국립세종도서관 메인화면

• ·표제/책임표시사항 파이썬을 활용한 머신러닝 쿡북 / 지은이 : 크리스 알본 ;옮긴이 : 박해선
• ·발행사항 서울 : 한빛미디어, 2019
• ·형태사항 506 p. :천연색삽화, 도표 ;24 cm
• ·주기사항 원표제:Machine learning with Python cookbook
  원저자명: Chris Albon
  색인수록
  영어 원작을 한국어로 번역
  
• ·표준번호/부호 ISBN: 9791162241950  93000: \33000 
• ·분류기호 한국십진분류법-> 004.73  듀이십진분류법-> 006.31  
• ·주제명 기계 학습[機械學習]파이썬[Python]

목차

지은이ㆍ옮긴이 소개-4
옮긴이의 글-5
이 책에 대하여-6
감사의 말-10

CHAPTER 1 벡터, 행렬, 배열
        1.0 소개-23
        1.1 벡터 만들기-23
        1.2 행렬 만들기-25
        1.3 희소행렬 만들기-27
        1.4 원소 선택하기-30
        1.5 행렬 정보 확인하기-32
        1.6 벡터화 연산 적용하기-34
        1.7 최댓값, 최솟값 찾기-36
        1.8 평균, 분산, 표준편차 계산하기-37
        1.9 배열 크기 바꾸기-39
        1.10 벡터나 행렬 전치하기-41
        1.11 행렬 펼치기-43
        1.12 행렬의 랭크 구하기-44
        1.13 행렬식 계산하기-46
        1.14 행렬의 대각원소 추출하기-47
        1.15 행렬의 대각합 계산하기-48
        1.16 고윳값과 고유벡터 찾기-50
        1.17 점곱 계산하기-51
        1.18 행렬 덧셈과 뺄셈-53
        1.19 행렬 곱셈-54
        1.20 역행렬-56
        1.21 난수 생성하기-57

CHAPTER 2 데이터 적재
        2.0 소개-61
        2.1 샘플 데이터셋 적재하기-61
        2.2 모의 데이터셋 만들기-64
        2.3 CSV 파일 적재하기-67
        2.4 엑셀 파일 적재하기-69
        2.5 JSON 파일 적재하기-70
        2.6 SQL 데이터베이스로부터 적재하기-72

CHAPTER 3 데이터 랭글링
        3.0 소개-75
        3.1 데이터프레임 만들기-77
        3.2 데이터 설명하기-79
        3.3 데이터프레임 탐색하기-81
        3.4 조건에 따라 행 선택하기-85
        3.5 값 치환하기-86
        3.6 열 이름 바꾸기-88
        3.7 최솟값, 최댓값, 합, 평균 계산 및 개수 세기-91
        3.8 고유한 값 찾기-93
        3.9 누락된 값 다루기-95
        3.10 열 삭제하기-97
        3.11 행 삭제하기-99
        3.12 중복된 행 삭제하기-100
        3.13 값에 따라 행을 그룹핑하기-102
        3.14 시간에 따라 행을 그룹핑하기-104
        3.15 열 원소 순회하기-107
        3.16 모든 열 원소에 함수 적용하기-108
        3.17 그룹에 함수 적용하기-110
        3.18 데이터프레임 연결하기-111
        3.19 데이터프레임 병합하기-113

CHAPTER 4 수치형 데이터 다루기
        4.0 소개-117
        4.1 특성 스케일 바꾸기-117
        4.2 특성을 표준화하기-120
        4.3 정규화하기-123
        4.4 다항 특성과 교차항 특성 생성하기-126
        4.5 특성 변환하기-129
        4.6 이상치 감지하기-131
        4.7 이상치 다루기-133
        4.8 특성 이산화하기-136
        4.9 군집으로 샘플을 그룹으로 묶기-139
        4.10 누락된 값을 가진 샘플을 삭제하기-141
        4.11 누락된 값 채우기-143

CHAPTER 5 범주형 데이터 다루기
        5.0 소개-147
        5.1 순서가 없는 범주형 특성 인코딩하기-148
        5.2 순서가 있는 범주형 특성 인코딩하기-152
        5.3 특성 딕셔너리를 인코딩하기-155
        5.4 누락된 클래스 값 대체하기-158
        5.5 불균형한 클래스 다루기-160

CHAPTER 6 텍스트 다루기
        6.0 소개-165
        6.1 텍스트 정제하기-165
        6.2 HTML 파싱과 정제하기-167
        6.3 구두점 삭제하기-168
        6.4 텍스트 토큰화하기-169
        6.5 불용어 삭제하기-171
        6.6 어간 추출하기-172
        6.7 품사 태깅하기-173
        6.8 텍스트를 BoW로 인코딩하기-179
        6.9 단어 중요도에 가중치 부여하기-182

CHAPTER 7 날짜와 시간 다루기
        7.0 소개-185
        7.1 문자열을 날짜로 변환하기-185
        7.2 시간대 다루기-187
        7.3 날짜와 시간 선택하기-189
        7.4 날짜 데이터를 여러 특성으로 나누기-191
        7.5 날짜 간의 차이를 계산하기-192
        7.6 요일을 인코딩하기-193
        7.7 시차 특성 만들기-194
        7.8 이동 시간 윈도 사용하기-195
        7.9 시계열 데이터에서 누락된 값 다루기-197

CHAPTER 8 이미지 다루기
        8.0 소개-201
        8.1 이미지 로드하기-202
        8.2 이미지 저장하기-205
        8.3 이미지 크기 변경하기-205
        8.4 이미지 자르기-207
        8.5 이미지 흐리게 하기-208
        8.6 이미지 선명하게 하기-213
        8.7 대비 높이기-214
        8.8 색깔 구분하기-216
        8.9 이미지 이진화하기-218
        8.10 배경 제거하기-221
        8.11 경계선 감지하기-224
        8.12 모서리 감지하기-226
        8.13 머신러닝 특성 만들기-229
        8.14 평균 색을 특성으로 인코딩하기-233
        8.15 컬러 히스토그램을 특성으로 인코딩하기-234

CHAPTER 9 특성 추출을 사용한 차원 축소
        9.0 소개-239
        9.1 주성분을 사용해 특성 줄이기-240
        9.2 선형적으로 구분되지 않은 데이터의 차원 축소하기-245
        9.3 클래스 분리를 최대화하여 특성 줄이기-248
        9.4 행렬 분해를 사용하여 특성 줄이기-252
        9.5 희소한 데이터의 특성 줄이기-254

CHAPTER 10 특성 선택을 사용한 차원 축소
        10.0 소개-259
        10.1 분산을 기준으로 수치 특성 선택하기-260
        10.2 분산을 기준으로 이진 특성 선택하기-262
        10.3 상관관계가 큰 특성 다루기-264
        10.4 분류 작업에 관련 없는 특성 삭제하기-267
        10.5 재귀적 특성 제거하기-272

CHAPTER 11 모델 평가
        11.0 소개-277
        11.1 교차검증 모델 만들기-277
        11.2 기본 회귀 모델 만들기-283
        11.3 기본 분류 모델 만들기-286
        11.4 이진 분류기의 예측 평가하기-288
        11.5 이진 분류기 임곗값 평가하기-292
        11.6 다중클래스 분류기 예측 평가하기-298
        11.7 분류기 성능 시각화하기-299
        11.8 회귀 모델 평가하기-302
        11.9 군집 모델 평가하기-304
        11.10 사용자 정의 평가 지표 만들기-306
        11.11 훈련 세트 크기에 따른 영향을 시각화하기-308
        11.12 평가 지표 리포트 만들기-310
        11.13 하이퍼파라미터 값의 영향을 시각화하기-312

CHAPTER 12 모델 선택
        12.0 소개-317
        12.1 완전 탐색을 사용해 최선의 모델 선택하기-318
        12.2 랜덤 서치를 사용해 최선의 모델 선택하기-320
        12.3 여러 학습 알고리즘에서 최선의 모델 선택하기-322
        12.4 전처리와 함께 최선의 모델 선택하기-325
        12.5 병렬화로 모델 선택 속도 높이기-328
        12.6 알고리즘에 특화된 기법을 사용하여 모델 선택 수행 속도 높이기-330
        12.7 모델 선택 후 성능 평가하기-332

CHAPTER 13 선형회귀
        13.0 소개-337
        13.1 직선 학습하기-337
        13.2 교차 특성 다루기-340
        13.3 비선형 관계 학습하기-342
        13.4 규제로 분산 줄이기-345
        13.5 라소 회귀로 특성 줄이기-348

CHAPTER 14 트리와 랜덤 포레스트
        14.0 소개-351
        14.1 결정 트리 분류기 훈련하기-351
        14.2 결정 트리 회귀 훈련하기-354
        14.3 결정 트리 모델 시각화하기-356
        14.4 랜덤 포레스트 분류기 훈련하기-359
        14.5 랜덤 포레스트 회귀 훈련하기-361
        14.6 랜덤 포레스트에서 중요한 특성 구분하기-362
        14.7 랜덤 포레스트에서 중요한 특성 선택하기-366
        14.8 불균형한 클래스 다루기-368
        14.9 트리 크기 제어하기-369
        14.10 부스팅을 사용하여 성능 향상하기-371
        14.11 OOB 데이터로 랜덤 포레스트 평가하기-374

CHAPTER 15 k-최근접 이웃
        15.0 소개-377
        15.1 샘플의 최근접 이웃 찾기-377
        15.2 k-최근접 이웃 분류기 만들기-382
        15.3 최선의 이웃 개수 결정하기-385
        15.4 반지름 기반의 최근접 이웃 분류기 만들기-386

CHAPTER 16 로지스틱 회귀
        16.0 소개-389
        16.1 이진 분류기 훈련하기-389
        16.2 다중 클래스 분류기 훈련하기-391
        16.3 규제로 분산 줄이기-392
        16.4 대용량 데이터에서 분류기 훈련하기-394
        16.5 불균형한 클래스 다루기-396

CHAPTER 17 서포트 벡터 머신
        17.0 소개-399
        17.1 선형 분류기 훈련하기-399
        17.2 커널을 사용해 선형적으로 구분되지 않는 클래스 다루기-403
        17.3 예측 확률 계산하기-407
        17.4 서포트 벡터 식별하기-409
        17.5 불균형한 클래스 다루기-411

CHAPTER 18 나이브 베이즈
        18.0 소개-413
        18.1 연속적인 특성으로 분류기 훈련하기-414
        18.2 이산적인 카운트 특성으로 분류기 훈련하기-416
        18.3 이진 특성으로 나이브 베이즈 분류기 훈련하기-418
        18.4 예측 확률 보정하기-419

CHAPTER 19 군집
        19.0 소개-421
        19.1 k-평균을 사용한 군집-421
        19.2 k-평균 군집 속도 향상하기-426
        19.3 평균이동을 사용한 군집-427
        19.4 DBSCAN을 사용한 군집-429
        19.5 계층적 병합을 사용한 군집-432

CHAPTER 20 신경망
        20.0 소개-435
        20.1 신경망을 위한 데이터 전처리하기-436
        20.2 신경망 구성하기-438
        20.3 이진 분류기 훈련하기-443
        20.4 다중 분류기 훈련하기-447
        20.5 회귀 모델 훈련하기-450
        20.6 예측하기-452
        20.7 훈련 기록 시각화하기-454
        20.8 가중치 규제로 과대적합 줄이기-457
        20.9 조기종료로 과대적합 줄이기-460
        20.10 드롭아웃으로 과대적합 줄이기-462
        20.11 모델 훈련 진행 과정을 저장하기-464
        20.12 신경망을 k-폴드 교차검증하기-467
        20.13 신경망 튜닝하기-469
        20.14 신경망 시각화하기-471
        20.15 이미지 분류하기-473
        20.16 이미지 증식으로 성능 향상하기-478
        20.17 텍스트 분류하기-481

CHAPTER 21 훈련된 모델 저장과 복원
        21.0 소개-487
        21.1 사이킷런 모델을 저장하고 복원하기-487
        21.2 케라스 모델을 저장하고 복원하기-489

찾아보기-492