---

파이썬으로 시작하는 머신러닝+딥러닝(개정판)

코드 목차

1장. 머신러닝, 딥러닝이 무엇인가요?

• 1.1 컴퓨터에게 지능을 만들어주는 인공지능
• 1.2 컴퓨터는 어떻게 학습을 하죠?
  1. 지도학습
  2. 비지도학습
  3. 강화학습
• 1.3 인공신경망의 역사
• 1.4 이 책에서 다루는 분석 모델 1.4.7 전체 맵(Mae)
• 1.5 컴퓨터를 학습시키기 위한 준비
  1. 환경 설정 - 코랩(Colab)
  2. 데이터 분석을 위한 파이썬 기초 문법[CODE]

2장. 머신러닝 프로세스

• 2.1 머신러닝 학습 절차
  1. 문제 정의
  2. 데이터 전처리
  3. 학습
  4. 평가
• 2.2 실습 - 붓꽃 데이터 분류

3장. 분류 모델

• 3.1 분류 알고리즘의 지식 피라미드
  1. KNN
  2. SVM
  3. Logistic Regressor
  4. RandomForest
• 3.2 머신러닝 모델의 성능 개선 방법
  1. 데이터 기반 성능 개선[CODE]
  2. 모델 기반 성능 개선[CODE]
• 3.3 분류 알고리즘으로 학습하기

4장. 회귀 모델 - 집 값을 예측한다고?

• 4.1 회귀 알고리즘
  1. 선형 회귀 알고리즘(Linear Regression)
  2. 의사결정나무 기반 회귀 알고리즘
  3. MSE(Mean Squared Error) [CODE]
  4. R2(R - Square) [CODE]
• 4.2 회귀 알고리즘으로 학습하기[iris], [house price]

5장. 군집 모델

• 5.1 군집 알고리즘의 지식 피라미드
  1. 군집분석이란?
  2. 유사도 측정 방법
  3. 계층적 군집 알고리즘
  4. K-means 알고리즘
  5. 군집 알고리즘의 평가 방법
• 5.2 K-means으로 군집 생성하기

6장. 인공신경망을 만들자!

• 6.1 인공신경망이란?
  1. 인공신경망
  2. 인공신경망의 학습
  3. 인공신경망의 활성화 함수
  4. 인공신경망의 손실 함수
• 6.2 인공신경망 구성하기
  1. 인공신경망 구성하기 - 기본
  2. 인공신경망 구성하기 - 퀴즈[CODE]
  3. 인공신경망의 주요 함수
• 6.3 인공신경망 학습
• 6.4 인공신경망의 성능 개선
  1. 드롭아웃(Dropout)
  2. 이른종료(Early Stopping)
  3. 배치 정규화(Batch Normalization)
  4. 가중치 초기값 설정(Weight Initalization)

7장. CNN과 이미지 처리

• 7.1 CNN의 지식 피라미드
  1. 이미지란?
  2. 이미지 데이터 전처리
  3. CNN의 주요 구성
• 7.2 CNN 기반 인공신경망으로 학습하기
• 7.3 똑똑한 인공신경망 활용하기
  1. 이미지 넷
  2. VGGNet
  3. GoogLeNet
  4. ResNet
  5. EfficientNet
  6. 전이학습

8장. RNN과 자연어 처리

• 8.1 RNN의 지식 피라미드
  1. 자연어란?
  2. 텍스트 전처리- [CODE]
  3. RNN의 주요 구성
• 8.2 RNN기반 인공신경망으로 학습하기
• 8.3 언어모델의 이해
  1. Seq2Seq
  2. Attention
  3. Transformer
  4. PLM

함께보면 좋은 자료

---

파이썬으로 시작하는 머신러닝 + 딥러닝과 함께 보면 도움이 되는 데이터 분석 자료입니다.(자료는 계속 업데이트 될 예정입니다.)

** 머신러닝 **

• ㅇㅇㅇ

---

구매하러 가기

• 교보문고
• yes24
• 알라딘