『The Hundred-Page Machine Learning Book』은 머신 러닝에 관련된 기초 수학 정의와 선형 회귀, 로지스틱 회귀, SVM을 기초 신경망부터 CNN, RNN에 이르는 주제를 담은 책으로, 1960년대의 초창기 기술부터 지금까지 나온 머신 러닝 기법 중에서 실전에서 유용하면서 머신 러닝 입문자가 기초를 다지는 데 딱 필요한 만큼 설명하는 책이다. 본서는 프로젝트 초반에 주어지는 문제를 머신 러닝으로 해결할 수 있는지 알아보고, 어떤 기법을 적용해야 하는지 판단하는 데 필요한 지식을 제시한다.

[목 차]

1장. 개요

1.1 머신 러닝이란
1.2 학습 유형
1.2.1 지도 학습
1.2.2 비지도 학습
1.2.3 준지도 학습
1.2.4 강화 학습
1.3 지도 학습의 원리
1.4 훈련 데이터로 만든 모델이 처음 보는 데이터에 대해서도 효과적인 이유


2장. 수학 정의와 표기법

2.1 표기법
2.1.1 데이터 구조
2.1.2 대문자 시그마 기호
2.1.3 대문자 파이 기호
2.1.4 집합 연산
2.1.5 벡터 연산
2.1.6 함수
2.1.7 max와 min, arg max와 arg min 연산
2.1.8 대입 연산자
2.1.9 도함수와 기울기
2.2 확률 변수
2.3 비편향 추정량
2.4 베이즈 규칙
2.5 파라미터 추정
2.6 파라미터 vs. 하이퍼파라미터
2.7 분류 vs. 회귀
2.8 모델 기반 학습 vs. 사례 기반 학습
2.9 표층 학습 vs. 심층 학습


3장. 기본 알고리즘

3.1 선형 회귀
3.1.1 문제 정의
3.1.2 해결 방법
3.2 로지스틱 회귀
3.2.1 문제 정의
3.2.2 해결 방법
3.3 결정 트리 학습
3.3.1 문제 정의
3.3.2 해결 방법
3.4 SVM
3.4.1 노이즈를 다루는 방법
3.4.2 본질적으로 비선형적인 경우에 대처하는 방법
3.5 kNN


4장. 학습 알고리즘 심층 분석

4.1 학습 알고리즘의 기본 구성 요소
4.2 경사 감소법
4.3 머신 러닝 엔지니어의 작업 방식
4.4 학습 알고리즘에서 주의할 점


5장. 핵심 기법

5.1 특징 공학
5.1.1 원핫 인코딩
5.1.2 비닝
5.1.3 정규화
5.1.4 표준화
5.1.5 결측값 처리 방법
5.1.6 데이터 대체 기법
5.2 학습 알고리즘 결정하기
5.3 세 가지 집합
5.4 언더피팅과 오버피팅
5.5 규제화
5.6 모델 성능 평가 방법
5.6.1 혼동 행렬
5.6.2 정밀도와 재현율
5.6.3 정확도
5.6.4 비용 민감 정확도
5.6.5 AUC
5.7 하이퍼파라미터 튜닝
5.7.1 교차 검증


6장. 신경망과 딥러닝

6.1 신경망
6.1.1 다계층 퍼셉트론의 예
6.1.2 피드포워드 신경망 구조
6.2 딥러닝
6.2.1 CNN
6.2.2 RNN


7장. 문제와 해결 방법

7.1 커널 회귀
7.2 다중 클래스 분류
7.3 단일 클래스 분류
7.4 다중 레이블 분류
7.5 앙상블 학습
7.5.1 부스팅과 배깅
7.5.2 랜덤 포레스트
7.5.3 그래디언트 부스팅
7.6 레이블 시퀀스 학습
7.7 시퀀스-투-시퀀스 학습
7.8 액티브 러닝
7.9 준지도 학습
7.10 원샷 러닝
7.11 제로샷 러닝


8장. 고급 기법

8.1 불균형 데이터셋 처리하기
8.2 모델 조합하기
8.3 신경망 학습시키기
8.4 고급 규제화
8.5 다중 입력 처리하기
8.6 다중 출력 처리하기
8.7 전이 학습
8.8 알고리즘 효율


9장. 비지도 학습

9.1 밀도 추정
9.2 군집화
9.2.1 K-평균
9.2.2 DBSCAN과 HDBSCAN
9.2.3 군집 개수 결정하기
9.2.4 다른 군집화 알고리즘
9.3 차원 축소
9.3.1 PCA
9.3.2 UMAP
9.4 아웃라이어 탐지


10장. 그 밖에 다양한 학습 기법

10.1 메트릭 학습
10.2 랭킹 학습
10.3 추천 학습
10.3.1 FM
10.3.2 DAE
10.4 자가 지도 학습: 단어 임베딩


11장. 결론

11.1 이 책에서 다루지 않은 내용
11.1.1 토픽 모델링
11.1.2 가우시안 프로세스
11.1.3 일반화 선형 모델
11.1.4 확률 그래픽 모델
11.1.5 마르코프 체인 몬테 카를로
11.1.6 GAN
11.1.7 유전 알고리즘
11.1.8 강화 학습
11.2 감사의 글

이 책의 대상 독자

이 책은 1960년대부터 지금까지 개발된 머신 러닝에 관련된 기술 중에서도 활용 가치가 높다고 증명된 것만 소개한다. 머신 러닝을 처음 배우는 독자들은 이 책에 나온 내용만 잘 익혀도 이 분야를 이해하고 질문을 제대로 던질 수 있게 된다. 머신 러닝에 대한 경험을 어느 정도 갖춘 현업 엔지니어는 이 책에 나온 내용을 가이드로 삼아서 실력을 더욱 향상시킬 수 있다. 이 책은 또한 프로젝트 초반에 브레인스토밍을 하는 데도 유용하다. 특히 프로젝트에서 해결해야 할 비즈니스적인 문제나 기술적인 문제에 ‘머신 러닝’을 적용할 수 있는지, 만약 그렇다면 어떤 기법을 적용해야 하는지를 파악하는 데 도움이 된다.

이 책의 활용 방법

머신 러닝을 처음 학습하는 독자는 반드시 처음부터 끝까지 빠짐없이 모두 읽길 바란다. 그중 특정한 주제에 대해 깊이 알고 싶다면, 각 절에 나온 QR 코드를 따라가보길 바란다.
QR 코드 페이지에는 참고 문헌, 비디오, Q&A, 코드 예제, 튜토리얼을 비롯한 다양한 자료가 있다. 이 내용은 저자를 비롯한 전 세계 독자들이 꾸준히 업데이트한다.

안드리 부르코프 (Andriy Burkov)
두 아이의 아빠이자 캐나다 퀘벡 시에서 머신 러닝 전문가로 활동하고 있다. 9년 전 AI 분야로 박사 학위를 취득한 후 6년 동안 가트너에서 머신 러닝 수석 개발자로 일하고 있다. 전문 분야는 자연어 처리다. 현재 팀에서 표층 학습 기법과 심층 학습 기법을 모두 적용해 최첨단 텍스트 추출 및 정규화 시스템을 개발하고 있다.

옮긴이 남기혁
고려대학교 컴퓨터학과에서 학부와 석사 과정을 마친 후 한국전자통신연구원에서 선임 연구원으로 재직하고 있으며, 현재 ㈜프리스티에서 네트워크 제어 및 검증 소프트웨어 개발 업무를 맡고 있다. 에이콘출판사에서 출간한 『GWT 구글 웹 툴킷』(2008), 『해킹 초보를 위한 USB 공격과 방어』(2011), 『자바 7의 새로운 기능』(2013), 『iOS 해킹과 보안 가이드』(2014), 『Neutron 오픈스택 네트워킹』(2015), 『실전 IoT 네트워크 프로그래밍』(2015), 『애플 워치 WatchKit 프로그래밍』(2015), 『현대 네트워크 기초 이론』(2016), 『도커 컨테이너』(2017), 『스마트 IoT 프로젝트』(2017), 『파이썬으로 배우는 인공지능』(2017), 『메이커를 위한 실전 모터 가이드』(2018), 『트러블 슈팅 도커』(2018), 『Go 마스터하기』(2018) 등을 번역했다.

옮긴이 이용진
포스텍 컴퓨터공학과 석사 과정에서 머신 러닝을 전공했으며, 2003년 한국데이터마이닝학회에서 ‘Best Student Paper’를 수상했다. 2004년부터 한국전자통신연구원에서 근무 중이다. 워싱턴대학교의 전기공학과에서 박사 과정을 밟는 동안 인공지능, 고급 선형 대수, 컨벡스 최적화 과목의 수업 조교를 맡았다. 현재는 한국전자통신연구원에서 심층 신경망과 강화 학습 관련 연구를 수행하고 있다.