첫째마당 머신러닝 준비하기 1장 머신러닝과 파이썬 __1.1 머신러닝 알아보기 ____1.1.1 머신 러닝은 왜 생겨났을까? ____1.1.2 이 책에서 배우는 머신러닝 모델 한눈에 보기 ____1.1.3 이 책의 학습 구성 한눈에 보기 __1.2 머신러닝에 쓰는 알고리즘 개념 이해하기 __1.3 실습 환경 설정하기 ____1.3.1 이 책에서 사용하는 파이썬 패키지 살펴보기 __1.4 머신러닝 절차 빠르게 체험하기 ____1.4.1 데이터셋 준비하기 ____1.4.2 데이터셋 분할하기 ____1.4.3 데이터 전처리 ____1.4.4 학습 데이터를 이용한 모델 학습 ____1.4.5 학습 데이터와 검증 데이터 쌍을 이용한 하이퍼파라미터 튜닝 ____1.4.6 테스트 데이터셋에 대한 최종 성능 측정과 평가 둘째마당 선형 모델을 이용한 지도 학습 __선형 모델 준비하기 2장 최소 제곱법 모델 __2.1 최소 제곱법 모델이란? ____2.1.1 최소 제곱법 모델의 정의 __2.2 정규 방정식으로 최소 제곱법 모델 구현하기 ____2.2.1 정규 방정식을 이용한 풀이 이론 ____2.2.2 정규 방정식으로 풀이 구현하기 ____2.2.3 정규 방정식 구현의 단점 __2.3 특잇값 분해를 이용한 최소 제곱법 모델 구현하기 ____2.3.1 SVD-OLS를 이용한 풀이 이론 ____2.3.2 정규 방정식 풀이의 단점과 SVD-OLS 풀이의 장점 ____2.3.3 SVD-OLS를 이용한 풀이 구현하기 __2.4 TSVD-OLS를 이용한 모델 구현하기 ____2.4.1 TSVD-OLS를 이용한 풀이 이론 ____2.4.2 TSVD-OLS를 이용한 풀이 구현하기 __2.5 패키지로 표현하기 __2.6 최소 제곱법 모델 보충 수업 ____2.6.1 통계 모델로서의 OLS ____2.6.2 결정 계수 ____2.6.3 화이트 박스 모델과 블랙 박스 모델 __되새김 문제 3장 로지스틱 회귀 모델 __사전 지식 훑어보기 __3.1 로지스틱 회귀 모델이란? __3.2 로지스틱 회귀 모델 구현하기 ____3.2.1 로지스틱 회귀 모델의 기본 이론 ____3.2.2 로지스틱 회귀 모델의 심화 이론 ____3.2.3 로지스틱 회귀 모델 구현하기 __3.3 패키지로 표현하기 __3.4 로지스틱 회귀 모델 보충 수업 ____3.4.1 피처 스케일링과 파이프라인 ____3.4.2 통계 모델로서의 로지스틱 회귀 기법 ____3.4.3 교차검증법 ____3.4.4 피처선택법 __되새김 문제 4장 라쏘 모델 __사전 지식 훑어보기 __4.1 라쏘 모델이란? __4.2 라쏘 모델 구현하기 ____4.2.1 라쏘 모델의 이론 ____4.2.2 라쏘 모델 구현하기 __4.3 패키지로 표현하기 __4.4 라쏘 모델 보충 수업 ____4.4.1 LARS 기반 라쏘 모델 ____4.4.2 모델 선택법 __되새김 문제 5장 릿지 회귀 모델 __사전 지식 훑어보기 __5.1 릿지 회귀 모델이란? __5.2 릿지 회귀 모델 구현하기 ____5.2.1 릿지 회귀 모델의 기본 이론 ____5.2.2 릿지 회귀 모델의 심화 이론 ____5.2.3 릿지 회귀 모델 구현하기 __5.3 패키지로 표현하기 __5.4 릿지 회귀 모델 보충 수업 ____5.4.1 편향-분산 상충 관계와 릿지 회귀의 분산 ____5.4.2 릿지 분류 모델 ____5.4.3 엘라스틱 넷 회귀 모델 __되새김 문제 셋째마당 트리 모델을 이용한 지도 학습 __트리 모델 준비하기 6장 결정 트리 모델 __사전 지식 훑어보기 __6.1 결정 트리 모델이란? __6.2 결정 트리 모델 구현하기 ____6.2.1 결정 트리 분류 모델의 이론 ____6.2.2 결정 트리 분류 모델 구현하기 __6.3 패키지로 표현하기 __6.4 결정 트리 모델 보충 수업 ____6.4.1 회귀 트리 ____6.4.2 그리드 서치 ____6.4.3 피처 중요도 __되새김 문제 7장 랜덤 포레스트 모델 __사전 지식 훑어보기 __7.1 랜덤 포레스트 모델이란? __7.2 랜덤 포레스트 모델 구현하기 ____7.2.1 랜덤 포레스트 모델의 이론 ____7.2.2 랜덤 포레스트 분류 모델 구현하기 __7.3 패키지로 표현하기 __7.4 랜덤 포레스트 모델 보충 수업 ____7.4.1 랜덤 포레스트 회귀 모델 ____7.4.2 OOB 점수 ____7.4.3 ExtraTrees ____7.4.4 피처 중요도 __되새김 문제 8장 그레이디언트 부스팅 트리 모델 __사전 지식 훑어보기 __8.1 그레이디언트 부스팅 트리 모델이란? __8.2 그레이디언트 부스팅 트리 모델 구현하기 ____8.2.1 그레이디언트 부스팅 트리 모델의 이론 ____8.2.2 부스팅 트리 회귀 모델 구현하기 __8.3 패키지로 표현하기 __8.4 그레이디언트 부스팅 트리 모델 보충 수업 ____8.4.1 설명 가능 인공지능 ____8.4.2 GBT 모델 이후의 부스팅 기법 __되새김 문제 넷째마당 기타 지도 학습 모델 9장 K-최근접 이웃 모델 __사전 지식 훑어보기 __9.1 K-최근접 이웃 모델이란? __9.2 K-최근접 이웃 모델 구현하기 ____9.2.1 KNN 모델의 기본 이론 ____9.2.2 KNN 모델의 심화 이론 ____9.2.3 KNN 분류 모델 구현하기 __9.3 패키지로 표현하기 __9.4 K-최근접 이웃 모델 보충 수업 ____9.4.1 KNN 회귀 모델 ____9.4.2 결정 경계 ____9.4.3 고정 반지름 근접 이웃 모델 ____9.4.4 KNN 이상값 모델 __되새김 문제 10장 서포트 벡터 머신 모델 __10.1 서포트 벡터 머신 모델이란? __10.2 서포트 벡터 머신 모델 구현하기 ____10.2.1 서포트 벡터 머신 모델의 이론 ____10.2.2 SVM 모델 구현하기 __10.3 패키지로 표현하기 ____10.3.1 다른 패키지로 구현하기 __10.4 서포트 백터 머신 모델 보충 수업 ____10.4.1 서포트 벡터 회귀로 확장하기 ____10.4.2 클래스 분류의 확률 판정법 __되새김 문제 11장 다층 퍼셉트론 모델 __사전 지식 훑어보기 __11.1 다층 퍼셉트론 모델이란? __11.2 다층 퍼셉트론 모델 구현하기 ____11.2.1 다층 퍼셉트론 모델의 이론 ____11.2.2 다층 퍼셉트론 모델 구현하기 __11.3 패키지로 표현하기 __11.4 다층 퍼셉트론 모델 보충 수업 ____11.4.1 MLP 회귀 모델 __되새김 문제 다섯째마당 비지도 학습 모델 12장 K-평균 군집화 모델 __12.1 K-평균 군집화 모델이란? __12.2 K-평균 군집화 모델 구현하기 ____12.2.1 K-평균 군집화 모델의 이론 ____12.2.2 K-평균 군집화 모델 구현하기 __12.3 패키지로 표현하기 __12.4 K-평균 군집화 모델 보충 수업 ____12.4.1 K-평균 군집화 모델 적용이 부적절한 데이터셋 ____12.4.2 군집화 결과 평가하기 __되새김 문제 13장 계층적 군집화 모델 __13.1 계층적 군집화 모델이란? __13.2 계층적 군집화 모델 구현하기 ____13.2.1 계층적 군집화 모델의 이론 ____13.2.2 계층적 군집화 모델 구현하기 __13.3 패키지로 표현하기 __13.4 계층적 군집화 모델 보충 수업 ____13.4.1 덴드로그램으로 군집 계층 시각화하기 __되새김 문제 14장 주성분 분석 모델 __사전 지식 훑어보기 __14.1 주성분 분석 모델이란? __14.2 주성분 분석 모델 구현하기 ____14.2.1 주성분 분석 모델의 이론 ____14.2.2 PCA 모델 구현하기 __14.3 패키지로 표현하기 __14.4 주성분 분석 모델 보충 수업 ____14.4.1 다양한 차원 축소 기법 __되새김 문제 [부록] 한눈에 보는 머신러닝 용어 지도 되새김 문제 풀이 참고문헌 찾아보기