책 예제 코드 GitHub 링크 : 바로가기
목차
1장. 파이썬 기반의 머신러닝과 생태계 이해
1.1 머신러닝의 개념
1.2 파이썬 머신러닝 생태계를 구성하는 주요 패키지
1.3 넘파이
1.4 데이터 핸들링 - 판다스
1.5 정리
2장. 사이킷런으로 시작하는 머신러닝
2.1 사이킷런 소개와 특징
2.2 첫 번째 머신러닝 만들어 보기 - 붓꽃 품종 예측하기
2.3 사이킷런의 기반 프레임워크 익히기
2.4 Model Selection 모듈 소개
2.5 데이터 전처리
2.6 사이킷런으로 수행하는 타이타닉 생존자 예측
2.7 정리
3장. 평가
3.1 사이킷런 소개와 특징
3.2 첫 번째 머신러닝 만들어 보기 - 붓꽃 품종 예측하기
3.3 사이킷런의 기반 프레임워크 익히기
3.4 Model Selection 모듈 소개
3.5 데이터 전처리
3.6 사이킷런으로 수행하는 타이타닉 생존자 예측
3.7 정리
4장. 분류
4.1 분류(Classification)의 개요
4.2 결정 트리
4.3 앙상블 학습
4.4 랜덤 포레스트
4.5 GBM(Gradient Boosting Machine)
4.7 LightGBM
4.8 분류 실습 - 캐글 산탄데르 고객 만족 예측
4.9 분류 실습 - 캐글 신용카드 사기 검출
4.10 스태킹 앙상블
4.11 정리
5장. 회귀
5.1 회귀 소개
5.2 단순 선형 회귀를 통한 회귀 이해
5.3 비용 최소화하기 - 경사 하강법(Gradient Descent) 소개
5.4 사이킷런 LinearRegression을 이용한 보스턴 주택 가격 예측
5.5 다항 회귀와 과(대)적합/과소적합 이해
5.6 규제 선형 모델 - 릿지, 라쏘, 엘라스틱넷
5.7 로지스틱 회귀
5.8 회귀 트리
5.9 회귀 실습 - 자전거 대여 수요 예측
5.10 회귀 실습 - 캐글 주택 가격: 고급 회귀 기법
5.11 정리
6장. 차원 축소
6.1 차원 축소(Dimension Reduction) 개요
6.2 PCA(Principal Component Analysis)
6.3 LDA(Linear Discriminant Analysis)
6.4 SVD(Singular Value Decomposition)
6.5 NMF(Non-Negative Matrix Factorization)
6.6 정리
7장. 군집화
7.1 K-평균 알고리즘 이해
7.2 군집 평가(Cluster Evaluation)
7.3 평균 이동
7.4 GMM(Gaussian Mixture Model)
7.5 DBSCAN
7.6 군집화 실습 - 고객 세그먼테이션
7.7 정리
8장. 텍스트 분석
NLP이냐 텍스트 분석이냐?
8.1 텍스트 분석 이해
8.2 텍스트 사전 준비 작업(텍스트 전처리) - 텍스트 정규화
8.3 Bag of Words - BOW
8.4 텍스트 분류 실습 - 20 뉴스그룹 분류
8.5 감성 분석
8.6 토픽 모델링(Topic Modeling) - 20 뉴스그룹
8.7 문서 군집화 소개와 실습(Opinion Review 데이터 세트)
8.8 문서 유사도
8.9 한글 텍스트 처리 - 네이버 영화 평점 감성 분석
8.10 텍스트 분석 실습-캐글 Mercari Price Suggestion Challenge
8.11 정리
9장. 추천 시스템
9.1 추천 시스템의 개요와 배경
9.2 콘텐츠 기반 필터링 추천 시스템
9.3 최근접 이웃 협업 필터링
9.4 잠재 요인 협업 필터링
9.5 콘텐츠 기반 필터링 실습 - TMDB 5000 영화 데이터 세트
9.6 아이템 기반 최근접 이웃 협업 필터링 실습
9.7 행렬 분해를 이용한 잠재 요인 협업 필터링 실습
9.8 파이썬 추천 시스템 패키지 - Surprise
9.9 정리