★ 이 책에서 다루는 내용 ★ ◎ 머신러닝 소개 ◎ 데이터 구조 추출 ◎ 딥러닝과 신경망 ◎ 추천 엔진의 작동 원리

▣ 01장: 지능형 웹을 위한 애플리케이션 구축 1.1 실제 사용 중인 지능형 알고리즘: 구글 나우 1.2 지능형 알고리즘의 라이프 사이클 1.3 지능형 알고리즘의 다른 예들 1.4 지능형 애플리케이션이 아닌 것들 _1.4.1 지능형 알고리즘은 만능으로 생각할 수 있는 기계가 아니다 _1.4.2 지능형 알고리즘은 편리한 인간 대체품이 아니다 _1.4.3 지능형 알고리즘은 우연히 발견된 것이 아니다 1.5 지능형 알고리즘의 분류 _1.5.1 인공지능 _1.5.2 머신러닝 _1.5.3 예측분석 1.6 지능형 알고리즘의 성능 평가 _1.6.1 지능 평가 _1.6.2 예측 평가 1.7 지능형 알고리즘에 관한 중요 사항 _1.7.1 데이터는 신뢰할 수 없다 _1.7.2 추론은 즉시 생기지 않는다 _1.7.3 크기가 중요하다! _1.7.4 알고리즘이 다르면 확장 방식이 달라진다 _1.7.5 모든 문제가 못은 아니다 _1.7.6 데이터가 전부는 아니다 _1.7.7 학습 시간은 변동적이다 _1.7.8 일반화하는 일을 목표로 삼는다 _1.7.9 인간의 직관에는 문제가 있다 _1.7.10 새로운 특징을 뽑아 낼 생각을 하라 _1.7.11 다양한 모델을 학습하라 _1.7.12 상관관계와 인과관계는 같지 않다 1.8 요약 ▣ 02장: 군집화와 변환을 통한 데이터 구조 추출 2.1 데이터, 구조, 편향 및 잡음 2.2 차원의 저주 2.3 k 평균 _2.3.1 k 평균 실행 2.4 가우스 혼합모형 _2.4.1 가우스 분포란? _2.4.2 기댓값 최대화와 가우스 분포 _2.4.3 가우스 혼합모형 _2.4.4 가우스 혼합모형을 이용한 학습의 예 2.5 k 평균과 가우스 혼합모형 간의 관계 2.6 데이터 축 변환 _2.6.1 고유벡터와 고윳값 _2.6.2 주성분 분석 _2.6.3 주성분 분석의 예 2.7 요약 ▣ 03장: 콘텐츠 추천 3.1 장면 설정: 온라인 영화 사이트 3.2 거리 및 유사도 _3.2.1 거리와 유사도에 대한 심층 탐구 _3.2.2 최선의 유사도 공식은? 3.3 추천 엔진은 어떻게 동작하는가? 3.4 사용자 기반 협업 필터링 3.5 특잇값 분해를 이용한 모델 기반 추천 _3.5.1 특잇값 분해 _3.5.2 특잇값 분해를 이용한 추천: 사용자에 대한 영화 선택 _3.5.3 특잇값 분해를 이용한 추천: 주어진 영화에 대한 사용자 선정 3.6 넷플릭스 현상 공모 3.7 추천기 평가 3.8 요약 ▣ 04장: 분류 - 사물을 속한 곳에 갖다 놓기 4.1 분류의 필요성 4.2 분류기의 개요 _4.2.1 구조적 분류 알고리즘 _4.2.2 통계적 분류 알고리즘 _4.2.3 분류기의 수명주기 4.3 로지스틱 회귀를 사용한 부정행위 탐지 _4.3.1 선형 회귀 입문 _4.3.2 선형 회귀에서 로지스틱 회귀로 _4.3.3 부정행위 탐지 구현 4.4 결과를 믿을 만한가? 4.5 대규모 데이터셋을 사용한 분류 4.6 요약 ▣ 05장: 사례 연구 - 온라인 광고를 위한 클릭 예측 5.1 역사및 배경 5.2 광고거래소 _5.2.1 쿠키 일치 _5.2.2 입찰 _5.2.3 낙찰 또는 패찰 통지 _5.2.4 광고 지면 _5.2.5 광고 모니터링 5.3 입찰기는 무엇인가? _5.3.1 입찰기 요건 5.4 의사결정 엔진이란? _5.4.1 사용자 정보 _5.4.2 광고 지면 정보 _5.4.3 상황 정보 _5.4.4 데이터 준비 _5.4.5 의사결정 엔진 모델 _5.4.6 예측된 클릭률을 입찰 가격으로 매핑 _5.4.7 특징 공학 _5.4.8 모델 훈련 5.5 보우팔 왜빗을 사용한 클릭 예측 _5.5.1 보우팔 왜빗 데이터 형식 _5.5.2 데이터셋 준비 _5.5.3 모델 테스트 _5.5.4 모델 보정 5.6 의사결정 엔진 구축의 복잡성 5.7 실시간 예측의 미래 5.8 요약 ▣ 06장: 딥러닝과 신경망 6.1 딥러닝에 대한 직관적 접근방법 6.2 신경망 6.3 퍼셉트론 _6.3.1 훈련 _6.3.2 사이킷런으로 퍼셉트론 훈련시키기 _6.3.3 두 개의 입력을 위한 퍼셉트론의 기하학적 해석 6.4 다층 퍼셉트론 _6.4.1 역전파를 이용한 학습 _6.4.2 활성화 함수 _6.4.3 역전파의 이면을 직관하기 _6.4.4 역전파 이론 _6.4.5 사이킷런에서 MLNN _6.4.6 학습된 다층 퍼셉트론 6.5 더 깊은 곳으로: 다층 신경망에서 딥러닝으로 _6.5.1 제한 볼츠만 머신 _6.5.2 베르누이 제한 볼츠만 머신 _6.5.3 실제의 RBM류 6.6 요약 ▣ 07장: 적절한 선택 7.1 A/B 테스트 _7.1.1 이론 _7.1.2 코드 _7.1.3 A/B의 적합성 7.2 MAB _7.2.1 MAB 전략 7.3 실무에서의 베이즈 밴딧 7.4 A/B 대 베이즈 밴딧 7.5 MAB 확장 _7.5.1 상황적 밴딧 _7.5.2 적대적 밴딧 7.6 요약 ▣ 08장: 지능형 웹의 미래 8.1 지능형 웹의 미래 응용 _8.1.1 사물 인터넷 _8.1.2 홈 헬스케어 _8.1.3 자율 주행 자동차 _8.1.4 개인화된 물리적 광고 _8.1.5 시맨틱 웹 8.2 지능형 웹의 사회적 함의 ▣ 부록 _동기부여를 위한 예: 온라인 광고 노출 _데이터 수집: 나이브한 접근방법 _대규모 수집 데이터 관리 _카프카에 대한 평가: 대규모 데이터 수집 _카프카의 설계 유형