한 상관 논리 구현
__개선 접근법 테스트
__개선 접근법의 문제점
____개선 접근법 개선 방법 이해
최선 접근법
__주요 개념 이해
____협업 필터링
__최선 접근법 구현
____데이터셋 적재
____데이터 프레임 병합
____병합된 데이터 프레임의 EDA
____위치 정보 기반 데이터 선별
____KNN 알고리즘 적용
____KNN 알고리즘을 사용한 추천
____행렬 인수분해 적용
____행렬 인수분해를 이용한 추천
요약

▣ 05장: 정서 분석
연구문제 진술 소개
데이터셋 이해
__데이터셋 내용 이해
____train 폴더
____test 폴더
____imdb.vocab 파일
____imdbEr.txt 파일
____README
__영화 감상평 검토 파일의 내용 이해
기준 모델에 대한 훈련 및 테스트 데이터셋 작성
기준 모델의 특징 공학
머신러닝 알고리즘 선택
기준 모델 훈련
__기준 모델 구현
____다항 나이브 베이즈
____커널 rbf를 사용한 C-서포트 벡터 분류
____커널 선형을 사용한 C-서포트 벡터 분류
____선형 서포트 벡터 분류
테스트 계량 이해
__정밀도
__재현율
__F1 점수
__지지도
__훈련 정확도
기준 모델 테스트
__다항 나이브 베이즈의 테스트
__rbf 커널을 사용한 SVM 테스트
__선형 커널로 SVM을 테스트
__linearSVC로 SVM을 테스트
기존 접근법의 문제점
기존 접근법을 최적화하는 방법
__접근법 최적화를 위한 주요 개념 이해
개선 접근법 구현
__종속 라이브러리 가져오기
__IMDb 데이터셋 내려받기 및 적재하기
__상위 단어 및 최대 텍스트 길이 선택
__워드 임베딩 구현
__합성곱 신경망 구축
__훈련 및 정확도 확보
__개선 접근법 테스트
__개선 접근법의 문제점 이해
최선 접근법
__최선 접근법 구현
____GloVe 모델 적재
____데이터셋 적재
____미리 계산된 ID 행렬 적재
____훈련 및 테스트 데이터셋 분할
____신경망 구축
____신경망 훈련
____훈련된 모델 적재
____훈련된 모델 테스트
요약

▣ 06장: 일자리 추천 엔진
연구문제 진술 소개
데이터셋 이해
__긁어 모은 데이터셋
__일자리 추천 경진대회 데이터셋
__apps.tsv
__users.tsv
__Jobs.zip
__user_history.tsv
기준 접근법 구축
__기준 접근법 구현
____상수 정의
____데이터셋 적재
____도우미 함수 정의
____TF-IDF 벡터 및 코사인 유사도 생성
__테스트 계량 이해
__기준 접근법의 문제점
__기준 접근법 최적화
개선 접근법 구축
__데이터셋 적재
__훈련 데이터셋과 테스트 데이터셋으로 분할하기
__탐색적 데이터 분석
__일자리 데이터 파일을 사용해 추천 엔진을 구축하기
__개선 접근법 테스트
__개선 접근법의 문제점
__개선 접근법을 향상하는 방법 이해
최선 접근법
__최선 접근법 구현
____데이터셋 선별
____훈련 데이터셋 준비
____연결 연산 적용
____TF-IDF 및 코사인 유사도 점수 생성
____추천 생성
요약

▣ 07장: 텍스트 요약
요약의 기본을 이해하기
__추출 요약
__생성 요약
연구문제 진술 소개
데이터셋 이해
__데이터셋 획득 문제 해결
__의료 사본 데이터셋 이해
__아마존의 서평 데이터셋 이해
기준 접근법 구축
__기준 접근법 구현
____파이썬 종속 파일 설치
____코드 작성 및 요약 생성
__기준 접근법의 문제점
__기준 접근법 최적화
개선 접근법 구축
__개선 접근법 구현
____get_summarized 함수
____reorder_sentences 함수
____summarize 함수
____요약 생성
__개선 접근법의 문제점
__개선 접근법을 보완하는 방법
____LSA 알고리즘
____최선 접근법의 배경을 이루는 아이디어
최선 접근법
__최선 접근법 구현
____프로젝트 구조 이해
____도우미 함수 이해
____요약 생성
__아마존 서평을 사용해 요약 애플리케이션 만들기
____데이터셋 적재
____데이터셋 탐색
____데이터셋 준비
____딥러닝 모델 구축
____딥러닝 모델 훈련
____딥러닝 모델 테스트
요약

▣ 08장: 챗봇 개발
연구문제 진술 소개
__검색 기반 접근법
__생성 기반 접근법
__열린 영역
__닫힌 영역
__짧은 대화
__긴 대화
____열린 영역과 생성 기반 접근법
____열린 영역과 검색 기반 접근법
____닫힌 영역과 검색 기반 접근법
____닫힌 영역과 생성 기반 접근법
데이터셋 이해5
__코넬 영화 대사 데이터셋
____movie_conversations.txt에 담긴 내용의 세부 정보
____movie_lines.txt에 담긴 내용의 세부 정보
__bAbI 데이터셋
____The (20) QA bAbI tasks
챗봇 기본 버전 구축
__규칙 기반 시스템이 작동하는 이유는 무엇인가?
__규칙 기반 시스템 이해
__접근법 이해
__있음직한 질문/답변 나열
__표준 메시지 결정
__아키텍처 이해
규칙 기반 챗봇 구현
__대화 흐름 구현
__플라스크를 사용해 RESTful API 구현하기
규칙 기반 챗봇 테스트
__규칙 기반 챗봇의 장점
기존 접근법의 문제점
__접근법 최적화를 위한 주요 개념
____seq2seq 모델 이해
개선 접근법 구현
__데이터 준비
____질문-답변 쌍 생성
____데이터셋 전처리
____데이터셋을 훈련 데이터셋 및 테스트 데이터셋으로 분할하기
____훈련 데이터셋 및 테스트 데이터셋에 대한 어휘집 작성
__seq2seq 모델 구현
____모델 구성
____모델 훈련
개선 접근법 테스트
__테스트 개량 기준 이해
____복잡도
____손실
__개선 챗봇 버전 테스트
개선 접근법의 문제점
__당면 문제 해결에 필요한 핵심 개념
____기억 신경망
최선 접근법
__최선 접근법 구현
____마구잡이 테스트 모드
하이브리드 방식에 관한 토론
요약

▣ 09장: 실시간 물체 인식 앱 구축
연구문제 진술 소개
데이터셋 이해
__COCO 데이터셋
__PASCAL VOC 데이터셋
____PASCAL VOC 클래스
전이 학습
__전이 학습이란 무엇인가?
__사전 훈련 모델이란 무엇인가?
__사전 훈련 모델을 사용해야 하는 이유는 무엇인가?
__사전 훈련 모델을 사용하는 방법
코딩 환경 설정
__OpenCV 구성과 설치
기준 모델을 위한 특징 공학
머신러닝 알고리즘 선택
__MobileNet SSD 모델의 아키텍처
기준 모델 작성
테스트 계량 이해
__합집합 분의 교집합
__평균 정밀도의 평균
기준 모델 테스트
기존 접근법의 문제점
기존 접근법을 최적화하는 방법
__최적화 과정 이해
개선 접근법 구현
__개선 접근법 테스트
__개선 접근법의 문제점 이해
최선 접근법
__YOLO 이해
__YOLO의 작동 방식
__YOLO의 아키텍처
__YOLO를 사용한 최선 접근법 구현
____다크넷을 사용한 구현
____다크플로를 사용한 구현
요약

▣ 10장: 얼굴 검출 및 얼굴 감정 인식
연구문제 진술 소개
__얼굴 인식 애플리케이션
__얼굴 감정 인식 애플리케이션
코딩 환경 설정
__dlib 설치
__face_recognition 설치
얼굴 인식의 개념 이해
__얼굴 인식 데이터셋 이해
____CAS-PEAL Face Dataset
____Labeled Faces in the Wild
__얼굴 인식 알고리즘
____지향성 경사도 히스토그램
____얼굴 인식용 합성곱 신경망
얼굴 인식 구현 방법
__HOG 기반 접근법 구현
__CNN 기반 접근법 구현
__실시간 얼굴 인식 구현
얼굴 감정 인식을 위한 데이터셋 이해
얼굴 감정 인식 개념 이해
__합성곱 계층 이해
__ReLU 계층 이해
__풀링 계층 이해
__완전 연결 계층 이해
__소프트맥스 계층 이해
__역전파 기반 가중치 갱신
얼굴 감정 인식 모델 구축
__데이터 준비
__데이터 적재
__모델 훈련
____dataset_loader 스크립트를 사용한 데이터 적재
____합성곱 신경망 구축
____FER 애플리케이션에 대한 훈련
____훈련된 모델 예측 및 저장
테스트 계량 이해
모델 테스트
기존 접근법의 문제점
기존 접근법을 최적화하는 방법
__최적화 과정 이해
최선 접근법
__최선 접근법 구현
요약

▣ 11장: 게임봇 구축
연구문제 진술 소개
코딩 환경 설정
강화학습 이해
__마르코프 결정 과정
__할인된 미래 보상
기본 아타리 게임봇
__주요 개념 이해
____게임 규칙
____Q 학습 알고리즘 이해
게임봇의 기본 버전 구현
스페이스 인베이더 게임봇 구축
__주요 개념 이해
____심층 Q 신경망 이해
____경험 재연 이해
스페이스 인베이더 게임봇 구현
퐁 게임봇 구축
__주요 개념 이해
____게임봇의 아키텍처
____게임봇에 대한 접근법
퐁 게임봇 구현
__파라미터 초기화
__가중치를 행렬 형식으로 저장
__가중치 갱신
__에이전트를 움직이는 방법
__신경망을 사용한 과정 이해
그냥 재미로 플래피버드 게임봇 구현해 보기
요약

▣ 부록A: 치트 시트 목록
치트 시트
요약

▣ 부록B: 해카톤 승리 전략
해카톤 승리 전략
최신 정보 유지
요약

교환 및 환불안내

도서교환 및 환불
  • ㆍ배송기간은 평일 기준 1~3일 정도 소요됩니다.(스프링 분철은 1일 정도 시간이 더 소요됩니다.)
  • ㆍ상품불량 및 오배송등의 이유로 반품하실 경우, 반품배송비는 무료입니다.
  • ㆍ고객님의 변심에 의한 반품,환불,교환시 택배비는 본인 부담입니다.
  • ㆍ상담원과의 상담없이 교환 및 반품으로 반송된 물품은 책임지지 않습니다.
  • ㆍ이미 발송된 상품의 취소 및 반품, 교환요청시 배송비가 발생할 수 있습니다.
  • ㆍ반품신청시 반송된 상품의 수령후 환불처리됩니다.(카드사 사정에 따라 카드취소는 시일이 3~5일이 소요될 수 있습니다.)
  • ㆍ주문하신 상품의 반품,교환은 상품수령일로 부터 7일이내에 신청하실 수 있습니다.
  • ㆍ상품이 훼손된 경우 반품 및 교환,환불이 불가능합니다.
  • ㆍ반품/교환시 고객님 귀책사유로 인해 수거가 지연될 경우에는 반품이 제한될 수 있습니다.
  • ㆍ스프링제본 상품은 교환 및 환불이 불가능 합니다.
  • ㆍ군부대(사서함) 및 해외배송은 불가능합니다.
  • ㆍ오후 3시 이후 상담원과 통화되지 않은 취소건에 대해서는 고객 반품비용이 발생할 수 있습니다.
반품안내
  • 마이페이지 > 나의상담 > 1 : 1 문의하기 게시판 또는 고객센터 1800-7327
교환/반품주소
  • 경기도 파주시 문발로 211 1층 / (주)북채널 / 전화 : 1800-7327
  • 택배안내 : CJ대한통운(1588-1255)
  • 고객님 변심으로 인한 교환 또는 반품시 왕복 배송비 5,000원을 부담하셔야 하며, 제품 불량 또는 오 배송시에는 전액을 당사에서부담 합니다.