책소개
인공지능 구현에 적합한 비지도 학습 이론과 활용 『핸즈온 비지도 학습』은 케라스를 사용한 텐서플로와 안정화된 파이썬 프레임워크인 사이킷런으로 비지도 학습 적용 방법을 알려준다. 다양한 실습 예제와 코드를 통해 데이터에 내재된 패턴을 찾아내어 깊이 있는 비즈니스 통찰력을 얻거나 이상 징후를 감지할 수 있다. 또한 자동화된 피처 엔지니어링 및 피처 선택을 수행하고 새로운 합성 데이터셋을 생성할 수 있다. 약간의 머신러닝 경험과 프로그래밍 스킬만 있으면 이 책으로 비지도 학습 기법을 쉽게 익힐 수 있을 것이다.
목차
CHAPTER 0 서문0.1 머신러닝의 역사0.2 인공지능의 귀환, 왜 지금인가?0.3 응용 인공지능의 출현0.4 지난 20년간 응용 인공지능 주요 성과0.5 좁은 인공지능부터 범용 인공지능까지0.6 목표와 접근방식0.7 이 책의 구성0.8 예제 다운로드 안내
PART 1 비지도 학습 개요 CHAPTER 1 머신러닝 생태계와 비지도 학습 1.1 머신러닝 기본 용어 이해하기1.2 규칙 기반과 머신러닝 비교하기1.3 지도 학습과 비지도 학습 비교하기1.4 비지도 학습을 사용해 머신러닝 솔루션 개선하기1.5 지도 학습 알고리즘 자세히 살펴보기 1.6 비지도 학습 알고리즘 자세히 살펴보기 1.7 비지도 학습을 활용한 강화 학습 1.8 준지도 학습 1.9 비지도 학습의 성공적인 응용 사례 1.10 마치며
CHAPTER 2 머신러닝 프로젝트 A to Z 2.1 환경 설정 2.2 데이터 개요2.3 데이터 준비하기2.4 모델 준비하기2.5 머신러닝 모델(1)2.6 평가 지표2.7. 머신러닝 모델(2)2.8 테스트 데이터셋으로 4가지 모델 평가하기2.9 앙상블2.10 최종 모델 선택하기2.11 프로덕션 파이프라인2.12 마치며
PART 2 사이킷런을 사용한 비지도 학습 모델 CHAPTER 3 차원 축소 3.1 차원 축소에 대한 동기 부여3.2 차원 축소 알고리즘3.3 PCA3.4 SVD3.5 랜덤 투영3.6 Isomap3.7 MDS3.8 LLE3.9 t-SNE3.10 사전 학습 3.11 ICA3.12 마치며
CHAPTER 4 이상치 탐지 4.1 신용카드 사기 탐지4.2 일반 PCA를 활용한 이상치 탐지4.3 희소 PCA를 활용한 이상치 탐지4.4 커널 PCA를 활용한 이상치 탐지4.5 GRP를 활용한 이상치 탐지4.6 SRP를 활용한 이상치 탐지4.7 비선형 이상치 탐지4.8 사전 학습을 활용한 이상치 탐지4.9 ICA를 활용한 이상치 탐지4.10 테스트셋으로 이상치 탐지 성능 평가4.11 마치며
CHAPTER 5 클러스터링 5.1 MNIST 데이터셋5.2 클러스터링 알고리즘5.3 k-평균5.4 계층적 클러스터링5.5 DBSCAN 개요5.6 마치며
CHAPTER 6 그룹 세분화 6.1 랜딩 클럽 데이터6.2 군집 적합도 검정6.3 k-평균 클러스터링 응용 프로그램6.4 계층적 클러스터링 응용 프로그램6.5 HDBSCAN 응용 프로그램6.6 마치며
PART 3 텐서플로와 케라스를 사용한 비지도 학습 모델 CHAPTER 7 오토인코더 7.1 신경망7.2 오토인코더: 인코더와 디코더7.3 과소완전 오토인코더7.4 과대완전 오토인코더7.5 고밀도 vs 희소 오토인코더7.6 노이즈 제거 오토인코더7.7 변분 오토인코더7.8 마치며
CHAPTER 8 핸즈온 오토인코더 8.1 데이터 준비8.2 오토인코더의 구성 요소8.3 활성화 함수8.4 첫 번째 오토인코더8.5 선형 활성화 함수로 구성된 2-계층 과소완전 오토인코더8.6 비선형 오토인코더8.7 선형 활성화 함수로 구성된 과대완전 오토인코더8.8 선형 활성화 함수와 드롭아웃으로 구성된 과대완전 오토인코더8.9 선형 활성화 함수로 구성된 희소 과대완전 오토인코더8.10 선형 활성화 함수와 드롭아웃으로 구성된 희소 과대완전 오토인코더8.11 노이즈 데이터셋 생성8.12 노이즈 제거 오토인코더8.13 마치며
CHAPTER 9 준지도 학습 9.1 데이터 준비9.2 지도 학습 모델9.3 비지도 학습 모델9.4 준지도 학습 모델9.5 지도 학습과 비지도 학습의 강력함9.6 마치며
PART 4 텐서플로와 케라스를 사용한 심층 비지도 학습 CHAPTER 10 RBM을 사용한 추천 시스템 10.1 볼츠만 머신10.2 추천 시스템10.3 무비렌즈 데이터셋10.4 행렬 인수분해10.5 RBM을 사용한 협업 필터링10.6 마치며
CHAPTER 11 DBN을 사용한 피처 추출 11.1 심층 신뢰 신경망 자세히 살펴보기11.2 MNIST 이미지 분류하기11.3 RBM11.4 DBN을 위한 세 RBM 훈련11.5 전체 DBN11.6 비지도 학습이 지도 학습을 개선하는 방법11.7 LightGBM을 사용한 이미지 분류기11.8 마치며
CHAPTER 12 GAN 12.1 GAN의 개념12.2 DCGAN12.3 CNN12.4 DCGAN으로 돌아가기12.5 MNIST DCGAN 실행12.6 마치며
CHAPTER 13 시계열 클러스터링 13.1 심전도 데이터13.2 시계열 클러스터링 접근 방법13.3 ECGFiveDays 데이터셋에서 k-Shape을 사용한 시계열 클러스터링13.4 ECG5000 데이터셋에서 k-Shape을 사용한 시계열 클러스터링13.5 ECG5000 데이터셋에서 k-평균을 사용한 시계열 클러스터링13.6 ECG5000 데이터셋에서 HDBSCAN을 사용한 시계열 클러스터링13.7 시계열 클러스터링 알고리즘 비교13.8 마치며
CHAPTER 14 결론 14.1 지도 학습14.2 비지도 학습14.3 강화 학습14.4 오늘날 가장 유망한 비지도 학습 분야14.5 비지도 학습의 미래14.6 마치며
한줄 서평
