216개 레시피로 실전 머신러닝 문제를 쉽고 빠르게 해결하기 이 실용 가이드는 『파이썬을 활용한 머신러닝 쿡북』의 개정판으로, 현장에서 만날 수 있는 머신러닝 문제를 해결하는 데 도움이 될 200개 이상의 독립된 레시피를 제공합니다. 파이썬과 판다스, 사이킷런을 포함한 라이브러리에 익숙하다면 데이터 로드부터 모델 훈련, 신경망 활용에 이르기까지 특정 문제를 해결할 수 있습니다. 이번 개정판의 각 레시피에는 토이 데이터셋으로 복사, 붙여넣기, 실행한 뒤 작동하는지 확인할 수 있는 코드가 포함되어 있습니다. 이때 사용 사례나 애플리케이션에 따라 이러한 레시피를 조정할 수 있습니다. 레시피에는 솔루션을 설명하고 유의미한 맥락을 제공하는 토론이 포함되어 있습니다. 이론과 개념을 넘어 실제 작동하는 머신러닝 애플리케이션을 구축하는 데 필요한 핵심을 배워보세요. 주요 내용 ● 벡터, 행렬, 배열 ● CSV, JSON, SQL, 데이터베이스, 클라우드 스토리지 및 기타 소스 데이터로 작업하기 ● 수치형과 범주형 데이터, 텍스트, 이미지, 날짜, 시간 다루기 ● 특성 추출 또는 특성 선택을 사용한 차원 축소 ● 모델 평가와 선택 ● 선형 회귀, 로지스틱 회귀, 트리, 랜덤 포레스트, k-최근접 이웃 ● 서포트 벡터 머신(SVM), 나이브 베이즈, 군집, 트리 기반 모델 지원 ● 훈련된 모델의 저장, 로드 및 서빙

1장 벡터, 행렬, 배열 _1.0 소개 _1.1 벡터 만들기 _1.2 행렬 만들기 _1.3 희소 행렬 만들기 _1.4 넘파이 배열 사전 할당하기 _1.5 원소 선택하기 _1.6 행렬 정보 확인하기 _1.7 벡터화 연산 적용하기 _1.8 최댓값, 최솟값 찾기 _1.9 평균, 분산, 표준편차 계산하기 _1.10 배열 크기 바꾸기 _1.11 벡터나 행렬 전치하기 _1.12 행렬 펼치기 _1.13 행렬의 랭크 구하기 _1.14 행렬의 대각원소 추출하기 _1.15 행렬의 대각합 계산하기 _1.16 점곱 계산하기 _1.17 행렬 덧셈과 뺄셈 _1.18 행렬 곱셈 _1.19 역행렬 _1.20 난수 생성하기 2장 데이터 적재 _2.0 소개 _2.1 샘플 데이터셋 적재하기 _2.2 모의 데이터셋 만들기 _2.3 CSV 파일 적재하기 _2.4 엑셀 파일 적재하기 _2.5 JSON 파일 적재하기 _2.6 파케이 파일 적재하기 _2.7 아브로 파일 적재하기 _2.8 SQLite 데이터베이스로부터 적재하기 _2.9 원격 SQL 데이터베이스에 쿼리하기 _2.10 구글 시트에서 데이터 적재하기 _2.11 S3 버킷에서 데이터 적재하기 _2.12 비구조적인 데이터 적재하기 3장 데이터 랭글링 _3.0 소개 _3.1 데이터프레임 만들기 _3.2 데이터에 대한 정보 확인하기 _3.3 데이터프레임 슬라이싱하기 _3.4 조건에 따라 행 선택하기 _3.5 값 정렬하기 _3.6 값 치환하기 _3.7 열 이름 바꾸기 _3.8 최솟값, 최댓값, 합, 평균 계산 및 개수 세기 _3.9 고유한 값 찾기 _3.10 누락된 값 다루기 _3.11 열 삭제하기 _3.12 행 삭제하기 _3.13 중복된 행 삭제하기 _3.14 값에 따라 행을 그룹핑하기 _3.15 시간에 따라 행을 그룹핑하기 _3.16 연산 집계와 통계 _3.17 열 원소 순회하기 _3.18 모든 열 원소에 함수 적용하기 _3.19 그룹에 함수 적용하기 _3.20 데이터프레임 연결하기 _3.21 데이터프레임 병합하기 4장 수치형 데이터 다루기 _4.0 소개 _4.1 특성 스케일 바꾸기 _4.2 특성 표준화하기 _4.3 정규화하기 _4.4 다항 특성과 교차항 특성 생성하기 _4.5 특성 변환하기 _4.6 이상치 감지하기 _4.7 이상치 다루기 _4.8 특성 이산화하기 _4.9 군집으로 샘플을 그룹으로 묶기 _4.10 누락된 값을 가진 샘플 삭제하기 _4.11 누락된 값 채우기 5장 범주형 데이터 다루기 _5.0 소개 _5.1 순서가 없는 범주형 특성 인코딩하기 _5.2 순서가 있는 범주형 특성 인코딩하기 _5.3 특성 딕셔너리 인코딩하기 _5.4 누락된 클래스 값 대체하기 _5.5 불균형한 클래스 다루기 6장 텍스트 다루기 _6.0 소개 _6.1 텍스트 정제하기 _6.2 HTML 파싱과 정제하기 _6.3 구두점 삭제하기 _6.4 텍스트 토큰화하기 _6.5 불용어 삭제하기 _6.6 어간 추출하기 _6.7 품사 태깅하기 _6.8 개체명 인식 수행하기 _6.9 텍스트를 BoW로 인코딩하기 _6.10 단어 중요도에 가중치 부여하기 _6.11 텍스트 벡터를 사용해 검색 쿼리 텍스트의 유사도 계산하기 _6.12 감성 분석 분류기 사용하기 7장 날짜와 시간 다루기 _7.0 소개 _7.1 문자열을 날짜로 변환하기 _7.2 시간대 다루기 _7.3 날짜와 시간 선택하기 _7.4 날짜 데이터를 여러 특성으로 나누기 _7.5 날짜 간의 차이 계산하기 _7.6 요일 인코딩하기 _7.7 시차 특성 만들기 _7.8 이동 시간 윈도 사용하기 _7.9 시계열 데이터에서 누락된 값 다루기 8장 이미지 다루기 _8.0 소개 _8.1 이미지 로드하기 _8.2 이미지 저장하기 _8.3 이미지 크기 변경하기 _8.4 이미지 자르기 _8.5 이미지 흐리게 하기 _8.6 이미지 선명하게 하기 _8.7 대비 높이기 _8.8 색깔 구분하기 _8.9 이미지 이진화하기 _8.10 배경 제거하기 _8.11 윤곽선 감지하기 _8.12 모서리 감지하기 _8.13 머신러닝 특성 만들기 _8.14 컬러 히스토그램을 특성으로 인코딩하기 _8.15 사전 훈련된 임베딩을 특성으로 사용하기 _8.16 OpenCV로 객체 탐지하기 _8.17 파이토치로 이미지 분류하기 9장 특성 추출을 사용한 차원 축소 _9.0 소개 _9.1 주성분을 사용해 특성 줄이기 _9.2 선형적으로 구분되지 않은 데이터의 차원 축소하기 _9.3 클래스 분리를 최대화하여 특성 줄이기 _9.4 행렬 분해를 사용하여 특성 줄이기 _9.5 희소한 데이터의 특성 줄이기 10장 특성 선택을 사용한 차원 축소 _10.0 소개 _10.1 분산을 기준으로 수치 특성 선택하기 _10.2 분산을 기준으로 이진 특성 선택하기 _10.3 상관관계가 큰 특성 다루기 _10.4 분류 작업에 관련 없는 특성 삭제하기 _10.5 재귀적 특성 제거하기 11장 모델 평가 _11.0 소개 _11.1 교차검증 모델 만들기 _11.2 기본 회귀 모델 만들기 _11.3 기본 분류 모델 만들기 _11.4 이진 분류기의 예측 평가하기 _11.5 이진 분류기 임곗값 평가하기 _11.6 다중클래스 분류기 예측 평가하기 _11.7 분류기 성능 시각화하기 _11.8 회귀 모델 평가하기 _11.9 군집 모델 평가하기 _11.10 사용자 정의 평가 지표 만들기 _11.11 훈련 세트 크기에 따른 영향 시각화하기 _11.12 평가 지표 리포트 만들기 _11.13 하이퍼파라미터 값의 영향 시각화하기 12장 모델 선택 _12.0 소개 _12.1 완전 탐색을 사용해 최선의 모델 선택하기 _12.2 랜덤 탐색을 사용해 최선의 모델 선택하기 _12.3 여러 학습 알고리즘에서 최선의 모델 선택하기 _12.4 전처리와 함께 최선의 모델 선택하기 _12.5 병렬화로 모델 선택 속도 높이기 _12.6 알고리즘에 특화된 기법을 사용해 모델 선택 수행 속도 높이기 _12.7 모델 선택 후 성능 평가하기 13장 선형 회귀 _13.0 소개 _13.1 직선 학습하기 _13.2 교차 특성 다루기 _13.3 비선형 관계 학습하기 _13.4 규제로 분산 줄이기 _13.5 라소 회귀로 특성 줄이기 14장 트리와 랜덤 포레스트 _14.0 소개 _14.1 결정 트리 분류기 훈련하기 _14.2 결정 트리 회귀 훈련하기 _14.3 결정 트리 모델 시각화하기 _14.4 랜덤 포레스트 분류기 훈련하기 _14.5 랜덤 포레스트 회귀 훈련하기 _14.6 OOB 데이터로 랜덤 포레스트 평가하기 _14.7 랜덤 포레스트에서 중요한 특성 구분하기 _14.8 랜덤 포레스트에서 중요한 특성 선택하기 _14.9 불균형한 클래스 다루기 _14.10 트리 크기 제어하기 _14.11 부스팅을 사용해 성능 향상하기 _14.12 XGBoost 모델 훈련하기 _14.13 LightGBM으로 실시간 성능 향상하기 15장 k-최근접 이웃 _15.0 소개 _15.1 샘플의 최근접 이웃 찾기 _15.2 k-최근접 이웃 분류기 만들기 _15.3 최선의 이웃 개수 결정하기 _15.4 반지름 기반의 최근접 이웃 분류기 만들기 _15.5 근사 최근접 이웃 찾기 _15.6 근사 최근접 이웃 평가하기 16장 로지스틱 회귀 _16.0 소개 _16.1 이진 분류기 훈련하기 _16.2 다중 클래스 분류기 훈련하기 _16.3 규제로 분산 줄이기 _16.4 대용량 데이터에서 분류기 훈련하기 _16.5 불균형한 클래스 다루기 17장 서포트 벡터 머신 _17.0 소개 _17.1 선형 분류기 훈련하기 _17.2 커널을 사용해 선형적으로 구분되지 않는 클래스 다루기 _17.3 예측 확률 계산하기 _17.4 서포트 벡터 식별하기 _17.5 불균형한 클래스 다루기 18장 나이브 베이즈 _18.0 소개 _18.1 연속적인 특성으로 분류기 훈련하기 _18.2 이산적인 카운트 특성으로 분류기 훈련하기 _18.3 이진 특성으로 나이브 베이즈 분류기 훈련하기 _18.4 예측 확률 보정하기 19장 군집 _19.0 소개 _19.1 k-평균을 사용한 군집 _19.2 k-평균 군집 속도 향상하기 _19.3 평균이동을 사용한 군집 _19.4 DBSCAN을 사용한 군집 _19.5 계층적 병합을 사용한 군집 20장 파이토치 텐서 _20.0 소개 _20.1 텐서 만들기 _20.2 넘파이로 텐서 만들기 _20.3 희소 텐서 만들기 _20.4 텐서 원소 선택하기 _20.5 텐서 구조 파악하기 _20.6 원소에 연산 적용하기 _20.7 최댓값과 최솟값 찾기 _20.8 텐서 크기 바꾸기 _20.9 텐서 전치하기 _20.10 텐서 펼치기 _20.11 점곱 계산하기 _20.12 텐서 곱셈 21장 신경망 _21.0 소개 _21.1 파이토치 자동미분 사용하기 _21.2 신경망을 위해 데이터 전처리하기 _21.3 신경망 구성하기 _21.4 이진 분류기 훈련하기 _21.5 다중 분류기 훈련하기 _21.6 회귀 모델 훈련하기 _21.7 예측하기 _21.8 훈련 기록 시각화하기 _21.9 가중치 규제로 과대적합 줄이기 _21.10 조기 종료로 과대적합 줄이기 _21.11 드롭아웃으로 과대적합 줄이기 _21.12 모델 훈련 진행 과정 저장하기 _21.13 신경망 튜닝하기 _21.14 신경망 시각화하기 22장 비정형 데이터를 위한 신경망 _22.0 소개 _22.1 이미지 분류 신경망 훈련하기 _22.2 텍스트 분류 신경망 훈련하기 _22.3 이미지 분류를 위해 사전 훈련된 모델 미세 튜닝하기 _22.4 텍스트 분류를 위해 사전 훈련된 모델 미세 튜닝하기 23장 훈련 모델의 저장, 로딩, 서빙 _23.0 소개 _23.1 사이킷런 모델 저장하고 로드하기 _23.2 텐서플로 모델 저장하고 로드하기 _23.3 파이토치 모델 저장하고 로드하기 _23.4 사이킷런 모델 서빙하기 _23.5 텐서플로 모델 서빙하기 _23.6 셀던으로 파이토치 모델 서빙하기 찾아보기