머신러닝 입문 개념과 연습

인공지능(AI)은 현대 산업 및 생활을 획기적으로 변화시킬 최근에 가장 주목을 받는 기술 분야 중 하나로, 인공지능(머신러닝) 기술 적용 분야의 경계는 경제/산업 전반에 걸쳐 급속히 확장되고 있다. 이에 본서는 머신러닝에 관한 기본적인 이론의 습득과 활용을 목적으로 한다. 머신러닝에 속한 다양한 대표적인 방법론들의 이론적인 내용을 기본적인 다학제 지식을 이용해 제공함으로써 각 방법론을 올바르게 이해하고 활용할 수 있게 하였다. 데이터의 입력과 정제, 모형의 실행 그리고 결과의 해석에 이르기까지 이론적인 내용을 연계하여 연습할 수 있도록 관련 파이썬 코드를 제공하는 등 모형에 관한 기본 지식을 바탕으로 결과를 해석하고 수정하여 개선할 수 있는 능력을 키우는 데 도움이 될 것이다.

백천현

연세대학교 경영학과(경영학사)

한국과학기술원(KAIST) 경영과학과(경영과학 석사)

한국과학기술원(KAIST) 경영과학과(경영과학 박사)

SK 텔레콤 중앙연구원 선임연구원

미국 Georgia Institute of Technology 방문교수

미국 California State Univ. at Sacramento 방문교수

(현) 동의대학교 산업경영·빅테이터공학과 교수

정용주

연세대학교 경영학과(경영학사)

한국과학기술원(KAIST) 경영과학과(경영과학 석사)

한국과학기술원(KAIST) 산업경영학과(산업경영 박사)

KT(한솔 PCS) 연구소 연구원

미국 California State Univ. at Sacramento 방문교수

(현) 부산외국어대학교 국제마케팅학과 교수

김영진

한국과학기술원(KAIST) 경영과학과(경영과학 학사)

한국과학기술원(KAIST) 경영과학과(경영과학 석사)

미국 Clemson Univ. 산업공학 박사

공군사관학교 교수부 교관/전임강사

The University of Memphis 산업공학과 조교수

(현) 부경대학교 시스템경영공학부 교수

Chapter 01 서론(introduction)

1. 머신러닝의 개념

2. 머신러닝의 구성요소

3. 머신러닝의 분류

4. 파이썬(Python) 소개

가. 파이썬의 특징

나. 파이썬 프로그램의 구조

다. 파이썬의 설치와 사용법

라. 주피터 노트북(jupyter notebook) 사용법

마. 구글 코랩(Google Colab)의 사용법

바. 머신러닝과 관련된 주요 패키지 소개

Chapter 02 회귀분석(regression analysis)

1. 선형 회귀분석(linear regression analysis)

가. 단순선형 회귀(simple linear regression)

나. 다중선형 회귀(multiple linear regression)

다. 선형 회귀모형의 확률적 해석

2. 모수 추정을 위한 최적화 해법

3. 비선형 회귀(nonlinear regression)

4. 모형의 실행준비와 분석

가. 데이터 전처리(data preprocessing)

나. 과적합(overfitting)과 정규화(regularization)

다. 정규화의 확률적 의미

라. 초모수 결정(hyperparameter tuning)과 교차검증(cross-validation)

5. 회귀모형 예제 : 의료보험료 지출

6. 회귀모형 실습 : 자동차 판매가격

Chapter 03 선형분류기와 분류모형(linear classifier & classification model)

1. 선형분류기(linear classifier)

2. 로지스틱 회귀(logistic regression)

가. 이진분류(binary classification)

나. 확률적 해석과 비선형분류기

다. 다중분류(multi-class classification)

3. 나이브베이즈 분류(naive Bayes classification)

가. 이진분류

나. 다중분류

다. 연속형 특성변수

4. 가우시안 판별분석(Gaussian discriminant analysis)

5. 분류모형 예제 1 : 붓꽃 분류

6. 분류모형 예제 2 : MNIST 손글씨 인식

7. 분류모형 실습 : 펭귄 분류

Chapter 04 서포트벡터 머신(support vector machine)

1. 기본개념

가. 마진(margin)의 개념

나. 기하벡터 기본지식

2. 수학적 정식화

가. 기본모형

나. 소프트마진

3. 최적화 조건과 쌍대문제

가. 최적화 조건(optimal conditions)

나. 쌍대문제(dual problem)

4. 커널 기법(kernel trick)

5. 서포트벡터 회귀(support vector regression)

6. SVM 분류 예제 1 : 붓꽃 분류

7. SVM 분류 예제 2 : MNIST 손글씨 인식

8. SVR 회귀 예제 : 의료보험료 지출

9. SVM 분류 실습 : 펭귄 분류

10. SVR 회귀 실습 : 중고차 가격

Chapter 05 비모수모형(non-parametric models)

1. 최근접 이웃 모형(nearest neighbor model)

2. 결정나무(decision tree)

가. 결정나무의 구성과 예

나. 분기와 분할(split and partitioning)

다. 가지치기(pruning)

라. 임계값(threshold) 결정

3. 비모수모형 분류 예제 1: 붓꽃 분류

4. 비모수모형 분류 예제 2: MNIST 손글씨 인식

5. 비모수모형 회귀 예제 : 의료보험료 지출

6. 비모수모형 분류 실습 : 펭귄 분류

7. 비모수모형 회귀 실습 : 중고차 가격

Chapter 06 편향-분산과 앙상블 모형(bias-variance & ensemble model)

1. 편향과 분산(bias-variance)

2. 편향-분산 분해(bias-variance decomposition)

3. 앙상블(ensemble) 모형

가. 배깅(bagging)

나. 랜덤포레스트(random forest)

다. 부스팅(boosting)

4. 앙상블 분류 예제 : 붓꽃 분류

5. 앙상블 회귀 예제 : 의료보험료 지출

6. 앙상블 분류 실습 : 펭귄 분류

7. 앙상블 회귀 실습 : 중고차 가격

Chapter 07 신경망(neural networks)

1. 기본개념과 단일뉴론

2. 다층 신경망(multi-layer neural network)

3. 활성화함수와 은닉층(activation function and hidden layers)

4. 벡터화(vectorization)

5. 역방향전파(backpropagation)

6. 딥러닝 회귀 예제 : 의료보험료 지출

7. 딥러닝 분류 예제 : MNIST 패션아이템 분류

8. 딥러닝 회귀 실습 : 중고차 가격

9. 딥러닝 분류 실습 : MNIST 손글씨 인식

Chapter 08 비지도학습(unsupervised learning)

1. 군집화(clustering)

가. K-평균(K-means)

나. K-메도이드(K-medoid)

다. 계층적 군집화(hierarchical clustering)

라. 밀도기반 군집화(density-based clustering): DBSCAN

마. 가우시안 혼합모델(GMM, Gaussian Mixture Model)

2. 차원축소(dimension reduction)

가. 기본개념

나. 주성분 분석

3. 군집화 예제 : 고객 군집화

4. 차원축소 예제 : 얼굴인식

5. 군집화 실습 : 고객군집화

6. 차원축소 실습 : MNIST 손글씨 인식

찾아보기