핸즈온 머신러닝 : 사이킷런, 케라스, 텐서플로 2로 완벽 이해하는 머신러닝, 딥러닝 이론 & 실무
- 저자오렐리앙 제롱 저/박해선 역
- 출판사한빛미디어
- 출판일2023-10-16
- 등록일2024-09-19
보유 2, 대출 0,
예약 0, 누적대출 0, 누적예약 0
책소개
실무 밀착형 예제부터 스테이블 디퓨전 등 최신 머신러닝 트렌드까지주요 인공 지능 콘퍼런스에서 전문가들이 소개한 최고의 실전 지침서 ** 독자의 편의를 고려한 분권(1권, 2권) ** 최신 라이브러리 버전으로 전체 코드 업데이트 ** 〈연습문제 + 해답〉, 〈머신러닝 프로젝트 체크리스트〉 수록수학에 『수학의 정석』이 있다면 인공 지능에는 『핸즈온 머신러닝』이 있다!1판과 2판의 피드백을 적극 반영해 한층 더 업그레이드된 『핸즈온 머신러닝』이 3판으로 돌아왔습니다. ‘실제로 머신러닝을 구현하면서 학습한다’는 목표를 더욱 효과적으로 달성할 수 있도록 복잡한 주제를 구조화하고 난이도에 따라 순차적으로 학습할 수 있게 개선했습니다. 또한 누구나 쉽게 이해할 수 있도록 기존 설명을 더 친절하고 명확하게 다듬고 보완했습니다. 마지막으로, 빠르게 발전하는 분야인 만큼 전체 코드 버전과 기술 트렌드를 최신 정보로 업데이트했습니다(하단의 ‘출판사 리뷰’에서 3판의 업데이트 내용을 확인할 수 있습니다). 머신러닝을 전혀 모르는 입문자도 온라인으로 제공되는 주피터 노트북을 활용해 손쉽게 실습할 수 있습니다. 여기에 박해선 역자의 친절한 추가 설명까지 더해져 답답함 없이 수월하게 학습할 수 있습니다.
저자소개
머신러닝 컨설턴트. 2013년에서 2016년까지 구글에서 유튜브 동영상 분류팀을 이끌었다. 2002년에서 2012년까지 프랑스의 모바일 ISP 선두 주자인 Wifirst를 설립하고 CTO로 일했다. 2001년에는 Polyconseil을 설립하고 CTO로 일했다. 이 회사는 현재 전기차 공유 서비스인 Autolib’을 운영한다. 그 전에는 재무(JP 모건과 소시에테 제네랄), 방위(캐나다 DOD), 의료(수혈) 등 다양한 분야에서 엔지니어로 일했다. C++, WiFi, 인터넷 구조에 대한 몇 권의 기술 서적을 썼으며 한 프랑스 공과대학교에서 컴퓨터 과학을 가르쳤다.
목차
[1부 머신러닝]1장 한눈에 보는 머신러닝1.1 머신러닝이란?1.2 왜 머신러닝을 사용하나요?1.3 애플리케이션 사례1.4 머신러닝 시스템의 종류_1.4.1 훈련 지도 방식__지도 학습__비지도 학습__준비도 학습__자기 지도 학습__강화 학습_1.4.2 배치 학습과 온라인 학습__배치 학습__온라인 학습_1.4.3 사례 기반 학습과 모델 기반 학습__사례 기반 학습__모델 기반 학습1.5 머신러닝의 주요 도전 과제_1.5.1 충분하지 않은 양의 훈련 데이터_1.5.2 대표성 없는 훈련 데이터_1.5.3 낮은 품질의 데이터_1.5.4 관련없는 특성_1.5.5 훈련 데이터 과대적합_1.5.6 훈련 데이터 과소적합_1.5.7 핵심 요약1.6 테스트와 검증_1.6.1 하이퍼파라미터 튜닝과 모델 선택_1.6.2 데이터 불일치연습문제2장 머신러닝 프로젝트 처음부터 끝까지2.1 실제 데이터로 작업하기2.2 큰 그림 보기_2.2.1 문제 정의_2.2.2 성능 측정 지표 선택_2.2.3 가정 검사2.3 데이터 가져오기_2.3.1 구글 코랩을 사용하여 예제 코드 실행하기_2.3.2 코드와 데이터 저장하기_2.3.3 대화식 환경의 편리함과 위험_2.3.4 책의 코드와 노트북의 코드_2.3.5 데이터 다운로드_2.3.6 데이터 구조 훑어보기_2.3.7 테스트 세트 만들기2.4 데이터 이해를 위한 탐색과 시각화_2.4.1 지리적 데이터 시각화하기_2.4.2 상관관계 조사하기_2.4.3 특성 조합으로 실험하기2.5 머신러닝 알고리즘을 위한 데이터 준비_2.5.1 데이터 정제_2.5.2 텍스트와 범주형 특성 다루기_2.5.3 특성 스케일과 변환_2.5.4 사용자 정의 변환기_2.5.5 변환 파이프라인2.6 모델 선택과 훈련_2.6.1 훈련 세트에서 훈련하고 평가하기_2.6.2 교차 검증으로 평가하기2.7 모델 미세 튜닝_2.7.1 그리드 서치_2.7.2 랜덤 서치_2.7.3 앙상블 방법_2.7.4 최상의 모델과 오차 분석_2.7.5 테스트 세트로 시스템 평가하기2.8 론칭, 모니터링, 시스템 유지 보수2.9 직접 해보세요!연습문제3장 분류3.1 MNIST3.2 이진 분류기 훈련3.3 성능 측정_3.3.1 교차 검증을 사용한 정확도 측정_3.3.2 오차 행렬_3.3.3 정밀도와 재현율_3.3.4 정밀도/재현율 트레이드오프_3.3.5 ROC 곡선3.4 다중 분류3.5 오류 분석3.6 다중 레이블 분류3.7 다중 출력 분류연습문제4장 모델 훈련4.1 선형 회귀_4.1.1 정규 방정식_4.1.2 계산 복잡도4.2 경사 하강법_4.2.1 배치 경사 하강법_4.2.2 확률적 경사 하강법_4.2.3 미니배치 경사 하강법4.3 다항 회귀4.4 학습 곡선4.5 규제가 있는 선형 모델_4.5.1 릿지 회귀_4.5.2 라쏘 회귀_4.5.3 엘라스틱넷_4.5.4 조기 종료4.6 로지스틱 회귀_4.6.1 확률 추정_4.6.2 훈련과 비용 함수_4.6.3 결정 경계_4.6.4 소프트맥스 회귀연습문제5장 서포트 벡터 머신5.1 선형 SVM 분류_5.1.1 소프트 마진 분류5.2 비선형 SVM 분류_5.2.1 다항식 커널_5.2.2 유사도 특성_5.2.3 가우스 RBF 커널_5.2.4 계산 복잡도5.3 SVM 회귀5.4 SVM 이론5.5 쌍대 문제_5.5.1 커널 SVM연습문제6장 결정 트리6.1 결정 트리 학습과 시각화6.2 예측6.3 클래스 확률 추정6.4 CART 훈련 알고리즘6.5 계산 복잡도6.6 지니 불순도 또는 엔트로피?6.7 규제 매개변수6.8 회귀6.9 축 방향에 대한 민감성6.10 결정 트리의 분산 문제연습문제7장 앙상블 학습과 랜덤 포레스트7.1 투표 기반 분류기7.2 배깅과 페이스팅_7.2.1 사이킷런의 배깅과 페이스팅_7.2.2 OOB 평가7.3 랜덤 패치와 랜덤 서브스페이스7.4 랜덤 포레스트_7.4.1 엑스트라 트리_7.4.2 특성 중요도7.5 부스팅7.5.1 AdaBoost_7.5.2 그레이디언트 부스팅_7.5.3 히스토그램 기반 그레이디언트 부스팅_7.6 스태킹연습문제8장 차원 축소8.1 차원의 저주8.2 차원 축소를 위한 접근법_8.2.1 투영_8.2.2 매니폴드 학습8.3 주성분 분석_8.3.1 분산 보존_8.3.2 주성분_8.3.3 d차원으로 투영하기_8.3.4 사이킷런 사용하기_8.3.5 설명된 분산의 비율_8.3.6 적절한 차원 수 선택_8.3.7 압축을 위한 PCA_8.3.8 랜덤 PCA_8.3.9 점진적 PCA8.4 랜덤 투영8.5 지역 선형 임베딩8.6 다른 차원 축소 기법연습문제9장 비지도 학습9.1 군집_9.1.1 k-평균__k-평균 알고리즘__센트로이드 초기화 방법__k-평균 속도 개선과 미니배치 k-평균__최적의 클러스터 개수 찾기_9.1.2 k-평균의 한계_9.1.3 군집을 사용한 이미지 분할_9.1.4 군집을 사용한 준지도 학습_9.1.5 DBSCAN_9.1.6 다른 군집 알고리즘9.2 가우스 혼합_9.2.1 가우스 혼합을 사용한 이상치 탐지_9.2.2 클러스터 개수 선택_9.2.3 베이즈 가우스 혼합 모델_9.2.4 이상치 탐지와 특이치 탐지를 위한 알고리즘연습문제[2부 신경망과 딥러닝]10장 케라스를 사용한 인공 신경망 소개10.1 생물학적 뉴런에서 인공 뉴런까지_10.1.1 생물학적 뉴런_10.1.2 뉴런을 사용한 논리 연산_10.1.3 퍼셉트론_10.1.4 다층 퍼셉트론과 역전파_10.1.5 회귀를 위한 다층 퍼셉트론_10.1.6 분류를 위한 다층 퍼셉트론10.2 케라스로 다층 퍼셉트론 구현하기_10.2.1 시퀀셜 API로 이미지 분류기 만들기__케라스로 데이터셋 적재하기__시퀀셜 API로 모델 만들기__모델 컴파일__모델 훈련과 평가__모델로 예측 만들기_10.2.2 시퀀셜 API로 회귀용 다층 퍼셉트론 만들기_10.2.3 함수형 API로 복잡한 모델 만들기_10.2.4 서브클래싱 API로 동적 모델 만들기_10.2.5 모델 저장과 복원하기_10.2.6 콜백 사용하기_10.2.7 텐서보드로 시각화하기10.3 신경망 하이퍼파라미터 튜닝하기_10.3.1 은닉 층 개수_10.3.2 은닉 층의 뉴런 개수_10.3.3 학습률, 배치 크기 그리고 다른 하이퍼파라미터연습문제11장 심층 신경망 훈련11.1 그레이디언트 소실과 폭주 문제_11.1.1 글로럿과 He 초기화_11.1.2 고급 활성화 함수__LeakyReLU__ELU와 SELU__GELU, Swish, Mish_11.1.3 배치 정규화__케라스로 배치 정규화 구현하기_11.1.4 그레이디언트 클리핑11.2 사전 훈련된 층 재사용하기_11.2.1 케라스를 사용한 전이 학습_11.2.2 비지도 사전 훈련_11.2.3 보조 작업에서 사전 훈련11.3 고속 옵티마이저_11.3.1 모멘텀 최적화_11.3.2 네스테로프 가속 경사_11.3.3 AdaGrad_11.3.4 RMSProp_11.3.5 Adam_11.3.6 AdaMax_11.3.7 Nadam_11.3.8 AdamW_11.3.9 학습률 스케줄링11.4 규제를 사용해 과대적합 피하기_11.4.1 l1과 l2 규제_11.4.2 드롭아웃_11.4.3 몬테 카를로 드롭아웃_11.4.4 맥스-노름 규제11.5 요약 및 실용적인 가이드라인연습문제12장 텐서플로를 사용한 사용자 정의 모델과 훈련12.1 텐서플로 훑어보기12.2 넘파이처럼 텐서플로 사용하기_12.2.1 텐서와 연산_12.2.2 텐서와 넘파이_12.2.3 타입 변환_12.2.4 변수_12.2.5 다른 데이터 구조12.3 사용자 정의 모델과 훈련 알고리즘_12.3.1 사용자 정의 손실 함수_12.3.2 사용자 정의 요소를 가진 모델을 저장하고 로드하기_12.3.3 활성화 함수, 초기화, 규제, 제한을 커스터마이징하기_12.3.4 사용자 정의 지표_12.3.5 사용자 정의 층_12.3.6 사용자 정의 모델_12.3.7 모델 구성 요소에 기반한 손실과 지표_12.3.8 자동 미분으로 그레이디언트 계산하기_12.3.9 사용자 정의 훈련 반복12.4 텐서플로 함수와 그래프_12.4.1 오토그래프와 트레이싱_12.4.2 텐서플로 함수 사용법연습문제13장 텐서플로를 사용한 데이터 적재와 전처리13.1 데이터 API_13.1.1 연쇄 변환_13.1.2 데이터 셔플링_13.1.3 여러 파일에서 한 줄씩 번갈아 읽기_13.1.4 데이터 전처리_13.1.5 데이터 적재와 전처리 합치기_13.1.6 프리페치_13.1.7 케라스와 데이터셋 사용하기13.2 TFRecord 포맷_13.2.1 압축된 TFRecord 파일_13.2.2 프로토콜 버퍼 개요_13.2.3 텐서플로 프로토콜 버퍼_13.2.4 Example 프로토콜 버퍼 읽고 파싱하기 _13.2.5 SequenceExample 프로토콜 버퍼로 리스트의 리스트 다루기13.3 케라스의 전처리 층_13.3.1 Normalization 층_13.3.2 Discretization 층_13.3.3 CategoryEncoding 층_13.3.4 StringLookup 층_13.3.5 Hashing 층_13.3.6 임베딩을 사용해 범주형 특성 인코딩하기_13.3.7 텍스트 전처리_13.3.8 사전 훈련된 언어 모델 구성 요소 사용하기_13.3.9 이미지 전처리 층13.5 텐서플로 데이터셋 프로젝트연습문제14장 합성곱 신경망을 사용한 컴퓨터 비전14.1 시각 피질 구조14.2 합성곱 층_14.2.1 필터_14.2.2 여러 가지 특성 맵 쌓기_14.2.3 케라스로 합성곱 층 구현하기_14.2.4 메모리 요구 사항14.3 풀링 층14.4 케라스로 풀링 층 구현하기14.5 CNN 구조_14.5.1 LeNet-5_14.5.2 AlexNet_14.5.3 GoogLeNet_14.5.4 VGGNet_14.5.5 ResNet_14.5.6 Xception_14.5.7 SENet_14.5.8 주목할 만한 다른 구조_14.5.9 올바른 CNN 구조 선택14.6 케라스로 ResNet-34 CNN 구현하기14.7 케라스의 사전 훈련 모델 사용하기14.8 사전 훈련된 모델을 사용한 전이 학습14.9 분류와 위치 추정14.10 객체 탐지_14.10.1 완전 합성곱 신경망_14.10.2 YOLO14.11 객체 추적14.12 시맨틱 분할연습문제15장 RNN과 CNN을 사용한 시퀀스 처리15.1 순환 뉴런과 순환 층_15.1.1 메모리 셀_15.1.2 입력과 출력 시퀀스15.2 RNN 훈련하기15.3 시계열 예측하기_15.3.1 ARMA 모델_15.3.2 머신러닝 모델을 위한 데이터 준비하기_15.3.3 선형 모델로 예측하기_15.3.4 간단한 RNN으로 예측하기_15.3.5 심층 RNN으로 예측하기_15.3.6 다변량 시계열 예측하기_15.3.7 여러 타임 스텝 앞 예측하기_15.3.8 시퀀스-투-시퀀스 모델로 예측하기15.4 긴 시퀀스 다루기_15.4.1 불안정한 그레이디언트 문제와 싸우기_15.4.2 단기 기억 문제 해결하기__LSTM 셀__GRU 셀__1D 합성곱 층으로 시퀀스 처리하기__WaveNet연습문제16장 RNN과 어텐션을 사용한 자연어 처리16.1 Char-RNN으로 셰익스피어 문체 생성하기_16.1.1 훈련 데이터셋 만들기_16.1.2 Char-RNN 모델 만들고 훈련하기_16.1.3 가짜 셰익스피어 텍스트 생성하기_16.1.4 상태가 있는 RNN16.2 감성 분석_16.2.1 마스킹_16.2.2 사전 훈련된 임베딩과 언어 모델 재사용하기16.3 신경망 기계 번역을 위한 인코더-디코더 네트워크_16.3.1 양방향 RNN_16.3.2 빔 서치16.4 어텐션 메커니즘_16.4.1 트랜스포머 구조: 어텐션만 있으면 된다__위치 인코딩__멀티 헤드 어텐션16.5 언어 모델 분야의 최근 혁신16.6 비전 트랜스포머16.7 허깅 페이스의 트랜스포머스 라이브러리연습문제17장 오토인코더, GAN 그리고 확산 모델17.1 효율적인 데이터 표현17.2 과소완전 선형 오토인코더로 PCA 수행하기17.3 적층 오토인코더_17.3.1 케라스로 적층 오토인코더 구현하기_17.3.2 재구성 시각화_17.3.3 패션 MNIST 데이터셋 시각화_17.3.4 적층 오토인코더를 사용한 비지도 사전 훈련_17.3.5 가중치 묶기_17.3.6 오토인코더 한 개씩 훈련하기17.4 합성곱 오토인코더17.5 잡음 제거 오토인코더17.6 희소 오토인코더17.7 변이형 오토인코더_17.7.1 패션 MNIST 이미지 생성하기17.8 생성적 적대 신경망_17.8.1 GAN 훈련의 어려움_17.8.2 심층 합성곱 GAN_17.8.3 ProGAN__미니배치 표준 편차 층__동일한 학습 속도__픽셀별 정규화 층_17.8.4 StyleGAN__매핑 네트워크__합성 네트워크17.9 확산 모델연습문제18장 강화 학습18.1 보상을 최적화하기 위한 학습18.2 정책 탐색18.3 OpenAI Gym18.4 신경망 정책18.5 행동 평가: 신용 할당 문제18.6 정책 그레이디언트18.7 마르코프 결정 과정18.8 시간차 학습18.9 Q-러닝_18.9.1 탐험 정책_18.9.2 근사 Q-러닝과 심층 Q-러닝18.10 심층 Q-러닝 구현18.11 심층 Q-러닝의 변형_18.11.1 고정 Q-가치 타깃_18.11.2 더블 DQN_18.11.3 우선 순위 기반 경험 재생_18.11.4 듀얼링 DQN18.12 다른 강화 학습 알고리즘연습문제19장 대규모 텐서플로 모델 훈련과 배포19.1 텐서플로 모델 서빙_19.1.1 텐서플로 서빙 사용하기__SavedModel로 내보내기__텐서플로 서빙 설치하고 시작하기__REST API로 TF 서빙에 쿼리하기__gRPC API로 TF 서빙에 쿼리하기__새로운 버전의 모델 배포하기_19.1.2 버텍스 AI에서 예측 서비스 만들기_19.1.3 버텍스 AI에서 배치 예측 작업 실행하기19.2 모바일 또는 임베디드 디바이스에 모델 배포하기19.3 웹 페이지에서 모델 실행하기19.4 계산 속도를 높이기 위해 GPU 사용하기_19.4.1 GPU 구매하기_19.4.2 GPU RAM 관리하기_19.4.3 디바이스에 연산과 변수 할당하기_19.4.4 다중 장치에서 병렬 실행하기19.5 다중 장치에서 모델 훈련하기_19.5.1 모델 병렬화_19.5.2 데이터 병렬화__미러드 전략을 사용한 데이터 병렬화__중앙 집중적인 파라미터를 사용한 데이터 병렬화__대역폭 포화_19.5.3 분산 전략 API를 사용한 대규모 훈련_19.5.4 텐서플로 클러스터에서 모델 훈련하기_19.5.5 버텍스 AI에서 대규모 훈련 작업 실행하기_19.5.6 버텍스 AI의 하이퍼파라미터 튜닝연습문제마치며[3부 부록]부록 A 연습문제 정답부록 B 머신러닝 프로젝트 체크리스트B.1 문제를 정의하고 큰 그림을 그립니다B.2 데이터를 수집합니다B.3 데이터를 탐색합니다B.4 데이터를 준비합니다B.5 가능성 있는 몇 개의 모델을 고릅니다B.6 모델을 미세 튜닝합니다B.7 솔루션을 출시합니다B.8 시스템을 론칭합니다!부록 C 자동 미분C.1 수동 미분C.2 유한 차분 근사C.3 전진 모드 자동 미분C.4 후진 모드 자동 미분부록 D 특수한 데이터 구조D.1 문자열D.2 래그드 텐서D.3 희소 텐서D.4 텐서 배열D.5 집합D.6 큐부록 E 텐서플로 그래프E.1 TF 함수와 콘크리트 함수E.2 함수 정의와 함수 그래프 탐험하기E.3 트레이싱 자세히 보기E.4 오토그래프로 제어 흐름 표현하기E.5 TF 함수에서 변수와 다른 리소스 다루기E.6 케라스로 TF 함수 사용하기(또는 사용하기 않기)
.jpg)
