<b>Chapter 01 나의 첫 머신러닝 ▶?이 생선의 이름은 무엇인가요?</b></br>__ 01-1 인공지능과 머신러닝, 딥러닝 ▶? 인공지능과 머신러닝, 딥러닝은 무엇일까요?</br>____ 인공지능이란</br>____ 머신러닝이란</br>____ 딥러닝이란</br>____ 키워드로 끝내는 핵심 포인트</br>____ 이 책에서 배울 것은</br>__ 01-2 코랩과 주피터 노트북 ▶?코랩과 주피터 노트북으로 손코딩 준비하기</br>____ 구글 코랩</br>____ 텍스트 셀</br>____ 코드 셀</br>____ 노트북</br>____ 키워드로 끝내는 핵심 포인트</br>____ 표로 정리하는 툴바와 마크다운</br>____ 확인 문제</br>__ 01-3 마켓과 머신러닝 ▶?마켓을 예로 들어 머신러닝을 설명합니다.</br>____ 생선 분류 문제</br>____ 첫 번째 머신러닝 프로그램</br>____ [문제해결 과정] 도미와 빙어 분류</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 02 데이터 다루기 ▶?수상한 생선을 조심하라!</b></br>__ 02-1 훈련 세트와 테스트 세트 ▶? 모델을 훈련 시키는 훈련 세트와 검증하는 테스트 세트로 나누어 학습하기 </br>____ 지도 학습과 비지도 학습</br>____ 훈련 세트와 테스트 세트</br>____ 샘플링 편향</br>____ 넘파이</br>____ 두 번째 머신러닝 프로그램</br>____ [문제해결 과정] 훈련 모델 평가</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 02-2 데이터 전처리 ▶?정교한 결과 도출을 위한 데이터 전처리 알아보기</br>____ 넘파이로 데이터 준비하기</br>____ 사이킷런으로 훈련 세트와 테스트 세트 나누기</br>____ 수상한 도미 한 마리</br>____ 기준을 맞춰라</br>____ 전처리 데이터로 모델 훈련하기</br>____ [문제해결 과정] 스케일이 다른 특성 처리</br>____ 키워드로 끝나는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 03 회귀 알고리즘과 모델 규제 ▶?농어의 무게를 예측하라!</b></br>__ 03-1 k-최근접 이웃 회귀 ▶?회귀 문제를 이해하고 k-최근접 이웃 알고리즘으로 풀어 보기</br>____ k-최근접 이웃 회귀</br>____ 데이터 준비</br>____ 결정계수(R2)</br>____ 과대적합 vs 과소적합</br>____ [문제해결 과정] 회귀 문제 다루기</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 03-2 선형 회귀 ▶? 사이킷런으로 선형 회귀 모델 만들어 보기</br>____ k-최근접 이웃의 한계 </br>____ 선형 회귀</br>____ 다항 회귀</br>____ [문제해결 과정] 선형 회귀로 훈련 세트 범위 밖의 샘플 예측</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 03-3 특성 공학과 규제 ▶?특성 공학과 규제 알아보기</br>____ 다중 회귀</br>____ 데이터 준비</br>____ 사이킷런의 변환기</br>____ 다중 회귀 모델 훈련하기</br>____ 규제</br>____ 릿지 회귀</br>____ 라쏘 회귀</br>____ [문제해결 과정] 모델의 과대적합을 제어하기</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 04 다양한 분류 알고리즘 ▶?럭키백의 확률을 계산하라!</b></br>__ 04-1 로지스틱 회귀 ▶?로지스틱 회귀 알고리즘을 배우고 이진 분류 문제에서 클래스 확률 예측하기 </br>____ 럭키백의 확률</br>____ 로지스틱 회귀</br>____ [문제해결 과정] 로지스틱 회귀로 확률 예측</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 04-2 확률적 경사 하강법 ▶?경사 하강법 알고리즘을 이해하고 대량의 데이터에서 분류 모델을 훈련하기</br>____ 점진적인 학습</br>____ SGDClassifier</br>____ 에포크와 과대/과소적합</br>____ [문제해결 과정] 점진적 학습을 위한 확률적 경사 하강법</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 05 트리 알고리즘 ▶?화이트 와인을 찾아라!</b></br>__ 05-1 결정 트리 ▶?결정 트리 알고리즘을 사용해 새로운 분류 문제 다루기</br>____ 로지스틱 회귀로 와인 분류하기</br>____ 결정 트리</br>____ [문제해결 과정] 이해하기 쉬운 결정 트리 모델 </br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 05-2 교차 검증과 그리드 서치 ▶?검증 세트가 필요한 이유를 이해하고 교차 검증해 보기</br>____ 검증 세트</br>____ 교차 검증</br>____ 하이퍼파라미터 튜닝</br>____ [문제해결 과정] 최적의 모델을 위한 하이퍼파라미터 탐색</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 05-3 트리의 앙상블 ▶? 앙상블 학습을 알고 실습해 보기</br>____ 정형 데이터와 비정형 데이터</br>____ 랜덤 포레스트</br>____ 엑스트라 트리</br>____ 그레이디언트 부스팅</br>____ 히스토그램 기반 그레이디언트 부스팅</br>____ [문제해결 과정] 앙상블 학습을 통한 성능 향상</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 06 비지도 학습 ▶?비슷한 과일끼리 모으자!</b></br>__ 06-1 군집 알고리즘 ▶? 흑백 이미지 분류 방법과 비지도 학습, 군집 알고리즘 이해하기</br>____ 과일 사진 데이터 준비하기</br>____ 픽셀값 분석하기</br>____ 평균값과 가까운 사진 고르기</br>____ [문제해결 과정] 비슷한 샘플끼리 모으기</br>____ 키워드로 끝내는 핵심 포인트</br>____ 확인 문제</br>__ 06-2 k-평균 ▶?k-평균 알고리즘 작동 방식을 이해하고 비지도 학습 모델 만들기</br>____ k-평균 알고리즘 소개</br>____ KMeans 클래스</br>____ 클러스터 중심</br>____ 최적의 k 찾기</br>____ [문제해결 과정] 과일을 자동으로 분류하기</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 06-3 주성분 분석 ▶?차원을 알고 차원 축소 알고리즘 PC 모델 만들기 </br>____ 차원과 차원 축소</br>____ 주성분 분석 소개</br>____ PCA 클래스</br>____ 원본 데이터 재구성</br>____ 설명된 분산</br>____ 다른 알고리즘과 함께 사용하기</br>____ [문제해결 과정] 주성분 분석으로 차원 축소</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 07 딥러닝을 시작합니다 ▶?패션 럭키백을 판매합니다!</b></br>__ 07-1 인공 신경망 ▶? 텐서플로로 간단한 인공 신경망 모델 만들기</br>____ 패션 MNIST</br>____ 로지스틱 회귀로 패션 아이템 분류하기</br>____ 인공 신경망</br>____ 인공 신경망으로 모델 만들기</br>____ 인공 신경망으로 패션 아이템 분류하기</br>____ [문제해결 과정] 인공 신경망 모델로 성능 향상</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 07-2 심층 신경망 ▶?인공 신경망에 층을 추가하여 심층 신경망 만들어 보기</br>____ 2개의 층</br>____ 심층 신경망 만들기</br>____ 층을 추가하는 다른 방법</br>____ 렐루 활성화 함수</br>____ 옵티마이저</br>____ [문제해결 과정] 케라스 API를 활용한 심층 신경망</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 07-3 신경망 모델 훈련 ▶?인경 신경망 모델 훈련의 모범 사례 학습하기 </br>____ 손실 곡선</br>____ 검증 손실</br>____ 드롭아웃</br>____ 모델 저장과 복원</br>____ 콜백</br>____ [문제해결 과정] 최상의 신경망 모델 얻기</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 08 이미지를 위한 인공 신경망 ▶?패션 럭키백의 정확도를 높입니다!</b></br>__ 08-1 합성곱 신경망의 구성 요소 ▶?합성곱 신경망의 개념과 동작 원리를 배우고 간단한 실습하기 </br>____ 합성곱</br>____ 케라스 합성곱 층</br>____ 합성곱 신경망의 전체 구조</br>____ [문제해결 과정] 합성곱 층과 풀링 층 이해하기</br>____ 키워드로 끝내는 핵심 포인트</br>____ 확인 문제</br>__ 08-2 합성곱 신경망을 사용한 이미지 분류 ▶?케라스 API로 합성곱 신경망 모델 만들기 </br>____ 패션 MNIST 데이터 불러오기</br>____ 합성곱 신경망 만들기</br>____ 모델 컴파일과 훈련</br>____ [문제해결 과정] 케라스 API로 합성곱 신경망 구현</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 08-3 합성곱 신경망의 시각화 ▶?신경망이 이미지에서 학습하는 게 무엇인지 이해하기</br>____ 가중치 시각화</br>____ 함수형 API</br>____ 특성 맵 시각화</br>____ [문제해결 과정]</br>____ 시각화로 이해하는 합성곱 신경망</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br><b>Chapter 09 텍스트를 위한 인공 신경망 ▶?한빛 마켓의 댓글을 분석하라!</b></br>__ 09-1 순차 데이터와 순환 신경망 ▶?순차 데이터의 특징과 개념 이해하기 </br>____ 순차 데이터 </br>____ 순환 신경망</br>____ 셀의 가중치와 입출력</br>____ [문제해결 과정] 순환 신경망으로 순환 데이터 처리</br>____ 키워드로 끝내는 핵심 포인트</br>____ 확인 문제</br>__ 09-2 순환 신경망으로 IMDB 리뷰 분류하기 ▶?텐서플로 순환 신경망으로 영화 리뷰 분류하기 </br>____ IMDB 리뷰 데이터셋</br>____ 순환 신경망 만들기</br>____ 순환 신경망 훈련하기</br>____ 단어 임베딩을 사용하기</br>____ [문제해결 과정] 케라스 API로 순환 신경망 구현</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br>__ 09-3 LSTM과 GRU 셀 ▶?순환 신경망의 중요 기술을 사용해 모델 만들어 보기</br>____ LSTM 구조</br>____ LSTM 신경망 훈련하기</br>____ 순환층에 드롭아웃 적용하기</br>____ 2개의 층을 연결하기</br>____ GRU 구조</br>____ GRU 신경망 훈련하기</br>____ [문제해결 과정] LSTM과 GRU 셀로 훈련</br>____ 키워드로 끝내는 핵심 포인트</br>____ 핵심 패키지와 함수</br>____ 확인 문제</br></br>__ 부록 A 한발 더 나아가기</br>__ 부록 B 에필로그</br></br>____ 정답 및 해설</br>____ 찾아보기</br>

누구를 위한 책인가요?
- 인공지능, 머신러닝, 딥러닝 학습의 필요성을 인지하고 파이썬 정도의 기초 프로그래밍 언어를 입문한 독자
- 머신러닝, 딥러닝에 관심은 있지만 너무 어려운 내용으로 시도가 힘들었던 독자
- 개념만 어렴풋이 아는 데 그쳐버리거나 여전히 각 의미가 헷갈려 제대로 낮은 단계부터 다시 배우려는 독자

도서 특징

하나, 탄탄한 학습 설계 : ‘입문자 맞춤형 7단계 구성’을 따라가며 체계적으로 반복 학습한다
이 책은 머신러닝과 딥러닝의 핵심 내용을 7단계에 걸쳐 반복 학습하면서 자연스럽게 머릿속에 기억되도록 구성했다. 모든 절에서 [핵심 키워드]와 [시작하기 전에]를 통해 각 절의 주제에 대한 대표 개념을 워밍업한 후, 이론과 실습을 거쳐 마무리에서는 [핵심 포인트]와 [확인 문제]로 한번에 복습한다. ‘혼자 공부할 수 있는’ 커리큘럼을 그대로 믿고 끝까지 따라가다 보면 인공지능 공부가 난생 처음인 입문자도 무리 없이 책을 끝까지 마칠 수 있다!

둘, 파이썬만 안다면 프로젝트별 ‘손코딩’으로 머신러닝과 인공지능을 제대로 익힌다
파이썬 기초 지식이 있는 독자라면 이론 설명은 두 눈과 머리로 술술 읽으며 넘어가고, 직접 손코딩하며 실전 감각을 익히도록 엄선된 프로젝트 실습 예제를 담았다. 반복 학습과 연습이 가장 필수적인 입문자도, 실전형 코드로 연습하면서 책에 담긴 코드를 ‘나의 코드’로 만들 수 있다. 7장부터 시작하는 딥러닝은 머신러닝 중 4장 내용을 반복 학습한 다음에 익히도록 한다.

셋, ‘혼공’의 힘을 실어줄 동영상 강의, 학습 사이트 지원
http://hongong.hanbit.co.kr
책으로만 학습하기엔 여전히 어려운 입문자를 위해 저자 직강 동영상도 지원한다. 또 학습을 하며 궁금한 사항은 언제든 질문할 수 있도록 학습 사이트를 제공한다. 저자가 질문 하나하나 직접 답변하고 있으며, 관련 최신 기술과 정보도 공유한다. 게다가 혼자 공부하는 그 길에 함께 공부하기를 원하는 사람들의 모임인 혼공 학습단을 운영하여 마지막까지 포기하지 않고 독자가 완주할 수 있도록 최대한 지원하고 있다.

넷, 언제 어디서든 가볍게 볼 수 있는 혼공 필수 [용어 노트] 제공
꼭 기억해야 할 핵심 개념과 용어만 따로 정리한 [용어 노트]를 제공한다. 처음 프로그래밍에 입문하는 사람에게 낯선 용어가 어렵듯이 머신러닝과 딥러닝을 처음 접하는 사람에게도 낯선 용어가 진입 장벽이 된다는 것을 베타리더를 통해 확인했고, 어려운 것이 아니라 익숙하지 않아서 헷갈리는 것이므로 잘 생각나지 않을 때는 언제든 부담 없이 펼쳐보자. 제시된 용어 외에도 새로운 용어를 추가하면서 자신만의 용어 노트를 완성해가는 것도 또 다른 재미가 될 것이다.

다섯, 스토리텔링 속 주인공과 함께 독자도 성장
낯설고 어렵기만 한 이론을 풀기 위해서 한빛 마켓에 입사한 신입사원이 업무에서 머신러닝, 딥러닝을 어떻게 활용하는지를 스토리텔링으로 풀었다. 앱에 새로운 기능을 더해가는 신입사원의 이야기를 통해 독자도 함께 머신러닝, 딥러닝을 학습할 수 있도록 구성했다. 각 절의 끝에는 [문제해결 과정]을 두어 신입사원이 어떤 과정을 통해 문제를 해결했는지 간략하게 정리한다.

먼저 읽은 베타리더들의 한 마디
- 이 책 하나만 있어도 충분히 인공지능 기초를 다질 수 있다고 자신있게 얘기할 수 있습니다. _이동훈 님
- 기초 개념과 핵심 키워드, 복습을 도와주는 마무리, 확인 문제 등 내용이 알차서 머신러닝과 딥러닝을 처음 시작하는 입문자에게 많은 도움이 될 것 같아 추천합니다. _이석곤 님
- 책 속의 주인공이 문제를 해결하며 머신러닝 개발자로 성장하는 과정을 통해 머신러닝을 어떻게 활용할지 자연스럽게 습득할 수 있습니다. _김윤태 님
- 컴퓨터 설정부터 차근차근 알려주는 책이라 좋았습니다. 의료나 산업, 경영 등에도 접목할 수 있으리라 기대합니다. _김현수 님
- 일상 비즈니스를 사례로 들고 쉬운 알고리즘을 활용해 머신러닝의 개념을 익힐 수 있습니다. 코랩을 활용한 덕에 초보자에게 진입 장벽을 낮춰줍니다. _허민 님
- “조금 더 공부하고 싶다”란 생각을 가질 수 있게 해준 책이라 더욱 고맙게 느껴집니다. _도혜리 님
- 이론을 충실하게 설명하면서도 이론을 체감할 수 있는 코드의 배치도 아주 절묘합니다. 독학으로 딥러닝 실무를 익히기 위한 책을 한 권만 고르라면 이 책이지 않을까요? _ 임지순 님