|
|
|
 |
판매가 |
25,000원 → 22,500원  10% |
|
|
마일리지 |
 5% 1,250원 |
|
|
발행일 |
2021-01-05
|
|
ISBN |
9788956749006
|
|
기타정보 |
국내서 | 304쪽
|
|
|
예상출고일
|
1~2일 이내 (근무일기준) |
|
배송비 |
무료배송
|
| |
|
|
|
|
|
 |
| 일반
|
|
|
| |
|
|
※ NAVER Pay로 구매시 제주지역은 5만원 미만 결재의 경우 배송비가 추가 될 수 있습니다.
|
|
|
|
|
|
 |
PART 01 개발 환경 설정
1. 구글 코랩이란?
2. 코랩 시작하기
2-1. 구글 계정 로그인
2-2. 구글 코랩 실행하기
3. "HELLO, COLAB" 코딩하기
4. 예제 파일 업로드하기
PART 02 파이썬 기초
1. 프로그래밍 기본 개념
1-1. 데이터 입력과 출력
1-2. 변수에 저장
1-3. 화면에 출력
2. 자료형
2-1. 숫자형
2-2. 문자열
2-3. 리스트
2-4. 투플
2-5. 딕셔너리
3. 연산자
3-1. 산술연산자
3-2. 논리연산자
3-3. 비교연산자
4. 제어문
4-1. 조건문(IF)
4-2. FOR 반복문
4-3. WHILE 반복문
4-4. 예외처리(TRY~EXCEPT)
5. 함수
5-1. 사용자 정의 함수
5-2. 람다(LAMBDA) 함수
5-3. 파이썬 내장 함수
6. 클래스
PART 03 머신러닝 입문
1. 판다스 자료구조
2. 머신러닝
2-1. 지도학습 VS. 비지도학습
2-2. 회귀 VS. 분류
2-3. 머신러닝 프로세스
3. 일차함수 관계식 찾기
3-1. 문제 파악
3-2. 데이터 탐색
3-3. 데이터 전처리
3-4. 모델 학습
3-5. 예측
4. 분류(CLASSIFICATION) - 붓꽃의 품종 판별
4-1. 데이터 로딩
4-2. 데이터 탐색
4-3. TRAIN-TEST 데이터셋 분할
4-4. 분류 알고리즘 ① - KNN
4-5. 분류 알고리즘 ② - SVM
4-6. 분류 알고리즘 ③ - 로지스틱 회귀
4-7. 분류 알고리즘 ④ - 의사결정나무
4-8. 앙상블 모델 ① - 보팅
4-9. 앙상블 모델 ② - 배깅
4-10. 앙상블 모델 ③ - 부스팅
4-11. 교차 검증 ① - HOLD-OUT
4-12. 교차 검증 ② - K-FOLD
5. 회귀(REGRESSION) - 보스턴 주택 가격 예측
5-1. 데이터 로딩
5-2. 데이터 탐색
5-3. 데이터 전처리
5-4. 베이스라인 모델 - 선형 회귀
5-5. 모델 성능 평가
5-6. 과대적합 회피(L2/L1 규제)
5-7. 트리 기반 모델 - 비선형 회귀
PART 04 머신러닝 응용
1. 사전 준비
1-1. 데이콘 경진 대회 데이터셋 다운로드
1-2. 구글 드라이브에 파일 업로드
1-3. 구글 드라이브 마운트
2. 데이터 탐색
2-1. 데이터 로딩
2-2. 데이터 구조
2-3. 결측값 확인
2-4. 상관 관계 분석
3. 베이스라인 모델
3-1. 데이터 결합
3-2. 데이터 전처리
3-3. 모델 학습 및 검증
3-4. 모델 예측
3-5. 데이콘 리더보드 점수 확인
4. 피처 엔지니어링(+EDA)
4-1. SURVIVED : 생존 여부
4-2. PCLASS : 객실 등급
4-3. SEX : 성별
4-4. NAME : 이름
4-5. AGE : 나이
4-6. SIBSP : 형제자매/배우자
4-7. PARCH : 부모/자식
4-8. FARE : 요금
4-9. EMBARKED : 탑승 항구
4-10. CABIN : 객실 구역
4-11. TICKET : 탑승권
5. 데이터 전처리
5-1. 레이블 인코딩
5-2. 원핫 인코딩
5-3. 피처 스케일링
6. 모델 학습
6-1. 피처 선택
6-2. 피처 중요도
6-3. 분류 확률값
PART 05 딥러닝 입문
1. 인공 신경망의 구조
1-1. 활성화 함수
1-2. 손실 함수
1-3. 옵티마이저(최적화 알고리즘)
1-4. 다층 신경망(MLP, MULTI-LAYER PERCEPTRON)
2. 간단한 딥러닝 모델 만들기
2-1. SEQUENTIAL API
2-2. 모델 컴파일
2-3. 모델 학습 및 예측
3. 딥러닝을 활용한 회귀 분석 : 보스턴 주택 가격 예측
3-1. 데이터 전처리
3-2. MLP 모델 아키텍처 정의
3-3. 미니 배치 학습
3-4. 교차 검증
4. 딥러닝을 활용한 분류 예측 : 와인 품질 등급 판별
4-1. 데이터 전처리
4-2. 모델 설계 : 드랍아웃 활용
4-3. 콜백 함수 : EARLY STOPPING 기법
4-4. 예측값 정리 및 파일 제출
PART 06 딥러닝 응용
1. 이미지 분류 : FASHION MNIST 의류 클래스 판별
1-1. 데이터 전처리
1-2. 홀드아웃 교차 검증을 위한 데이터셋 분할
1-3. MLP 모델 학습
1-4. 합성곱 신경망(CNN)
1-5. 과대적합 방지
1-6. 사용자 정의 콜백 함수
2. 오토인코더 : 차원 축소와 이미지 복원
2-1. 기본 개념
2-2. 오토인코더 모델 만들기
3. 전이 학습 : 사전 학습 모델 활용
3-1. GPU 런타임 설정
3-2. CIFAR-10 데이터셋
3-3. 일반 합성곱 신경망(CNN)으로 분류 예측
3-4. 전이 학습으로 분류 예측
4. 자연어 처리(NLP) : IMDB 영화 리뷰 감성 분석
4-1. IMDB 영화 리뷰 데이터셋
4-2. 제로 패딩
4-3. 단어 임베딩
4-4. RNN
4-5. LSTM
4-6. GRU
5. 시계열 분석 : 전력 거래 가격 예측
5-1. 데이터 탐색
5-2. 데이터 전처리
5-3. LSTM 모델로 시계열 예측 |
 |
|
 |
저자 : 오승환
국내 주요 금융 기관과 대기업에서 기업(산업) 분석 및 전략 기획 전문가로 근무했다. IT 비전공자이지만 PYTHON 기반의 머신러닝/딥러닝 기술을 익히고, 데이터 기반 전략적 의사 결정에 관심이 많다. 인공지능 경진 대회 우승 경력이 있고, 현재 AI 스타트업 부대표로 근무하고 있다. 개발자가 아닌 일반인 관점에서 파이썬을 활용하는 방법에 대한 블로그를 운영하며, 강연을 통한 지식 나눔을 병행하고 있다. 저서로는 〈파이썬 머신러닝 판다스 데이터 분석〉, 〈실무자를 위한 파이썬 100제〉가 있다. |
|
|
|
|
|
|
|
|
|
|
|
|
Home > 
POD(Printed On Demand)
