★ 이 책의 특징 ★ ◎ 분류, 회귀, 차원 축소, 클러스터링 등 핵심 머신러닝 알고리즘에 대한 깊이 있는 설명 ◎ 데이터 전처리, 머신러닝 알고리즘 적용, 하이퍼 파라미터 튜닝, 성능 평가 등 최적 머신러닝 모델 구성 방안 제시 ◎ XGBoost, LightGBM, 스태킹 등 머신러닝 최신 기법에 대한 상세한 설명과 활용법 ◎ 난이도 높은 캐글 문제를 직접 따라 해 보면서 실무 머신러닝 애플리케이션 개발 방법 체득(산탄테르 은행 고객 만족 예측, 신용카드 사기 검출, 부동산 가격 예측 고급 회귀 기법, Mercari 쇼핑몰 가격 예측 등) ◎ 텍스트 분석과 NLP를 위한 기반 이론과 다양한 실습 예제 제공(텍스트 분류, 감성 분석, 토픽 모델링, 문서 유사도, 문서 군집화와 유사도, KoNLPy를 이용한 네이버 영화 감성 분석 등) 다양한 추천 시스템을 직접 파이썬 코드로 구축하는 법을 제공

▣ 1장: 파이썬 기반의 머신러닝과 생태계 이해 01. 머신러닝의 개념 ___머신러닝의 분류 ___데이터 전쟁 ___파이썬과 R 기반의 머신러닝 비교 02. 파이썬 머신러닝 생태계를 구성하는 주요 패키지 ___파이썬 머신러닝을 위한 S/W 설치 03. 넘파이 ___넘파이 ndarray 개요 ___ndarray의 데이터 타입 ___ndarray를 편리하게 생성하기 - arange, zeros, ones ___ndarray의 차원과 크기를 변경하는 reshape( ) ___넘파이의 ndarray의 데이터 세트 선택하기 - 인덱싱(Indexing) ___행렬의 정렬 - sort( )와 argsort( ) ___선형대수 연산 - 행렬 내적과 전치 행렬 구하기 04. 데이터 핸들링 - 판다스 ___판다스 시작 - 파일을 DataFrame으로 로딩, 기본 API ___DataFrame과 리스트, 딕셔너리, 넘파이 ndarray 상호 변환 ___DataFrame의 칼럼 데이터 세트 생성과 수정 ___DataFrame 데이터 삭제 ___Index 객체 ___데이터 셀렉션 및 필터링 ___정렬, Aggregation 함수, GroupBy 적용 ___결손 데이터 처리하기 ___apply lambda 식으로 데이터 가공 05. 정리 ▣ 2장: 사이킷런으로 시작하는 머신러닝 01. 사이킷런 소개와 특징 02. 첫 번째 머신러닝 만들어 보기 - 붓꽃 품종 예측하기 03. 사이킷런의 기반 프레임워크 익히기 ___Estimator 이해 및 fit( ), predict( ) 메서드 ___사이킷런의 주요 모듈 ___내장된 예제 데이터 세트 04. Model Selection 모듈 소개 ___학습/테스트 데이터 세트 분리 - train_test_split() ___교차 검증 ___GridSearchCV - 교차 검증과 최적 하이퍼 파라미터 튜닝을 한 번에 111 05. 데이터 전처리 ___데이터 인코딩 ___피처 스케일링과 정규화 ___StandardScaler ___MinMaxScaler ___학습 데이터와 테스트 데이터의 스케일링 변환 시 유의점 06. 사이킷런으로 수행하는 타이타닉 생존자 예측 07. 정리 ▣ 3장: 평가 01. 정확도(Accuracy) 02. 오차 행렬 03. 정밀도와 재현율 ___정밀도/재현율 트레이드오프 ___정밀도와 재현율의 맹점 04. F1 스코어 05. ROC 곡선과 AUC 06. 피마 인디언 당뇨병 예측 07. 정리 ▣ 4장: 분류 01. 분류(Classification)의 개요 02. 결정 트리 ___결정 트리 모델의 특징 ___결정 트리 파라미터 ___결정 트리 모델의 시각화 ___결정 트리 과적합(Overfitting) ___결정 트리 실습 - 사용자 행동 인식 데이터 세트 03. 앙상블 학습 ___앙상블 학습 개요 ___보팅 유형 - 하드 보팅(Hard Voting)과 소프트 보팅(Soft Voting) ___보팅 분류기(Voting Classifier) 04. 랜덤 포레스트 ___랜덤 포레스트의 개요 및 실습 ___랜덤 포레스트 하이퍼 파라미터 및 튜닝 ___GBM의 개요 및 실습 05. GBM(Gradient Boosting Machine) ___GBM 하이퍼 파라미터 소개 ___XGBoost 개요 06. XGBoost(eXtra Gradient Boost) ___XGBoost 설치하기 ___파이썬 래퍼 XGBoost 하이퍼 파라미터 ___파이썬 래퍼 XGBoost 적용 - 위스콘신 유방암 예측 ___사이킷런 래퍼 XGBoost의 개요 및 적용 07. LightGBM ___LightGBM 설치 ___LightGBM 하이퍼 파라미터 ___하이퍼 파라미터 튜닝 방안 ___파이썬 래퍼 LightGBM과 사이킷런 래퍼 XGBoost, ___LightGBM 하이퍼 파라미터 비교 ___LightGBM 적용 - 위스콘신 유방암 예측 08. 베이지안 최적화 기반의 HyperOpt를 이용한 하이퍼 파라미터 튜닝 ___베이지안 최적화 개요 ___HyperOpt 사용하기 ___HyperOpt를 이용한 XGBoost 하이퍼 파라미터 최적화 09. 분류 실습 - 캐글 산탄데르 고객 만족 예측 ___데이터 전처리 ___XGBoost 모델 학습과 하이퍼 파라미터 튜닝 ___LightGBM 모델 학습과 하이퍼 파라미터 튜닝 10. 분류 실습 - 캐글 신용카드 사기 검출 ___언더 샘플링과 오버 샘플링의 이해 ___데이터 일차 가공 및 모델 학습/예측/평가 ___데이터 분포도 변환 후 모델 학습/예측/평가 ___이상치 데이터 제거 후 모델 학습/예측/평가 ___SMOTE 오버 샘플링 적용 후 모델 학습/예측/평가 11. 스태킹 앙상블 ___기본 스태킹 모델 ___CV 세트 기반의 스태킹 12. 정리 ▣ 5장: 회귀 01. 회귀 소개 02. 단순 선형 회귀를 통한 회귀 이해 03. 비용 최소화하기 - 경사 하강법(Gradient Descent) 소개 04. 사이킷런 LinearRegression을 이용한 보스턴 주택 가격 예측 ___LinearRegression 클래스 - Ordinary Least Squares ___회귀 평가 지표 ___LinearRegression을 이용해 보스턴 주택 가격 회귀 구현 05. 다항 회귀와 과(대)적합/과소적합 이해 ___다항 회귀 이해 ___다항 회귀를 이용한 과소적합 및 과적합 이해 ___편향-분산 트레이드오프(Bias-Variance Trade off) 06. 규제 선형 모델 - 릿지, 라쏘, 엘라스틱넷 ___규제 선형 모델의 개요 ___릿지 회귀 ___라쏘 회귀 ___엘라스틱넷 회귀 ___선형 회귀 모델을 위한 데이터 변환 07. 로지스틱 회귀 08. 회귀 트리 09. 회귀 실습 - 자전거 대여 수요 예측 ___데이터 클렌징 및 가공과 데이터 시각화 ___로그 변환, 피처 인코딩과 모델 학습/예측/평가 10. 회귀 실습 - 캐글 주택 가격: 고급 회귀 기법 ___데이터 사전 처리(Preprocessing) ___선형 회귀 모델 학습/예측/평가 ___회귀 트리 모델 학습/예측/평가 ___회귀 모델의 예측 결과 혼합을 통한 최종 예측 ___스태킹 앙상블 모델을 통한 회귀 예측 11. 정리 ▣ 6장: 차원 축소 01. 차원 축소(Dimension Reduction) 개요 02. PCA(Principal Component Analysis) ___PCA 개요 03. LDA(Linear Discriminant Analysis) ___LDA 개요 04. SVD(Singular Value Decomposition) ___SVD 개요 ___사이킷런 TruncatedSVD 클래스를 이용한 변환 05. NMF(Non-Negative Matrix Factorization) ___NMF 개요 06. 정리 ▣ 7장: 군집화 01. K-평균 알고리즘 이해 ___사이킷런 KMeans 클래스 소개 ___K-평균을 이용한 붓꽃 데이터 세트 군집화 ___군집화 알고리즘 테스트를 위한 데이터 생성 02. 군집 평가(Cluster Evaluation) ___실루엣 분석의 개요 ___붓꽃 데이터 세트를 이용한 군집 평가 ___군집별 평균 실루엣 계수의 시각화를 통한 군집 개수 최적화 방법 03. 평균 이동 ___평균 이동(Mean Shift)의 개요 04. GMM(Gaussian Mixture Model) ___GMM(Gaussian Mixture Model) 소개 ___GMM을 이용한 붓꽃 데이터 세트 군집화 ___GMM과 K-평균의 비교 05. DBSCAN ___DBSCAN 개요 ___DBSCAN 적용하기 - 붓꽃 데이터 세트 ___DBSCAN 적용하기 - make_circles( ) 데이터 세트 06. 군집화 실습 - 고객 세그먼테이션 ___고객 세그먼테이션의 정의와 기법 ___데이터 세트 로딩과 데이터 클렌징 ___RFM 기반 데이터 가공 ___RFM 기반 고객 세그먼테이션 07. 정리 ▣ 8장 텍스트 분석 ___NLP이냐 텍스트 분석이냐? 01. 텍스트 분석 이해 ___텍스트 분석 수행 프로세스 ___파이썬 기반의 NLP, 텍스트 분석 패키지 02. 텍스트 사전 준비 작업(텍스트 전처리) - 텍스트 정규화 ___클렌징 ___텍스트 토큰화 ___스톱 워드 제거 ___Stemming과 Lemmatization 03. Bag of Words - BOW ___BOW 피처 벡터화 ___사이킷런의 Count 및 TF-IDF 벡터화 구현: CountVectorizer, TfidfVectorizer ___BOW 벡터화를 위한 희소 행렬 ___희소 행렬 - COO 형식 ___희소 행렬 - CSR 형식 04. 텍스트 분류 실습 - 20 뉴스그룹 분류 ___텍스트 정규화 ___피처 벡터화 변환과 머신러닝 모델 학습/예측/평가 ___사이킷런 파이프라인(Pipeline) 사용 및 GridSearchCV와의 결합 05. 감성 분석 ___감성 분석 소개 ___지도학습 기반 감성 분석 실습 - IMDB 영화평 ___비지도학습 기반 감성 분석 소개 ___SentiWordNet을 이용한 감성 분석 ___VADER를 이용한 감성 분석 06. 토픽 모델링(Topic Modeling) - 20 뉴스그룹 07. 문서 군집화 소개와 실습(Opinion Review 데이터 세트) ___문서 군집화 개념 ___Opinion Review 데이터 세트를 이용한 문서 군집화 수행하기 ___군집별 핵심 단어 추출하기 08. 문서 유사도 ___문서 유사도 측정 방법 - 코사인 유사도 ___두 벡터 사잇각 ___Opinion Review 데이터 세트를 이용한 문서 유사도 측정 09. 한글 텍스트 처리 - 네이버 영화 평점 감성 분석 ___한글 NLP 처리의 어려움 ___KoNLPy 소개 ___데이터 로딩 10. 텍스트 분석 실습 - 캐글 Mercari Price Suggestion Challenge ___데이터 전처리 ___피처 인코딩과 피처 벡터화 ___릿지 회귀 모델 구축 및 평가 ___LightGBM 회귀 모델 구축과 앙상블을 이용한 최종 예측 평가 11. 정리 ▣ 9장: 추천 시스템 01. 추천 시스템의 개요와 배경 ___추천 시스템의 개요 ___온라인 스토어의 필수 요소, 추천 시스템 ___추천 시스템의 유형 02. 콘텐츠 기반 필터링 추천 시스템 03. 최근접 이웃 협업 필터링 04. 잠재 요인 협업 필터링 ___잠재 요인 협업 필터링의 이해 ___행렬 분해의 이해 ___확률적 경사 하강법을 이용한 행렬 분해 05. 콘텐츠 기반 필터링 실습 - TMDB 5000 영화 데이터 세트 ___장르 속성을 이용한 영화 콘텐츠 기반 필터링 ___데이터 로딩 및 가공 ___장르 콘텐츠 유사도 측정 ___장르 콘텐츠 필터링을 이용한 영화 추천 06. 아이템 기반 최근접 이웃 협업 필터링 실습 ___데이터 가공 및 변환 ___영화 간 유사도 산출 ___아이템 기반 최근접 이웃 협업 필터링으로 개인화된 영화 추천 07. 행렬 분해를 이용한 잠재 요인 협업 필터링 실습 ___Surprise 패키지 소개 08. 파이썬 추천 시스템 패키지 - Surprise ___Surprise를 이용한 추천 시스템 구축 ___Surprise 주요 모듈 소개 ___Surprise 추천 알고리즘 클래스 ___베이스라인 평점 ___교차 검증과 하이퍼 파라미터 튜닝 ___Surprise를 이용한 개인화 영화 추천 시스템 구축 09. 정리 ▣ 10장: 시각화 01. 시각화를 시작하며 - 맷플롯립과 시본 개요 02. 맷플롯립(Matplotlib) ___맷플롯립의 pyplot 모듈의 이해 ___pyplot의 두 가지 중요 요소 - Figure와 Axes 이해 ___Figure와 Axis의 활용 ___여러 개의 plot을 가지는 subplot들을 생성하기 ___pyplot의 plot( ) 함수를 이용해 선 그래프 그리기 ___축 명칭 설정, 축의 눈금(틱)값 회전, 범례(legend) 설정하기 ___여러 개의 subplots들을 이용해 개별 그래프들을 subplot별로 시각화하기 03. 시본(Seaborn) ___시각화를 위한 차트/그래프 유형 ___정보의 종류에 따른 시각화 차트 유형 ___히스토그램(Histogram) ___카운트 플롯 ___바 플롯(barplot) ___barplot( ) 함수의 hue 인자를 사용하여 시각화 정보를 추가적으로 세분화하기 ___박스 플롯 ___바이올린 플롯 ___subplots를 이용하여 시본의 다양한 그래프를 시각화 ___산점도, 스캐터 플롯(Scatter Plot) ___상관 히트맵(Correlation Heatmap) 04. 정리