인공지능 분야에서 딥 러닝 기술의 발전은 지난 60여년 간 이루어져 왔던 인공지능의 업적을 단숨에 뛰어넘을 만큼 놀라운 성공을 거두었습니다. 이러한 딥 러닝 성공의 원천은 바로 수십 년간 이루어진 머신러닝의 기초 이론들 때문입니다. 따라서, 머신러닝의 기초 이론을 모르고는 딥 러닝의 심도 있는 내용을 안다고 할 수 없습니다. 최근에 출판되는 머신러닝과 딥 러닝 교재들은 깊이 있는 이론 보다는 단순한 머신러닝의 이론과 딥 러닝 기법을 프로그램하는 방법을 가르쳐 주기 위한 학습서가 대부분입니다. 따라서, 그러한 기초 교재로 공부를 했더라도 좀 더 깊이 있는 이론을 공부하고 싶은 학생 또는 연구자라면 이 책으로 공부해 보기를 권합니다.
이 책은 2019년에 출판된 1판을 개정하여 1년만에 2판으로 새롭게 출판되었으며 기본적인 베이지안 네트워크 군집화, 앙상블 알고리즘, 신경망 모델과 같은 전통적인 머신러닝 기법에서 대립 생성 네트워크, 심층 신뢰 네트워크, 강화학습 등 최근 딥 러닝 이론까지 폭넓게 다루고 있습니다. 또한, 이론으로 배운 내용을 실습으로 복습할 수 있도록 친절히 코드를 제공하고 있습니다.
시간이 많은 독자라면 이 책을 처음부터 끝까지 차근차근 공부해 보기를 권합니다. 하지만 일부의 내용만 참고하고 싶은 독자라면 굳이 모든 내용을 보지 않아도 되며 필요한 알고리즘을 먼저 공부하고 나머지 알고리즘들은 그때그때 공부해 보기 바랍니다. 중요한 것은 흥미를 잃지 말고 꾸준하게 공부하는 것입니다.
이 책은 누구를 위한 것인가
이 책은 복잡한 머신러닝 알고리즘, 모델 캘리브레이션 calibration을 다루고, 학습된 모델의 성능을 향상시키고자 하는 데이터 사이언스 전문가 및 머신러닝 엔지니어들을 위한 이론적 및 실질적인 콘텐츠들을 제공한다. 이 책에서 제공되는 숙련된 가이드를 최대한 활용하려면 기본적인 머신러닝에 대한 탄탄한 지식이 필요하며, 일부 주제들의 복잡성을 다루기 위해서는 고급 수학적 배경이 요구된다.
CHAPTER 01 머신러닝 모델 기초
CHAPTER 02 손실 함수와 규격화
CHAPTER 03 준지도 학습 소개
CHAPTER 04 고급 준지도 학습
CHAPTER 05 그래프 기반 준지도 학습
CHAPTER 06 군집화와 비지도 모델
CHAPTER 07 고급 군집화와 비지도 모델
CHAPTER 08 마케팅을 위한 군집화와 비지도 모델
CHAPTER 09 일반화 선형 모델 및 회귀
CHAPTER 10 시계열 분석 소개
CHAPTER 11 베이지안 네트워크와 은닉 마르코프 모델
CHAPTER 12 EM알고리즘
CHAPTER 13 성분 분석과 차원 축소
CHAPTER 14 Hebbian 학습
CHAPTER 15 앙상블 학습의 기초
CHAPTER 16 고급 부스팅 알고리즘
CHAPTER 17 신경망 모델링
CHAPTER 18 신경망 최적화
CHAPTER 19 심층 컨벌루션 네트워크
CHAPTER 20 순환 신경망
CHAPTER 21 오토인코더
CHAPTER 22 대립 생성 네트워크 소개
CHAPTER 23 심층 신뢰 네트워크
CHAPTER 24 강화 학습 소개
CHAPTER 25 고급 정책 추정 알고리즘