머신 러닝, 딥러닝이라는 단어가 하루에도 여러 번 뉴스에 나올 만큼 대중적인 단어가 됐다. 그럼에도 아직 딥러닝을 대중적으로 사용하기에는 전산 및 이론이라는 장벽이 존재한다. 이 책은 통계 언어로 알려진 R을 통해 복잡한 이론에만 치중하지 않고, 실제 데이터에 모델을 적용해 봄으로써 딥러닝 이론을 더욱 쉽게 이해할 수 있도록 설명한다. 이미 개발된 여러 신경망 및 딥러닝 R 패키지의 사용법을 소개해 '전산'이라는 큰 장벽을 극복할 수 있도록 돕는다.

[목 차]

1장. 딥러닝 시작
__딥러닝이란?
____신경망의 개념
____심층 신경망
__딥러닝 관련 R 패키지
____결과 재현을 위한 환경 설정
____신경망
____deepnet 패키지
____darch 패키지
____H2O 패키지
__R과 H2O 연결
____H2O 초기화
____H2O 클러스터로 데이터셋 연결
__요약


2장. 예측 모델 학습
__R에서의 신경망
____신경망 구축
____신경망에서 예측 값 생성
__과적합 데이터 문제: 결과 설명
__사용 사례: 신경망 구축과 적용
__요약


3장. 과적합 방지
__L1 페널티
____L1 페널티 활용
__L2 페널티
____L2 페널티 활용
____가중치 감쇠(신경망에서 L2 페널티)
__앙상블과 모델 평균
__사용 사례: 드롭아웃을 통한 표본 집단 모델 성능 향상
__요약


4장. 이상 데이터 식별
__비지도 학습 시작
__오토인코더의 동작 원리
____오토인코더 정규화
______오토인코더에 페널티 지정
______노이즈 제거 오토 인코더
__R에서 오토인코더 학습
__사용 사례: 오토인코더 모델 구축과 적용
__튜닝을 통한 오토인코더 성능 향상
__요약


5장. 딥러닝 모델 학습
__심층 피드포워드 신경망 시작
__일반 활성화 함수: rectifiers, hyperbolic tangent, maxout
__초매개변수 선택
__심층 신경망에서 새로운 데이터 예측과 학습
__사용 사례: 자동 분류를 위한 심층 신경망 학습
____모델 결과 활용
__요약


6장. 모델 튜닝과 최적화
__결측 데이터 다루기
__낮은 정확도를 가진 모델 문제 해결
____그리드 검색
____랜덤 검색
__요약

★ 이 책에서 다루는 내용 ★

■ 딥러닝 모델 학습을 위한 R 패키지 H2O 설정 방법
■ 딥러닝 모델의 핵심 개념 이해
■ 오토인코더로 이상 데이터와 이상치의 탐지 방법
■ 심층 신경망을 이용한 자동 데이터 예측/판별 방법
■ 과적합 방지를 위해 정규화를 사용한 일반화된 모델 구성 방법

★ 이 책의 대상 독자 ★

R을 사용한 머신 러닝 사용에 익숙하며, R 패키지를 통해 딥러닝 패러다임에 대해 알고 싶은 독자를 대상으로 한다. 기본적인 R 문법 및 통계적인 알고리즘, 그리고 머신 러닝에 대해 익숙해야 한다. 하지만 딥러닝 개념에 대해서 잘 알 필요는 없다.

★ 이 책의 구성 ★

1장, '딥러닝 시작'에서는 컴퓨터나 서버에 R의 H2O패키지를 설치하고 환경을 설정하는 방법을 다루며, 딥러닝과 관련된 기본적인 개념을 다룬다.
2장, '예측 모델 학습'에서는 간단한 비지도 신경망 예측 모델을 구축하는 방법을 다룬다.
3장, '과적합 방지'에서는 비지도 데이터에서 정규화라고 불리는 일반화 가능성을 개선하기 위해 데이터 과적합을 방지하는 모델을 사용할 수 있는 다양한 방법을 다룬다.
4장, '이상 데이터 식별'에서는 비지도 딥러닝을 활용해 사기 행위나 이상치를 식별하는 방법을 다룬다.
5장, 심층 예측 모델 학습'에서는 심층 신경망을 학습시키는 방법과 이미지 인식 같은 예측 및 판별 문제를 해결하는 방법을 다룬다.
6장, '모델 튜닝과 최적화'에서는 모델 튜닝 매개변수를 통해 딥러닝 모델의 성능과 정확도를 향상시키고 최적화하는 방법을 다룬다.

★ 지은이의 말 ★

이 책은 딥러닝 모델 및 심층 신경망을 R언어와 환경에서 학습하는 방법을 다룬다. 이론에 관한 내용은 깊게 다루지 않지만, 심층 신경망에 대한 기본적인 지식과 배경, 그리고 결과를 이해할 수 있도록 돕는다. 또한 심층 신경망의 학습, 초매개변수(hyperparameter)의 최적화, 모델의 사용 및 예측을 할 수 있는 R 패키지들을 소개한다. 딥러닝의 핵심 부분을 설명하고 실제 데이터 및 예제로 독자들이 쉽게 이해할 수 있게 썼다.

★ 옮긴이의 말★

머신 러닝, 딥러닝이라는 단어가 하루에도 여러 번 신문기사 및 뉴스에 나온다. 과거 특정 연구원 이외에는 사용되지 않았던 용어가 이렇게 대중적인 단어가 됐다는 데 대해 세상이 정말 변화하고 있음을 느낀다. 하지만 아직 딥러닝을 여러 사람이 사용하기에는 전산 및 이론이라는 장벽이 존재한다. 이 책은 통계 언어로 알려진 R을 통해 딥러닝 이론을 좀 더 쉽게 이해할 수 있게 설명해준다. 이미 개발된 여러 신경망 및 딥러닝 R 패키지의 사용법을 통해 전산이라는 장벽을 극복할 수 있게 도와준다.
기본 신경망 이론부터 오토인코더(Auto-encoder), 심층 신경망까지 딥러닝에서 사용되는 기본적인 모델들을 다루고 있기에, 딥러닝을 처음 접하는 독자들에게도 좋은 입문서가 될 수 있을 것이라 확신한다.
이론 이해와 모델 구현을 통해 그동안 발견하지 못했던 데이터들의 가치를 찾기를 기대해본다.

조슈아와일리
호주 모내시대학교 강사이자 엘크하트 그룹 통계 컨설팅 , 부서의 시니어 파트너다. UCLA에서 박사 학위를 취득했고, 연구 분야는 심리, 신체 건강과 관계된 심리학, 사회학, 생리학 간에 복잡한 상호 관계를 고급 수리 기법을 이용해 이해하는 것이다. 통계학과 데이터 사이언스 분야에서 생물 통계, 재현 가능한 연구, 데이터 및 통계 방법의 시각화에 대해 연구하고 있다. 엘크하트 그룹과 UCLA에서의 통계 컨설팅을 통해 다양한 고객 및 생물 통계 분야의 연구자들을 도와왔다. 여러 R 패키지를 개발하거나 공동으로 개발했다. 개발한 R 패키지로는 베이지언 스케일 로케이션 구조 방정식 모델 패키지인 varian 패키지와, R과 Mplus 소프트웨어를 연결시켜주는 MplusAutomation 패키지가 있다.


옮긴이 김석우
데이터를 사랑하고 가치를 발견하는 것을 좋아하는 데이터 사이언티스트다. 현재 실리콘밸리에서 데이터 사이언티스트로 근무 중이며, 머신 러닝 및 통계 모델을 통해 데이터에서 숨겨진 의미를 찾아내는 업무를 수행하고 있다.
『R과 만나는 금융공학 - 기본편』(에이콘, 2016), 『Think Stats: 프로그래머를 위한 통계 및 데이터 분석 방법』(한빛미디어, 2013)을 번역했다.