목차정보
|
서명 : 데싸노트의 실전에서 통하는 머신러닝 : 실무와 캐글에서 통하는 top 10 알고리즘으로 시작하라 : 피처 엔지니어링 + top 10 알고리즘 + 실무 노하우로 익히는 실무형 문제풀이 해법서 00장 실습 환경 안내(코랩) 1단계 : 배경지식 익히기 01장 한눈에 살펴보는 머신러닝 __1.1 인공지능, 머신러닝, 딥러닝 __1.2 머신러닝 기법 : 지도 학습, 비지도 학습, 강화 학습 __1.3 머신러닝 프로세스 __1.4 TOP 10 알고리즘의 성능 비교 __1.5 머신러닝 핵심 라이브러리 __1.6 데이터 시각화 그래프 종류 __1.7 피처 엔지니어링 기법 __1.8 변수란 무엇인가? 학습 마무리 02장 파이썬 기초 익히기 __2.1 프로그래밍 기본 : 산술 연산, 변수, 출력 __2.2 자료형과 자료구조 __2.3 반복문 : for문, while문 __2.4 조건문 : if문 __2.5 파이썬 내장 함수 __2.6 나만의 함수 만들기 : def 학습 마무리 03장 유용한 라이브러리 : 판다스와 넘파이 __3.1 판다스 __3.2 넘파이 학습 마무리 2단계 : 답을 알려줘야 학습하는 머신러닝 지도학습 알고리즘 04장 선형 회귀 : 보험료 예측하기 __4.1 문제 정의 : 한눈에 보는 예측 목표 __4.2 라이브러리 및 데이터 불러오기 __4.3 데이터 확인하기 __4.4 전처리 : 학습셋과 시험셋 나누기 __4.5 모델링 __4.6 모델을 활용해 예측하기 __4.7 예측 모델 평가하기 __4.8 이해하기 : 선형 회귀 학습 마무리 연습 문제 05장 로지스틱 회귀 : 타이타닉 생존자 예측하기 __5.1 문제 정의 : 한눈에 보는 예측 목표 __5.2 라이브러리 및 데이터 불러오기 __5.3 데이터 확인하기 __5.4 전처리 : 범주형 변수 변환하기(더미 변수와 원-핫 인코딩) __5.5 모델링 및 예측하기 __5.6 예측 모델 평가하기 __5.7 이해하기 : 피처 엔지니어링 __5.8 이해하기 : 로지스틱 회귀 학습 마무리 연습 문제 06장 K-최근접 이웃(KNN) : 와인 등급 예측하기 __6.1 문제 정의 : 한눈에 보는 예측 목표 __6.2 라이브러리 및 데이터 불러오기 __6.3 데이터 확인하기 __6.4 목푯값에서 고윳값 확인하기 __6.5 전처리 : 결측치 처리하기 __6.6 스케일링 __6.7 모델링 및 예측/평가하기 __6.8 하이퍼파라미터 튜닝하기 __6.9 이해하기 : K-최근접 이웃 학습 마무리 연습 문제 07장 나이브 베이즈 : 스팸 여부 판단하기 __7.1 문제 정의 : 한눈에 보는 예측 목표 __7.2 라이브러리 및 데이터 불러오기 & 데이터 확인 __7.3 전처리 : 특수 기호 제거하기 __7.4 전처리 : 불용어 제거하기 __7.5 전처리 : 목표 컬럼 형태 변경하기 __7.6 전처리 : 카운트 기반으로 벡터화하기 __7.7 모델링 및 예측/평가하기 __7.8 이해하기 : 나이브 베이즈 모델 학습 마무리 연습 문제 08장 결정 트리 : 연봉 예측하기 __8.1 문제 정의 : 한눈에 보는 예측 목표 __8.2 라이브러리 및 데이터 불러오기, 데이터 확인하기 __8.3 전처리 : 범주형 데이터 __8.4 전처리 : 결측치 처리 및 더미 변수 변환 __8.5 모델링 및 평가하기 __8.6 이해하기 : 결정 트리 __8.7 오버피팅 문제 __8.8 매개변수 튜닝 __8.9 트리 그래프 학습 마무리 연습 문제 09장 랜덤 포레스트 : 중고차 가격 예측하기 __9.1 문제 정의 : 한눈에 보는 예측 목표 __9.2 라이브러리 및 데이터 불러오기, 데이터 확인하기 __9.3 전처리 : 텍스트 데이터 __9.4 전처리 : 결측치 처리와 더미 변수 변환 __9.5 모델링 및 평가하기 __9.6 이해하기 : K-폴드 교차검증 __9.7 이해하기 : 랜덤 포레스트 __9.8 하이퍼파라미터 튜닝 학습 마무리 연습 문제 10장 XGBoost : 커플 성사 여부 예측하기 __10.1 문제 정의 : 한눈에 보는 예측 목표 __10.2 라이브러리 및 데이터 불러오기, 데이터 확인하기 __10.3 전처리 : 결측치 처리 __10.4 전처리 : 피처 엔지니어링 __10.5 모델링 및 평가 __10.6 이해하기 : 경사하강법 __10.7 하이퍼파라미터 튜닝 : 그리드 서치 __10.8 중요 변수 확인 __10.9 이해하기 : XGBoost 학습 마무리 연습 문제 11장 LightGBM : 이상거래 예측하기 __11.1 문제 정의 : 한눈에 보는 예측 목표 __11.2 라이브러리 및 데이터 불러오기, 데이터 확인하기 __11.3 전처리 : 데이터 클리닝 __11.4 전처리 : 피처 엔지니어링 __11.5 모델링 및 평가하기 __11.6 하이퍼파라미터 튜닝 : 랜덤 그리드 서치 __11.7 LightGBM의 train( ) 함수 사용하기 __11.8 이해하기 : LightGBM 학습 마무리 연습 문제 3단계 : 답을 스스로 찾는 비지도학습 알고리즘 12장 K-평균 군집화 : 비슷한 속성끼리 분류하기 __12.1 문제 정의 : 한눈에 보는 예측 목표 __12.2 K-평균 군집화 맛보기 : 인위적으로 만든 데이터셋 __12.3 데이터 불러오기 및 데이터 확인하기 : 고객 데이터셋 __12.4 전처리 : 피처 엔지니어링 __12.5 고객 데이터 모델링 및 실루엣 계수 __12.6 최종 예측 모델 및 결과 해석 __12.7 이해하기 : K-평균 군집화 학습 마무리 연습 문제 13장 주성분 분석(PCA) : 차원 축소 응용하기 __13.1 차원을 축소해서 그래프 그리기 : 고객 데이터셋 __13.2 속도와 예측력을 향상시키기 : 익명 데이터셋 __13.3 이해하기 : 주성분 분석 학습 마무리 연습 문제 |
