책소개
200개 비법 레시피로 실무 머신러닝 문제를 쉽고 빠르게 해결하기 200여 개의 비법 레시피를 제공하는 이 책은 실무에서 접하는 다양한 머신러닝 문제를 해결하도록 도와준다. 판다스나 사이킷런 같은 파이썬 라이브러리로 데이터 적재, 텍스트나 수치형 데이터 다루기, 모델 선택, 차원 축소 등 다양한 문제를 해결할 수 있다. 레시피의 코드를 샘플 데이터셋에 적용하며 실제로 코드가 어떻게 동작하는지 확인해본다. 문제 해결에 대한 설명과 유용한 배경지식도 제공한다. 이 책은 이론과 개념 설명을 넘어서 머신러닝 애플리케이션 제작에 필요한 구체적인 도구를 제시한다. 실무에서 레시피를 그대로 적용하거나 적절히 수정하여 쉽고 빠르게 문제를 해결하기 바란다.
저자소개
선거 모니터링에서부터 재난 구조에 이르기까지 십여 년간 통계학습과 인공지능, 소프트웨어 공학을 정치, 사회, 인도주의 활동에 적용해온 데이터 과학자이자 정치학자이다. 현재 크리스는 프런티어 마켓(frontier market)의 인터넷 사용자를 위해 와이파이 네트워크를 구축하는 케냐의 스타트업인 BRCK의 최고데이터과학자(CDS)이다.
목차
CHAPTER 1 벡터, 행렬, 배열__1.0 소개__1.1 벡터 만들기__1.2 행렬 만들기__1.3 희소행렬 만들기__1.4 원소 선택하기__1.5 행렬 정보 확인하기__1.6 벡터화 연산 적용하기__1.7 최댓값, 최솟값 찾기__1.8 평균, 분산, 표준편차 계산하기__1.9 배열 크기 바꾸기__1.10 벡터나 행렬 전치하기__1.11 행렬 펼치기__1.12 행렬의 랭크 구하기__1.13 행렬식 계산하기__1.14 행렬의 대각원소 추출하기__1.15 행렬의 대각합 계산하기__1.16 고윳값과 고유벡터 찾기__1.17 점곱 계산하기__1.18 행렬 덧셈과 뺄셈__1.19 행렬 곱셈__1.20 역행렬__1.21 난수 생성하기
CHAPTER 2 데이터 적재__2.0 소개__2.1 샘플 데이터셋 적재하기__2.2 모의 데이터셋 만들기__2.3 CSV 파일 적재하기__2.4 엑셀 파일 적재하기__2.5 JSON 파일 적재하기__2.6 SQL 데이터베이스로부터 적재하기
CHAPTER 3 데이터 랭글링__3.0 소개__3.1 데이터프레임 만들기__3.2 데이터 설명하기__3.3 데이터프레임 탐색하기__3.4 조건에 따라 행 선택하기__3.5 값 치환하기__3.6 열 이름 바꾸기__3.7 최솟값, 최댓값, 합, 평균 계산 및 개수 세기__3.8 고유한 값 찾기__3.9 누락된 값 다루기__3.10 열 삭제하기__3.11 행 삭제하기__3.12 중복된 행 삭제하기__3.13 값에 따라 행을 그룹핑하기__3.14 시간에 따라 행을 그룹핑하기__3.15 열 원소 순회하기__3.16 모든 열 원소에 함수 적용하기__3.17 그룹에 함수 적용하기__3.18 데이터프레임 연결하기__3.19 데이터프레임 병합하기
CHAPTER 4 수치형 데이터 다루기__4.0 소개__4.1 특성 스케일 바꾸기__4.2 특성을 표준화하기__4.3 정규화하기__4.4 다항 특성과 교차항 특성 생성하기__4.5 특성 변환하기__4.6 이상치 감지하기__4.7 이상치 다루기__4.8 특성 이산화하기__4.9 군집으로 샘플을 그룹으로 묶기__4.10 누락된 값을 가진 샘플을 삭제하기__4.11 누락된 값 채우기
CHAPTER 5 범주형 데이터 다루기__5.0 소개__5.1 순서가 없는 범주형 특성 인코딩하기__5.2 순서가 있는 범주형 특성 인코딩하기__5.3 특성 딕셔너리를 인코딩하기__5.4 누락된 클래스 값 대체하기__5.5 불균형한 클래스 다루기
CHAPTER 6 텍스트 다루기__6.0 소개__6.1 텍스트 정제하기__6.2 HTML 파싱과 정제하기__6.3 구두점 삭제하기__6.4 텍스트 토큰화하기__6.5 불용어 삭제하기__6.6 어간 추출하기__6.7 품사 태깅하기__6.8 텍스트를 BoW로 인코딩하기__6.9 단어 중요도에 가중치 부여하기
CHAPTER 7 날짜와 시간 다루기__7.0 소개__7.1 문자열을 날짜로 변환하기__7.2 시간대 다루기__7.3 날짜와 시간 선택하기__7.4 날짜 데이터를 여러 특성으로 나누기__7.5 날짜 간의 차이를 계산하기__7.6 요일을 인코딩하기__7.7 시차 특성 만들기__7.8 이동 시간 윈도 사용하기__7.9 시계열 데이터에서 누락된 값 다루기
CHAPTER 8 이미지 다루기__8.0 소개__8.1 이미지 로드하기__8.2 이미지 저장하기__8.3 이미지 크기 변경하기__8.4 이미지 자르기__8.5 이미지 흐리게 하기__8.6 이미지 선명하게 하기__8.7 대비 높이기__8.8 색깔 구분하기__8.9 이미지 이진화하기__8.10 배경 제거하기__8.11 경계선 감지하기__8.12 모서리 감지하기__8.13 머신러닝 특성 만들기__8.14 평균 색을 특성으로 인코딩하기__8.15 컬러 히스토그램을 특성으로 인코딩하기
CHAPTER 9 특성 추출을 사용한 차원 축소__9.0 소개__9.1 주성분을 사용해 특성 줄이기__9.2 선형적으로 구분되지 않은 데이터의 차원 축소하기__9.3 클래스 분리를 최대화하여 특성 줄이기__9.4 행렬 분해를 사용하여 특성 줄이기__9.5 희소한 데이터의 특성 줄이기
CHAPTER 10 특성 선택을 사용한 차원 축소__10.0 소개__10.1 분산을 기준으로 수치 특성 선택하기__10.2 분산을 기준으로 이진 특성 선택하기__10.3 상관관계가 큰 특성 다루기__10.4 분류 작업에 관련 없는 특성 삭제하기__10.5 재귀적 특성 제거하기
CHAPTER 11 모델 평가__11.0 소개__11.1 교차검증 모델 만들기__11.2 기본 회귀 모델 만들기__11.3 기본 분류 모델 만들기__11.4 이진 분류기의 예측 평가하기__11.5 이진 분류기 임곗값 평가하기__11.6 다중클래스 분류기 예측 평가하기__11.7 분류기 성능 시각화하기__11.8 회귀 모델 평가하기__11.9 군집 모델 평가하기__11.10 사용자 정의 평가 지표 만들기__11.11 훈련 세트 크기에 따른 영향을 시각화하기__11.12 평가 지표 리포트 만들기__11.13 하이퍼파라미터 값의 영향을 시각화하기
CHAPTER 12 모델 선택__12.0 소개__12.1 완전 탐색을 사용해 최선의 모델 선택하기__12.2 랜덤 서치를 사용해 최선의 모델 선택하기__12.3 여러 학습 알고리즘에서 최선의 모델 선택하기__12.4 전처리와 함께 최선의 모델 선택하기__12.5 병렬화로 모델 선택 속도 높이기__12.6 알고리즘에 특화된 기법을 사용하여 모델 선택 수행 속도 높이기__12.7 모델 선택 후 성능 평가하기
CHAPTER 13 선형회귀__13.0 소개__13.1 직선 학습하기__13.2 교차 특성 다루기__13.3 비선형 관계 학습하기__13.4 규제로 분산 줄이기__13.5 라소 회귀로 특성 줄이기
CHAPTER 14 트리와 랜덤 포레스트__14.0 소개__14.1 결정 트리 분류기 훈련하기__14.2 결정 트리 회귀 훈련하기__14.3 결정 트리 모델 시각화하기__14.4 랜덤 포레스트 분류기 훈련하기__14.5 랜덤 포레스트 회귀 훈련하기__14.6 랜덤 포레스트에서 중요한 특성 구분하기__14.7 랜덤 포레스트에서 중요한 특성 선택하기__14.8 불균형한 클래스 다루기__14.9 트리 크기 제어하기__14.10 부스팅을 사용하여 성능 향상하기__14.11 OOB 데이터로 랜덤 포레스트 평가하기
CHAPTER 15 k-최근접 이웃__15.0 소개__15.1 샘플의 최근접 이웃 찾기__15.2 k-최근접 이웃 분류기 만들기__15.3 최선의 이웃 개수 결정하기__15.4 반지름 기반의 최근접 이웃 분류기 만들기
CHAPTER 16 로지스틱 회귀__16.0 소개__16.1 이진 분류기 훈련하기__16.2 다중 클래스 분류기 훈련하기__16.3 규제로 분산 줄이기__16.4 대용량 데이터에서 분류기 훈련하기__16.5 불균형한 클래스 다루기
CHAPTER 17 서포트 벡터 머신__17.0 소개__17.1 선형 분류기 훈련하기__17.2 커널을 사용해 선형적으로 구분되지 않는 클래스 다루기__17.3 예측 확률 계산하기__17.4 서포트 벡터 식별하기__17.5 불균형한 클래스 다루기
CHAPTER 18 나이브 베이즈__18.0 소개__18.1 연속적인 특성으로 분류기 훈련하기__18.2 이산적인 카운트 특성으로 분류기 훈련하기__18.3 이진 특성으로 나이브 베이즈 분류기 훈련하기__18.4 예측 확률 보정하기
CHAPTER 19 군집__19.0 소개__19.1 k-평균을 사용한 군집__19.2 k-평균 군집 속도 향상하기__19.3 평균이동을 사용한 군집__19.4 DBSCAN을 사용한 군집__19.5 계층적 병합을 사용한 군집
CHAPTER 20 신경망__20.0 소개__20.1 신경망을 위한 데이터 전처리하기__20.2 신경망 구성하기__20.3 이진 분류기 훈련하기__20.4 다중 분류기 훈련하기__20.5 회귀 모델 훈련하기__20.6 예측하기__20.7 훈련 기록 시각화하기__20.8 가중치 규제로 과대적합 줄이기__20.9 조기종료로 과대적합 줄이기__20.10 드롭아웃으로 과대적합 줄이기__20.11 모델 훈련 진행 과정을 저장하기__20.12 신경망을 k-폴드 교차검증하기__20.13 신경망 튜닝하기__20.14 신경망 시각화하기__20.15 이미지 분류하기__20.16 이미지 증식으로 성능 향상하기__20.17 텍스트 분류하기
CHAPTER 21 훈련된 모델 저장과 복원__21.0 소개__21.1 사이킷런 모델을 저장하고 복원하기__21.2 케라스 모델을 저장하고 복원하기
한줄 서평
