0점 (0명)
좋아요 : 28
기초 이론부터 구현 실습까지 체계적으로 배우는 머신러닝 핵심
이 책은 머신러닝 입문자를 대상으로, 머신러닝을 공부할 때 필요한 기초 이론과 총7개의 머신러닝 핵심 모델을 다룹니다. 각각의 머신러닝 모델을 ‘데이터 설명 → 모델 구조 → 학습이론’ 순서로 설명하여, 데이터 특성과 상황에 맞게 적절한 모델을 선정하고 적용하는 방법을 체계적으로 보여줍니다. 그런 다음 두 가지 유형의 실습(사이킷런을 활용하는 방식, 함수를 직접 구현하는 방식)을 제공하여 개별 머신러닝 모델의 동작을 깊이 이해하고 다양한 상황에 적용할 수 있는 역량을 길러줍니다.
Chapter 01 인공지능과 머신러닝의 이해
01 인공지능 개념
02 인공지능의 발전
03 머신러닝 기초
Chapter 02 머신러닝을 위한 수학과 넘파이 라이브러리
01 머신러닝을 위한 기초수학
02 예제로 풀어보는 머신러닝 수학
03 머신러닝을 위한 넘파이 라이브러리
Chapter 03 선형 회귀
01 회귀의 개념과 데이터셋
02 단순 선형 회귀
03 단순 선형 회귀 모델의 학습(경사하강법)
04 다중 선형 회귀
05 예제로 풀어보는 선형 회귀
06 코드로 구현하는 선형 회귀
Chapter 04 로지스틱 회귀
01 로지스틱 회귀의 데이터
02 로지스틱 회귀 모델
03 예제로 풀어보는 로지스틱 회귀
04 코드로 구현하는 로지스틱 회귀
Chapter 05 퍼셉트론
01 퍼셉트론의 구조
02 활성화 함수
03 퍼셉트론의 학습 과정
04 퍼셉트론과 논리 게이트
05 예제로 풀어보는 퍼셉트론
06 코드로 구현하는 퍼셉트론
Chapter 06 다층 퍼셉트론
01 다층 퍼셉트론의 핵심
02 다층 퍼셉트론의 학습 원리
03 모델 성능 평가 지표
04 다층 퍼셉트론의 성능 향상을 위한 고려 사항
05 꼭 알아야 할 예제
06 예제로 풀어보는 다층 퍼셉트론
07 코드로 구현하는 퍼셉트론
Chapter 07 k-최근접 이웃
01 모델 기반 학습과 사례 기반 학습
02 k-최근접 이웃의 주요 개념
03 거리 측도
04 k-최근접 이웃을 통한 분류
05 k-최근접 이웃을 통한 회귀
06 k-최근접 이웃의 하이퍼파라미터
07 예제로 풀어보는 k-최근접 이웃
08 코드로 구현하는 k-최근접 이웃
Chapter 08 의사결정 트리
01 지도학습 측면에서의 의사결정 트리
02 의사결정 트리의 기본 개념
03 의사결정 트리 모델의 구조
04 의사결정 트리 모델의 동작 원리
05 의사결정 트리의 회귀 적용
06 예제로 풀어보는 의사결정 트리
07 코드로 구현하는 의사결정 트리
Chapter 09 군집화
01 비지도학습의 정의와 데이터
02 군집화의 기본 개념
03 k-평균 군집화의 핵심 원리
04 k-평균 군집화 관련 고려 사항
05 예제로 풀어보는 군집화
06 코드로 구현하는 군집화
Appendix Basic Cheat Sheet
찾아보기
자료 다운로드시 유의사항
▶ 부록/자료 관련 FAQ
| 자료명 | 등록일 | 다운로드 |
|---|---|---|
 예제풀이 |
2024-07-19 | 다운로드 |
| 예제소스 |
2024-07-19 | 다운로드 |
오탈자 등록
