YES24 카테고리 리스트

YES24 유틸메뉴

Global YES24안내보기: Global YES24는?

K-POP/K-Drama 관련상품(음반,도서,DVD)을
영문/중문 으로 이용하실 수 있습니다.

Korean wave shopping mall, sell the
K-POP/K-Drama (CD,DVD,Blu-ray,Book) We aceept PayPal/UnionPay/Alipay
and support English/Chinese Language service
English
作为出售正规 K-POP/K-Drama 相关(CD,图书,DVD) 韩流商品的网站, 支持中文/英文等海外结账方式
中文
Exclusive ticket sales for domestic and international pop artists
Global yesticket

어깨배너

1/6

빠른분야찾기

YES24 코너/서비스

YES24 분야별코너

신용카드 (54x86mm)

A4용지 (210x297mm)

미리보기 사이즈비교 공유하기

소득공제

머신 러닝 교과서: 파이토치 편

탄탄한 이론과 다양한 예제로 배우는 머신 러닝/딥러닝 실전 가이드

세바스찬라시카, 유시 (헤이든) 류, 바히드미자리리 저/박해선 역 | 길벗 | 2023년 11월 30일 | 원서 : Machine Learning with PyTorch and Scikit-Learn 리뷰 총점10.0 정보 더 보기/감추기

종이책 리뷰 (5건)
eBook 리뷰 (0건)
종이책 한줄평 (2건)
eBook 한줄평 (0건)

회원리뷰(7건) | 판매지수 3,456 판매지수란?

상품 가격정보
정가	58,000원
판매가	52,200원 (10% 할인)
YES포인트	2,900원 (5% 적립) 5만원이상 구매 시 2천원 추가적립 5만원이상 구매 시 2천원 추가적립 안내

결제혜택
결제혜택	카드/간편결제 혜택을 확인하세요 카드/간편결제 혜택 보기/감추기 예스24 현대카드 3만원 캐시백 이벤트 [기본혜택] YES포인트 1~3% 적립 관련페이지 바로가기 카카오페이 2,500원 즉시할인 일 선착순 400건, 4만원 이상 관련페이지 바로가기 토스페이 1천원 즉시할인 일 400명, 1만5천원 이상 관련페이지 바로가기 네이버페이 5천 포인트 적립 1천명 추첨, 5만원 이상 관련페이지 바로가기 모바일팝 모바일 6% 즉시할인 모바일 결제시 관련페이지 바로가기

배송안내
배송안내 바로가기

배송비 : 무료 배송비 안내

구매 시 참고사항
구매 시 참고사항

판매중

수량

카트에 넣기 바로구매

해외배송 가능
최저가 보상
문화비소득공제 신청가능

리스트에 넣기 분철서비스 알림신청

대학생 & 취준생이동

월간 개발자 4월호이동

공부합시다! 생성형 AI이동

이 세계에선 N잡러?이동

이전 YES NOW 배너보기

다음 YES NOW 배너보기

1/4

광고 AD

머신 러닝 교과서: 파이토치 편

카트에 넣기 바로구매

품목정보

품목정보
발행일	2023년 11월 30일
쪽수, 무게, 크기	876쪽 \| 1,693g \| 18323536mm
ISBN13	9791140707362

이 상품의 이벤트 (8개)

실력있는 개발자를 위한 프로그래밍 전문서 : 한빛미디어 오라일리 시리즈

소진시
[2024 세계 책의 날] 책을 (_)다

2024년 04월 12일 ~ 2024년 04월 30일
어서오세요, [클래스24] 입니다

2024년 03월 20일 ~ 2024년 04월 30일
4월의 굿즈 :책가도 독서대/스마트폰 거치대/우양산/북 스토퍼/우드 센서 무드등

2024년 03월 29일 ~ 2024년 04월 30일
정가 인하 & 특가 할인 도서 모음

상시
YES24 트윈링 분철 : 인서트라벨/스티커 택1 증정

소진시
오직, 예스24에서만

상시
예스24 X JTBC <소탐대실> 콜라보 [서탐대실]

소진시

펼쳐보기접어보기

책소개

책의 일부 내용을 미리 읽어보실 수 있습니다. 미리보기

1장. 컴퓨터는 데이터에서 배운다 1.1 데이터를 지식으로 바꾸는 지능적인 시스템 구축 1.2 머신 러닝의 세 가지 종류 __1.2.1 지도 학습으로 미래 예측 __1.2.2 강화 학습으로 반응형 문제 해결 __1.2.3 비지도 학습으로 숨겨진 구조 발견 1.3 기본 용어와 표기법 소개 __1.3.1 이 책에서 사용하는 표기법과 규칙 __1.3.2 머신 러닝 용어 1.4 머신 러닝 시스템 구축 로드맵 __1.4.1 전처리: 데이터 형태 갖추기 __1.4.2 예측 모델 훈련과 선택 __1.4.3 모델을 평가하고 본 적 없는 샘플로 예측 1.5 머신 러닝을 위한 파이썬 __1.5.1 파이썬과 PIP에서 패키지 설치 __1.5.2 아나콘다 파이썬 배포판과 패키지 관리자 사용 __1.5.3 과학 컴퓨팅, 데이터 과학, 머신 러닝을 위한 패키지 1.6 요약 2장. 간단한 분류 알고리즘 훈련 2.1 인공 뉴런: 초기 머신 러닝의 간단한 역사 __2.1.1 인공 뉴런의 수학적 정의 __2.1.2 퍼셉트론 학습 규칙 2.2 파이썬으로 퍼셉트론 학습 알고리즘 구현 __2.2.1 객체 지향 퍼셉트론 API __2.2.2 붓꽃 데이터셋에서 퍼셉트론 훈련 2.3 적응형 선형 뉴런과 학습의 수렴 __2.3.1 경사 하강법으로 손실 함수 최소화 __2.3.2 파이썬으로 아달린 구현 __2.3.3 특성 스케일을 조정하여 경사 하강법 결과 향상 __2.3.4 대규모 머신 러닝과 확률적 경사 하강법 2.4 요약 3장. 사이킷런을 타고 떠나는 머신 러닝 분류 모델 투어 3.1 분류 알고리즘 선택 3.2 사이킷런 첫걸음: 퍼셉트론 훈련 3.3 로지스틱 회귀를 사용한 클래스 확률 모델링 __3.3.1 로지스틱 회귀의 이해와 조건부 확률 __3.3.2 로지스틱 손실 함수의 가중치 학습 __3.3.3 아달린 구현을 로지스틱 회귀 알고리즘으로 변경 __3.3.4 사이킷런을 사용하여 로지스틱 회귀 모델 훈련 __3.3.5 규제를 사용하여 과대적합 피하기 3.4 서포트 벡터 머신을 사용한 최대 마진 분류 __3.4.1 최대 마진 __3.4.2 슬랙 변수를 사용하여 비선형 분류 문제 다루기 __3.4.3 사이킷런의 다른 구현 3.5 커널 SVM을 사용하여 비선형 문제 풀기 __3.5.1 선형적으로 구분되지 않는 데이터를 위한 커널 방법 __3.5.2 커널 기법을 사용하여 고차원 공간에서 분할 초평면 찾기 3.6 결정 트리 학습 __3.6.1 정보 이득 최대화: 자원을 최대로 활용 __3.6.2 결정 트리 만들기 __3.6.3 랜덤 포레스트로 여러 개의 결정 트리 연결 3.7 k-최근접 이웃: 게으른 학습 알고리즘 3.8 요약 4장. 좋은 훈련 데이터셋 만들기: 데이터 전처리 4.1 누락된 데이터 다루기 __4.1.1 테이블 형태 데이터에서 누락된 값 식별 __4.1.2 누락된 값이 있는 훈련 샘플이나 특성 제외 __4.1.3 누락된 값 대체 __4.1.4 사이킷런 추정기 API 익히기 4.2 범주형 데이터 다루기 __4.2.1 판다스를 사용한 범주형 데이터 인코딩 __4.2.2 순서가 있는 특성 매핑 __4.2.3 클래스 레이블 인코딩 __4.2.4 순서가 없는 특성에 원-핫 인코딩 적용 4.3 데이터셋을 훈련 데이터셋과 테스트 데이터셋으로 나누기 4.4 특성 스케일 맞추기 4.5 유용한 특성 선택 __4.5.1 모델 복잡도 제한을 위한 L1 규제와 L2 규제 __4.5.2 L2 규제의 기하학적 해석 __4.5.3 L1 규제를 사용한 희소성 __4.5.4 순차 특성 선택 알고리즘 4.6 랜덤 포레스트의 특성 중요도 사용 4.7 요약 5장. 차원 축소를 사용한 데이터 압축 5.1 주성분 분석을 통한 비지도 차원 축소 __5.1.1 주성분 분석의 주요 단계 __5.1.2 주성분 추출 단계 __5.1.3 총 분산과 설명된 분산 __5.1.4 특성 변환 __5.1.5 사이킷런의 주성분 분석 5.2 선형 판별 분석을 통한 지도 방식의 데이터 압축 __5.2.1 주성분 분석 vs 선형 판별 분석 __5.2.2 선형 판별 분석의 내부 동작 방식 __5.2.3 산포 행렬 계산 __5.2.4 새로운 특성 부분 공간을 위해 선형 판별 벡터 선택 __5.2.5 새로운 특성 공간으로 샘플 투영 __5.2.6 사이킷런의 LDA 5.3 비선형 차원 축소와 시각화 __5.3.1 비선형 차원 축소를 고려하는 이유는 무엇인가요? __5.3.2 t-SNE를 사용한 데이터 시각화 5.4 요약 6장. 모델 평가와 하이퍼파라미터 튜닝의 모범 사례 6.1 파이프라인을 사용한 효율적인 워크플로 __6.1.1 위스콘신 유방암 데이터셋 __6.1.2 파이프라인으로 변환기와 추정기 연결 6.2 k-겹 교차 검증을 사용한 모델 성능 평가 __6.2.1 홀드아웃 방법 __6.2.2 k-겹 교차 검증 6.3 학습 곡선과 검증 곡선을 사용한 알고리즘 디버깅 __6.3.1 학습 곡선으로 편향과 분산 문제 분석 __6.3.2 검증 곡선으로 과대적합과 과소적합 조사 6.4 그리드 서치를 사용한 머신 러닝 모델 세부 튜닝 __6.4.1 그리드 서치를 사용한 하이퍼파라미터 튜닝 __6.4.2 랜덤 서치로 하이퍼파라미터 설정을 더 넓게 탐색하기 __6.4.3 SH 방식을 사용한 자원 효율적인 하이퍼파라미터 탐색 __6.4.4 중첩 교차 검증을 사용한 알고리즘 선택 6.5 여러 가지 성능 평가 지표 __6.5.1 오차 행렬 __6.5.2 분류 모델의 정밀도와 재현율 최적화 __6.5.3 ROC 곡선 그리기 __6.5.4 다중 분류의 성능 지표 __6.5.5 불균형한 클래스 다루기 6.6 요약 7장. 다양한 모델을 결합한 앙상블 학습 7.1 앙상블 학습 7.2 다수결 투표를 사용한 분류 앙상블 __7.2.1 간단한 다수결 투표 분류기 구현 __7.2.2 다수결 투표 방식을 사용하여 예측 만들기 __7.2.3 앙상블 분류기의 평가와 튜닝 7.3 배깅: 부트스트랩 샘플링을 통한 분류 앙상블 __7.3.1 배깅 알고리즘의 작동 방식 __7.3.2 배깅으로 Wine 데이터셋의 샘플 분류 7.4 약한 학습기를 이용한 에이다부스트 __7.4.1 부스팅 작동 원리 __7.4.2 사이킷런에서 에이다부스트 사용 7.5 그레이디언트 부스팅: 손실 그레이디언트 기반의 앙상블 훈련 __7.5.1 에이다부스트와 그레이디언트 부스팅 비교 __7.5.2 그레이디언트 부스팅 알고리즘 소개 __7.5.3 분류를 위한 그레이디언트 부스팅 알고리즘 __7.5.4 그레이디언트 부스팅 분류 예제 __7.5.5 XGBoost 사용하기 7.6 요약 8장. 감성 분석에 머신 러닝 적용 8.1 텍스트 처리용 IMDb 영화 리뷰 데이터 준비 __8.1.1 영화 리뷰 데이터셋 구하기 __8.1.2 영화 리뷰 데이터셋을 더 간편한 형태로 전처리 8.2 BoW 모델 소개 __8.2.1 단어를 특성 벡터로 변환 __8.2.2 tf-idf를 사용하여 단어 적합성 평가 __8.2.3 텍스트 데이터 정제 __8.2.4 문서를 토큰으로 나누기 8.3 문서 분류를 위한 로지스틱 회귀 모델 훈련 8.4 대용량 데이터 처리: 온라인 알고리즘과 외부 메모리 학습 8.5 잠재 디리클레 할당을 사용한 토픽 모델링 __8.5.1 LDA를 사용한 텍스트 문서 분해 __8.5.2 사이킷런의 LDA 8.6 요약 9장. 회귀 분석으로 연속적 타깃 변수 예측 9.1 선형 회귀 __9.1.1 단순 선형 회귀 __9.1.2 다중 선형 회귀 9.2 에임스 주택 데이터셋 탐색 __9.2.1 데이터프레임으로 에임스 주택 데이터셋 읽기 __9.2.2 데이터셋의 중요 특징 시각화 __9.2.3 상관관계 행렬을 사용한 분석 9.3 최소 제곱 선형 회귀 모델 구현 __9.3.1 경사 하강법으로 회귀 모델의 파라미터 구하기 __9.3.2 사이킷런으로 회귀 모델의 가중치 추정 9.4 RANSAC을 사용하여 안정된 회귀 모델 훈련 9.5 선형 회귀 모델의 성능 평가 9.6 회귀에 규제 적용 9.7 선형 회귀 모델을 다항 회귀로 변환 __9.7.1 사이킷런을 사용하여 다항식 항 추가 __9.7.2 에임스 주택 데이터셋을 사용한 비선형 관계 모델링 9.8 랜덤 포레스트를 사용하여 비선형 관계 다루기 __9.8.1 결정 트리 회귀 __9.8.2 랜덤 포레스트 회귀 9.9 요약 10장. 레이블되지 않은 데이터 다루기: 군집 분석 10.1 k-평균 알고리즘을 사용하여 유사한 객체 그룹핑 __10.1.1 사이킷런을 사용한 k-평균 군집 __10.1.2 k-평균++로 초기 클러스터 센트로이드를 똑똑하게 할당 __10.1.3 직접 군집 vs 간접 군집 __10.1.4 엘보우 방법을 사용하여 최적의 클러스터 개수 찾기 __10.1.5 실루엣 그래프로 군집 품질을 정량화 10.2 계층적인 트리로 클러스터 조직화 __10.2.1 상향식으로 클러스터 묶기 __10.2.2 거리 행렬에서 계층 군집 수행 __10.2.3 히트맵에 덴드로그램 연결 __10.2.4 사이킷런에서 병합 군집 적용 10.3 DBSCAN을 사용하여 밀집도가 높은 지역 찾기 10.4 요약 11장. 다층 인공 신경망을 밑바닥부터 구현 11.1 인공 신경망으로 복잡한 함수 모델링 __11.1.1 단일층 신경망 요약 __11.1.2 다층 신경망 구조 __11.1.3 정방향 계산으로 신경망 활성화 출력 계산 11.2 손글씨 숫자 분류 __11.2.1 MNIST 데이터셋 구하기 __11.2.2 다층 퍼셉트론 구현 __11.2.3 신경망 훈련 루프 코딩 __11.2.4 신경망 모델의 성능 평가 11.3 인공 신경망 훈련 __11.3.1 손실 함수 계산 __11.3.2 역전파 알고리즘 이해 __11.3.3 역전파 알고리즘으로 신경망 훈련 11.4 신경망의 수렴 11.5 신경망 구현에 관한 몇 가지 첨언 11.6 요약 12장. 파이토치를 사용한 신경망 훈련 12.1 파이토치와 훈련 성능 __12.1.1 성능 문제 __12.1.2 파이토치란? __12.1.3 파이토치 학습 방법 12.2 파이토치 처음 시작하기 __12.2.1 파이토치 설치 __12.2.2 파이토치에서 텐서 만들기 __12.2.3 텐서의 데이터 타입과 크기 조작 __12.2.4 텐서에 수학 연산 적용 __12.2.5 chunk( ), stack( ), cat( ) 함수 12.3 파이토치 입력 파이프라인 구축 __12.3.1 텐서에서 파이토치 DataLoader 만들기 __12.3.2 두 개의 텐서를 하나의 데이터셋으로 연결 __12.3.3 셔플, 배치, 반복 __12.3.4 로컬 디스크에 있는 파일에서 데이터셋 만들기 __12.3.5 torchvision.datasets 라이브러리에서 데이터셋 로드 12.4 파이토치로 신경망 모델 만들기 __12.4.1 파이토치 신경망 모듈(torch.nn) __12.4.2 선형 회귀 모델 만들기 __12.4.3 torch.nn과 torch.optim 모듈로 모델 훈련하기 __12.4.4 붓꽃 데이터셋을 분류하는 다층 퍼셉트론 만들기 __12.4.5 테스트 데이터셋에서 모델 평가하기 __12.4.6 훈련된 모델 저장하고 로드하기 12.5 다층 신경망의 활성화 함수 선택 __12.5.1 로지스틱 함수 요약 __12.5.2 소프트맥스 함수를 사용한 다중 클래스 확률 예측 __12.5.3 하이퍼볼릭 탄젠트로 출력 범위 넓히기 __12.5.4 렐루 활성화 함수 12.6 요약 13장. 파이토치 구조 자세히 알아보기 13.1 파이토치의 주요 특징 13.2 파이토치의 계산 그래프 __13.2.1 계산 그래프 이해 __13.2.2 파이토치로 그래프 만들기 13.3 모델 파라미터를 저장하고 업데이트하기 위한 파이토치 텐서 객체 13.4 자동 미분으로 그레이디언트 계산 __13.4.1 훈련 가능한 변수에 대한 손실의 그레이디언트 계산 __13.4.2 자동 미분 이해하기 __13.4.3 적대 샘플 13.5 torch.nn 모듈을 사용하여 일반적인 아키텍처 구현하기 __13.5.1 nn.Sequential 기반의 모델 구현하기 __13.5.2 손실 함수 선택하기 __13.5.3 XOR 분류 문제 풀어 보기 __13.5.4 nn.Module로 유연성이 높은 모델 만들기 __13.5.5 파이토치에서 사용자 정의 층 만들기 13.6 프로젝트 1: 자동차 연비 예측하기 __13.6.1 특성 열 사용 __13.6.2 DNN 회귀 모델 훈련하기 13.7 프로젝트 2: MNIST 손글씨 숫자 분류하기 13.8 고수준 파이토치 API: 파이토치 라이트닝 소개 __13.8.1 파이토치 라이트닝 모델 준비하기 __13.8.2 라이트닝을 위한 데이터 로더 준비하기 __13.8.3 라이트닝 Trainer 클래스를 사용하여 모델 훈련하기 __13.8.4 텐서보드로 모델 평가하기 13.9 요약 14장. 심층 합성곱 신경망으로 이미지 분류 14.1 합성곱 신경망의 구성 요소 __14.1.1 CNN과 특성 계층 학습 __14.1.2 이산 합성곱 수행 __14.1.3 서브샘플링 14.2 기본 구성 요소를 사용하여 심층 합성곱 신경망 구성 __14.2.1 여러 개의 입력 또는 컬러 채널 다루기 __14.2.2 L2 규제와 드롭아웃으로 신경망 규제 __14.2.3 분류를 위한 손실 함수 14.3 파이토치를 사용하여 심층 합성곱 신경망 구현 __14.3.1 다층 CNN 구조 __14.3.2 데이터 적재와 전처리 __14.3.3 torch.nn 모듈을 사용하여 CNN 구현 14.4 합성곱 신경망을 사용하여 웃는 얼굴 분류 __14.4.1 CelebA 데이터셋 로드 __14.4.2 이미지 변환과 데이터 증식 __14.4.3 CNN 웃는 얼굴 분류기 훈련 14.5 요약 15장. 순환 신경망으로 순차 데이터 모델링 15.1 순차 데이터 소개 __15.1.1 순차 데이터 모델링: 순서를 고려한다 __15.1.2 순차 데이터 vs 시계열 데이터 __15.1.3 시퀀스 표현 __15.1.4 시퀀스 모델링의 종류 15.2 시퀀스 모델링을 위한 RNN __15.2.1 RNN 반복 구조 이해 __15.2.2 RNN의 활성화 출력 계산 __15.2.3 은닉 순환과 출력 순환 __15.2.4 긴 시퀀스 학습의 어려움 __15.2.5 LSTM 셀 15.3 파이토치로 시퀀스 모델링을 위한 RNN 구현 __15.3.1 첫 번째 프로젝트: IMDb 영화 리뷰의 감성 분석 __15.3.2 두 번째 프로젝트: 텐서플로로 글자 단위 언어 모델 구현 15.4 요약 16장. 트랜스포머: 어텐션 메커니즘을 통한 자연어 처리 성능 향상 16.1 어텐션 메커니즘이 추가된 RNN __16.1.1 RNN의 정보 검색을 돕는 어텐션 __16.1.2 RNN을 위한 원본 어텐션 메커니즘 __16.1.3 양방향 RNN으로 입력 처리하기 __16.1.4 문맥 벡터에서 출력 생성하기 __16.1.5 어텐션 가중치 계산하기 16.2 셀프 어텐션 메커니즘 소개 __16.2.1 기본적인 형태의 셀프 어텐션 __16.2.2 훈련 가능한 셀프 어텐션 메커니즘: 스케일드 점곱 어텐션 16.3 어텐션이 필요한 전부다: 원본 트랜스포머 아키텍처 __16.3.1 멀티 헤드 어텐션으로 문맥 임베딩 인코딩하기 __16.3.2 언어 모델 학습: 디코더와 마스크드 멀티 헤드 어텐션 __16.3.3 구현 세부 사항: 위치 인코딩 및 층 정규화 16.4 레이블이 없는 데이터를 활용하여 대규모 언어 모델 구축 __16.4.1 트랜스포머 모델 사전 훈련 및 미세 튜닝 __16.4.2 GPT로 레이블이 없는 데이터 활용하기 __16.4.3 GPT-2를 사용하여 새로운 텍스트 생성 __16.4.4 BERT를 통한 양방향 사전 훈련 __16.4.5 두 장점을 합친 BART 16.5 파이토치에서 BERT 모델 미세 튜닝하기 __16.5.1 IMDb 영화 리뷰 데이터셋 로드 __16.5.2 데이터셋 토큰화 715 __16.5.3 사전 훈련된 BERT 모델 로드 및 미세 튜닝하기 __16.5.4 트레이너 API를 사용하여 트랜스포머를 간편하게 미세 튜닝하기 16.6 요약 17장. 새로운 데이터 합성을 위한 생성적 적대 신경망 17.1 생성적 적대 신경망 소개 __17.1.1 오토인코더 __17.1.2 새로운 데이터 합성을 위한 생성 모델 __17.1.3 GAN으로 새로운 샘플 생성 __17.1.4 GAN의 생성자와 판별자 손실 함수 이해 17.2 밑바닥부터 GAN 모델 구현 __17.2.1 구글 코랩에서 GAN 모델 훈련 __17.2.2 생성자와 판별자 신경망 구현 __17.2.3 훈련 데이터셋 정의 __17.2.4 GAN 모델 훈련하기 17.3 합성곱 GAN과 바서슈타인 GAN으로 합성 이미지 품질 높이기 __17.3.1 전치 합성곱 __17.3.2 배치 정규화 __17.3.3 생성자와 판별자 구현 __17.3.4 두 분포 사이의 거리 측정 __17.3.5 GAN에 EM 거리 사용 __17.3.6 그레이디언트 페널티 __17.3.7 WGAN-GP로 DCGAN 모델 훈련 __17.3.8 모드 붕괴 17.4 다른 GAN 애플리케이션 17.5 요약 18장. 그래프 구조 데이터의 의존성 감지를 위한 그래프 신경망 18.1 그래프 데이터 소개 __18.1.1 비유향 그래프 __18.1.2 유향 그래프 __18.1.3 레이블 그래프 __18.1.4 분자를 그래프로 표현하기 18.2 그래프 합성곱의 이해 __18.2.1 그래프 합성곱의 사용 동기 __18.2.2 기본 그래프 합성곱 구현 18.3 파이토치에서 GNN을 밑바닥부터 구현하기 __18.3.1 NodeNetwork 모델 정의하기 __18.3.2 NodeNetwork의 그래프 합성곱 층 만들기 __18.3.3 다양한 그래프 크기를 처리하기 위해 전역 풀링 층 추가하기 __18.3.4 데이터 로더 준비 __18.3.5 노드 네트워크를 사용하여 예측하기 18.4 파이토치 지오메트릭 라이브러리를 사용하여 GNN 구현하기 18.5 기타 GNN 층 및 최근 개발 사항 __18.5.1 스펙트럼 그래프 합성곱 __18.5.2 풀링 __18.5.3 정규화 __18.5.4 그 외 고급 그래프 신경망 18.6 요약 19장. 강화 학습으로 복잡한 환경에서 의사 결정 19.1 경험에서 배운다 __19.1.1 강화 학습 이해 __19.1.2 강화 학습 시스템의 에이전트-환경 인터페이스 정의 19.2 강화 학습의 기초 이론 __19.2.1 마르코프 결정 과정 __19.2.2 마르코프 결정 과정의 수학 공식 __19.2.3 강화 학습 용어: 대가, 정책, 가치 함수 __19.2.4 벨먼 방정식을 사용한 동적 계획법 19.3 강화 학습 알고리즘 __19.3.1 동적 계획법 __19.3.2 몬테카를로를 사용한 강화 학습 __19.3.3 시간 차 학습 19.4 첫 번째 강화 학습 알고리즘 구현 __19.4.1 OpenAI 짐 툴킷 소개 __19.4.2 Q-러닝으로 그리드 월드 문제 풀기 19.5 심층 Q-러닝 __19.5.1 Q-러닝 알고리즘에 따라 DQN 모델 훈련 __19.5.2 심층 Q-러닝 알고리즘 구현 19.6 전체 요약

펼쳐보기접어보기

상세 이미지

저자 소개 (4명)

저 : 세바스찬라시카

관심작가 알림신청 작가 파일

위스콘신-매디슨 대학교의 통계학 조교수로 머신 러닝과 딥러닝에 중점을 두고 있다. 그의 최근 연구는 제한된 데이터로 작업하기 위한 퓨-샷(few-shot) 학습과 순서가 있는 타깃에 대한 심층 신경망 개발과 같은 일반적인 문제에 초점이 맞춰져 있다. 또한, 오픈 소스 기여자로도 활발히 활동 중이며, Grid.ai의 수석 AI 교육자라는 새로운 역할을 통해 사람들이 머신 러닝과 AI에 입문할 수 있도록 돕는 데 열... 위스콘신-매디슨 대학교의 통계학 조교수로 머신 러닝과 딥러닝에 중점을 두고 있다. 그의 최근 연구는 제한된 데이터로 작업하기 위한 퓨-샷(few-shot) 학습과 순서가 있는 타깃에 대한 심층 신경망 개발과 같은 일반적인 문제에 초점이 맞춰져 있다. 또한, 오픈 소스 기여자로도 활발히 활동 중이며, Grid.ai의 수석 AI 교육자라는 새로운 역할을 통해 사람들이 머신 러닝과 AI에 입문할 수 있도록 돕는 데 열정을 쏟을 계획이다.

펼쳐보기접어보기

저 : 유시 (헤이든) 류

관심작가 알림신청 작가 파일

구글의 머신 러닝 소프트웨어 엔지니어로, 여러 데이터 기반 분야에서 머신 러닝 과학자로 일해 왔으며, 여러 권의 머신 러닝 서적을 저술했다. 그의 첫 번째 저서인 『Python Machine Learning By Example』는 2017년과 2018년에 아마존에서 해당 카테고리 베스트셀러 1위를 차지했으며 여러 언어로 번역되었다. 구글의 머신 러닝 소프트웨어 엔지니어로, 여러 데이터 기반 분야에서 머신 러닝 과학자로 일해 왔으며, 여러 권의 머신 러닝 서적을 저술했다. 그의 첫 번째 저서인 『Python Machine Learning By Example』는 2017년과 2018년에 아마존에서 해당 카테고리 베스트셀러 1위를 차지했으며 여러 언어로 번역되었다.

저 : 바히드미자리리

관심작가 알림신청 작가 파일

컴퓨터 비전 애플리케이션에 중점을 둔 딥러닝 연구자이다. 미시간 주립대학교에서 기계 공학과 컴퓨터 공학으로 박사 학위를 받았으며, 박사 과정 중에 실전 문제를 해결하기 위한 새로운 컴퓨터 비전 알고리즘을 개발했으며 컴퓨터 비전 커뮤니티에서 많이 인용되는 여러 논문을 발표했다. 컴퓨터 비전 애플리케이션에 중점을 둔 딥러닝 연구자이다. 미시간 주립대학교에서 기계 공학과 컴퓨터 공학으로 박사 학위를 받았으며, 박사 과정 중에 실전 문제를 해결하기 위한 새로운 컴퓨터 비전 알고리즘을 개발했으며 컴퓨터 비전 커뮤니티에서 많이 인용되는 여러 논문을 발표했다.

역 : 박해선

관심작가 알림신청 작가 파일

기계공학을 전공했지만 졸업 후엔 줄곧 코드를 읽고 쓰는 일을 했다. Microsoft AI MVP, GCP Champion Innovator이다. 텐서 플로우 블로그(tensorflow.blog)를 운영하고 있고, 머신러닝과 딥러닝에 관한 책을 집필하고 번역하면서 소프트웨어와 과학의 경계를 흥미롭게 탐험하고 있다. 『챗GPT로 대화하는 기술』(한빛미디어, 2023), 『혼자 공부하는 데이터 분석 with 파이썬』... 기계공학을 전공했지만 졸업 후엔 줄곧 코드를 읽고 쓰는 일을 했다. Microsoft AI MVP, GCP Champion Innovator이다. 텐서 플로우 블로그(tensorflow.blog)를 운영하고 있고, 머신러닝과 딥러닝에 관한 책을 집필하고 번역하면서 소프트웨어와 과학의 경계를 흥미롭게 탐험하고 있다. 『챗GPT로 대화하는 기술』(한빛미디어, 2023), 『혼자 공부하는 데이터 분석 with 파이썬』(한빛미디어, 2023), 『혼자 공부하는 머신러닝+딥러닝』(한빛미디어, 2020), 『Do it! 딥러닝 입문』(이지스퍼블리싱, 2019)을 집필했다. 『머신러닝 교과서: 파이토치 편』(길벗, 2023), 『스티븐 울프럼의 챗GPT 강의』(한빛미디어, 2023), 『핸즈온 머신러닝 3판』(한빛미디어, 2023), 『만들면서 배우는 생성 딥러닝 2판』(한빛미디어, 2023), 『코딩 뇌를 깨우는 파이썬』(한빛미디어, 2023), 『트랜스포머를 활용한 자연어 처리』(한빛미디어, 2022), 『케라스 창시자에게 배우는 딥러닝 2판』(길벗, 2022), 『개발자를 위한 머신러닝&딥러닝』(한빛미디어, 2022), 『XGBoost와 사이킷런을 활용한 그레이디언트 부스팅』(한빛미디어, 2022), 『구글 브레인 팀에게 배우는 딥러닝 with TensorFlow.js』(길벗, 2022), 『(개정2판)파이썬 라이브러리를 활용한 머신러닝』(한빛미디어, 2022), 『머신러닝 파워드 애플리케이션』(한빛미디어, 2021), 『파이토치로 배우는 자연어 처리』(한빛미디어, 2021), 『머신러닝 교과서 3판』(길벗, 2021)을 포함하여 여러 권의 책을 우리말로 옮겼다.

펼쳐보기접어보기

더보기접어보기

만든 이 코멘트

저자, 역자, 편집자를 위한 공간입니다. 독자들에게 전하고 싶은 말씀을 남겨주세요. 코멘트 쓰기

안녕하세요. 이 책의 역자 입니다.

박해선 (roadhome@gmail.com) | 2023-11-24

안녕하세요. [머신 러닝 교과서: 파이토치 편]을 번역한 박해선입니다. 이 책을 구매해 주신 많은 독자분들에게 감사의 말씀 드립니다. 이 책은 [머신 러닝 교과서 3판]의 파이토치 버전입니다. 머신러닝 파트는 수식을 이해하기 쉽게 수정하고 최신 라이브러리에 맞춰 업데이트했습니다. 딥러닝 파트는 콘텐츠 나열 순서만 비슷하고 텐서플로에서 파이토치로 바꾸면서 코드와 설명이 완전히 바뀌었습니다. 예제와 데이터셋도 새롭게 추가되거나 변경되었습니다. 특히 트랜스포머에 온전히 하나의 장을 할애한 것이 만족스럽습니다. GPT, BERT 등을 소개하며 대규모 언어 모델에 대한 이해도를 높일 수 있는 토대를 제공합니다. 또한 간략하지만 허깅 페이스 라이브러리와 파이토치 라이트닝도 소개합니다. 다른 책에서 보기 힘든 그래프 신경망이 추가된 점도 매우 돋보입니다. 덕분에 GNN에 입문할 기회를 얻었습니다. 책을 구매하시면 제 블로그의 에러타 페이지(https://tensorflow.blog/python-ml-pt/)를 꼭 참고해 주세요. [스티븐 울프럼의 챗GPT 강의], [핸즈온 머신러닝 3판], [만들면서 배우는 생성 AI 2판], [코딩 뇌를 깨우는 파이썬], [혼자 공부하는 데이터 분석 with 파이썬], [트랜스포머를 활용한 자연어 처리], [케라스 창시자에게 배우는 딥러닝 2판], [개발자를 위한 머신러닝&딥러닝], [XGBoost와 사이킷런을 활용한 그레이디언트 부스팅], [구글 브레인 팀에게 배우는 딥러닝 with TensorFlow.js], [파이썬 라이브러리를 활용한 머신러닝(번역개정2판)], [머신러닝 교과서 3판], [혼자 공부하는 머신러닝+딥러닝] 등에 이어 스물 아홉 번째 머신러닝 책입니다. 많은 분들의 응원 덕에 큰 힘을 얻습니다. 더 좋은 책으로 찾아 뵙겠습니다. 감사합니다.

책 속으로

--- 「지은이의 말」 중에서

펼쳐보기접어보기

출판사 리뷰

펼쳐보기접어보기

회원리뷰 (5건)

매주 10건의 우수리뷰를 선정하여 YES포인트 3만원을 드립니다.
3,000원 이상 구매 후 리뷰 작성 시 일반회원 300원, 마니아회원 600원의 YES포인트를 드립니다.
eBook은 다운로드 후 작성한 리뷰만 YES포인트 지급됩니다.
클래스, CD/LP, DVD/Blu-ray, 패션 및 판매금지 상품, 예스24 앱스토어 상품 제외됩니다. 리뷰/한줄평 정책 자세히 보기 리뷰쓰기

5명의 예스24 회원이 평가한 평균별점

리뷰 총점10.0/ 10.0

별점별로 리뷰를 확인해 보세요.

한줄평 (2건)

1,000원 이상 구매 후 한줄평 작성 시 일반회원 50원, 마니아회원 100원의 YES포인트를 드립니다.
eBook은 다운로드 후 작성한 리뷰만 YES포인트 지급됩니다.
클래스, CD/LP, DVD/Blu-ray, 패션 및 판매금지 상품, 예스24 앱스토어 상품 제외됩니다. 리뷰/한줄평 정책 자세히 보기

평점 별 2점 별 4점 별 6점 별 8점 별 10점 작성 시 유의사항 한줄평 작성 시 유의사항

한글 기준 50자까지 작성가능 0/50

배송/반품/교환 안내

배송 안내

배송 안내
배송 구분	예스24 배송 배송비 : 무료배송
포장 안내	안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다. 목적 : 안전한 포장 관리 촬영범위 : 박스 포장 작업

반품/교환 안내

※ 상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내
반품/교환 방법	마이페이지 > 반품/교환 신청 및 조회, 1:1 문의, 고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태)
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리

최근 본 (0)

예스이십사(주): 대표 : 김석환, 최세라 주소 : 서울시 영등포구 은행로 11, 5층~6층(여의도동,일신빌딩) 사업자등록번호 : 229-81-37000 통신판매업신고 : 제 2005-02682호 사업자 정보확인 이메일 : yes24help@yes24.com 호스팅 서비스사업자 : 예스이십사(주)
Copyright ⓒ YES24 Corp. All Rights Reserved.

고객문의

도서/음반 1544-3800

중고샵 1566-4295

티켓예매 1544-6399

eBook 1:1 문의
1:1 문의하기 자주 묻는 질문 상담시간 안내

소비자피해보상보험 서울보증보험: 고객님은 안전거래를 위해 현금 등으로 결제 시 저희 쇼핑몰에서 가입한 구매안전서비스를 이용하실 수 있습니다. 서비스가입사실 확인

EQUUS6

YES24 카테고리 리스트

YES24 유틸메뉴

어깨배너

빠른분야찾기

머신 러닝 교과서: 파이토치 편

탄탄한 이론과 다양한 예제로 배우는 머신 러닝/딥러닝 실전 가이드

머신 러닝 교과서: 파이토치 편

출판사 추천

품목정보

관련분류

이 상품의 이벤트 (8개)

책소개

목차

상세 이미지

저자 소개 (4명)

만든 이 코멘트

책 속으로

출판사 리뷰

추천평

회원리뷰 (5건)

한줄평 (2건)

배송/반품/교환 안내

도착예상일

도착예상일
상품준비	출고완료	도착예상일