지도 학습의 이론과 실습

지도 학습, 분류, 회귀, 알고리즘, 데이터셋, 과적합, 교차검증, 특징 선택, 성능 평가, 머신러닝, 딥러닝, K-최근접 이웃, 결정 트리, 랜덤 포레스트, 서포트 벡터 머신, 로지스틱 회귀, 신경망, 하이퍼파라미터,

씨익북스 편집부 지음

씨익북스 2025년 01월 30일 출간

작품소개

책소개

"지도 학습의 이론과 실습"은 머신러닝과 딥러닝의 핵심 개념을 다루는 포괄적인 안내서입니다. 이 책은 지도 학습의 기본 원리부터 시작하여 분류와 회귀 문제를 해결하는 다양한 알고리즘을 소개합니다. K-최근접 이웃, 결정 트리, 랜덤 포레스트, 서포트 벡터 머신, 로지스틱 회귀, 신경망 등 주요 알고리즘의 작동 원리와 구현 방법을 상세히 설명합니다. 또한, 데이터셋 준비, 과적합 방지, 교차검증, 특징 선택, 성능 평가 등 실무에서의 적용 방법을 다루며, 하이퍼파라미터 튜닝을 통해 모델 성능을 최적화하는 방법도 제시합니다. 이 책은 이론과 실습을 균형 있게 구성하여, 독자가 실제 프로젝트에 적용할 수 있는 실질적인 지식을 제공합니다.

목차

"지도 학습의 기초 이해
지도 학습의 정의와 중요성
지도 학습과 비지도 학습의 차이
분류 문제와 회귀 문제의 구분
주요 알고리즘 개요
K-최근접 이웃 알고리즘
결정 트리의 원리와 활용
랜덤 포레스트의 장점과 단점
서포트 벡터 머신(SVM) 이해하기
로지스틱 회귀의 이론과 응용
신경망의 기초 개념
하이퍼파라미터 튜닝의 중요성
과적합이란 무엇인가
교차검증의 필요성과 방법
특징 선택의 기법과 장점
성능 평가 지표의 이해
정확도, 정밀도, 재현율의 차이
F1 점수와 ROC 곡선
혼동 행렬의 해석
데이터셋 준비 과정
훈련 데이터와 테스트 데이터의 분리
데이터 전처리의 중요성
표준화와 정규화의 차이
결측치 처리 방법
이상치 탐지와 처리
모델 선택 기준
모델의 일반화 능력
앙상블 학습의 개념
모델 성능 향상을 위한 기법
딥러닝과 지도 학습의 관계
전이 학습의 활용
클래스 불균형 문제 해결하기
특징 공학의 기법
자동화된 머신러닝(AutoML)
딥러닝의 주요 아키텍처
CNN과 RNN의 차이
하이퍼파라미터 조정 기법
Grid Search와 Random Search
모델 배포 및 운영
실제 사례 연구: 분류 문제
실제 사례 연구: 회귀 문제
산업별 머신러닝 활용 사례
윤리적 고려사항과 데이터 사용
미래의 지도 학습 기술
머신러닝 커뮤니티와 자원
실습을 위한 필수 라이브러리
Python으로 시작하는 머신러닝
R을 이용한 데이터 분석
Jupyter Notebook의 활용
데이터 시각화 기법
모델 디버깅 및 개선 방법
모델 해석의 중요성
지도 학습의 최신 동향
머신러닝의 한계와 도전 과제"

작가정보

저자(글) 씨익북스 편집부

"세상을 아름다운 지식으로 물들이자" 위 모토를 바탕으로 다양한 지식 서적을 보급하고 있다.