스칼라와 머신 러닝 또는 사일런트 코너 > 도서

스칼라와 머신 러닝



도서명 : 스칼라와 머신 러닝
저자/출판사 : 패트릭 니콜라스, 에이콘출판
쪽수 : 864쪽
출판일 : 2018-11-28
ISBN : 9791161752327
정가 : 45000

1장. 시작하기
__호기심 있는 독자를 위한 수학적 표기법
__왜 머신 러닝인가?
____분류
____예측
____최적화
____회귀
__왜 스칼라인가?
____함수형 언어로서의 스칼라
____객체 지향 언어로서의 스칼라
____확장성 있는 언어로서의 스칼라
__모형 범주화
__머신 러닝 알고리즘의 분류
____비지도 학습
____지도 학습
____준지도 학습
____강화 학습
__자바 라이브러리 활용하기
__도구와 프레임워크
____자바
____스칼라
____SBT
____아파치 커먼즈 매스
____JFreeChart
____그 외 라이브러리와 프레임워크
__소스 코드
____관례
__맛보기
____간단한 작업 흐름 작성하기
__요약


2장. 데이터 파이프라인
__모형화
____모형이란 무엇인가?
____모형 대 디자인
____특성 선택하기
____특성 추출하기
__방법론 정의하기
__모나드적 데이터 변환
____오류 처리
____모나드의 구출
__작업 흐름 연산 모형
____수학적 추상화 지원
____작업 흐름 구축을 위해 믹스인 구성하기
____모듈화하기
__데이터 프로파일링
____불변 통계량
____Z-점수와 가우스 분포
__모형 평가하기
____검증
____곡선하 면적
____교차 검증
____분산-편향 분해
____과적합
__요약


3장. 데이터 전처리
__스칼라에서의 시계열
____컨텍스트 바운드
____타입과 연산
____레이지 뷰
__이동 평균
____단순 이동 평균
____가중 이동 평균
____지수 이동 평균
__푸리에 분석
____이산 푸리에 변환
____DFT 기반 필터링
____시장 순환 감지
__이산 칼만 필터
____상태 공간 추정
____전이 방정식
____측정 방정식
____재귀적 알고리즘
__다른 전처리 기술
__요약


4장. 비지도 학습
__K-평균 군집화
____K-평균
__기댓값-최대화
____가우스 조합 모형
____EM의 개요
____구현
____분류
____테스트
____온라인 EM
____요약


5장. 차원 축소
__모형 복잡도 문제
__발산
____쿨백-라이블러 발산
____상호 정보
__주성분 분석
____알고리즘
____구현
____테스트 사례
____평가
____PCA 확장하기
__비선형 모형
____커널 PCA
____다양체
__요약


6장. 단순 베이즈 분류기
__확률적 그래프 모형
__단순 베이즈 분류기
____다항 단순 베이즈 소개
____구현
__다변량 베르누이 분류
____모형
____구현
__단순 베이즈와 텍스트 마이닝
____기본적인 정보 검색
____구현
____테스트
__장점과 단점
__요약


7장. 순차적 데이터 모형
__마코프 결정 과정
____마코프 성질
____1차 이산 마코프 체인
__은닉 마코프 모형
____표기법
____람다 모형
____디자인
____평가(CF-1)
____훈련(CF-2)
____디코딩
____모두 합치기
____테스트 사례 1: 훈련
____테스트 사례 2: 평가
____필터링 기술로서의 HMM
__조건부 무작위장
____CRF 소개
____선형 연쇄 CRF
__정칙화 CRF와 텍스트 분석
____특성 함수 모형
____디자인
____구현
____테스트
__CRF와 HMM 비교하기
__성능 고려 사항
__요약


8장. 몬테카를로 추론
__샘플링의 목적
__가우스 샘플링
____박스-뮬러 변환
__몬테카를로 근사
____개론
____구현
__교체를 통한 부트스트래핑
____개요
____리샘플링
____구현
____부트스트랩의 장단점
__마코프 연쇄 몬테카를로
____개요
____메트로폴리스-헤이스팅스
____구현
____테스트
__요약


9장. 회귀와 정칙화
__선형 회귀
____일변량 선형 회귀
____통상적인 최소제곱 회귀
__정칙화
____Ln 조도 불이익
____능형 회귀
____디자인
____구현
____테스트 사례
__수치적 최적화
__로지스틱 회귀
____로지스틱 함수
____디자인
____훈련 작업 흐름
____분류
__요약


10장. 다층 퍼셉트론
__전방 전달 신경망
____생물학적 배경
____수학적 배경
__다층 퍼셉트론
____활성화 함수
____네트워크 토폴로지
____디자인
____설정
____네트워크 구성 요소
____모형
____문제의 타입(방식)
____온라인 훈련 대 배치 훈련
____훈련 회차
____훈련과 분류
__평가
____실행 프로파일
____학습률의 영향
____가속도 인자의 영향
____은닉층 개수의 영향
____테스트 사례
__이점과 한계
__요약


11장. 딥러닝
__희소 오토인코더
____저완성 오토인코더
____결정적 오토인코더
____범주화
____전방 전달 희소, 저완성 오토인코더
____희소성 갱신 방정식
____구현
__제한된 볼츠만 머신
____볼츠만 머신
____이항 제한된 볼츠만 머신
__합성곱 신경망
____국소 수용 영역
____가중치 공유하기
____합성곱층
____부표본층
____한데 모으기
__요약


12장. 커널 모형과 서포트 벡터 머신
__커널 함수
____개요
____일반적인 판별 커널
____모나드적 커널 합성
__서포트 벡터 머신
____선형 SVM
____비선형 SVM
____서포트 벡터 분류기
____1계층 SVC로 이상치 찾기
____서포트 벡터 회귀
__성능 고려 사항
__요약


13장. 진화적 연산
__진화
____기원
____NP 문제
____진화적 연산
__유전 알고리즘과 머신 러닝
__유전 알고리즘 구성 요소
____인코딩
____유전 연산자
____적합도 점수
__구현
____소프트웨어 디자인
____핵심 구성 요소
____선택
____개체군 증가율 통제하기
____GA 설정
____교배
____변이
____생식
____풀이기
__거래 전략을 위한 GA
____거래 전략의 정의
____테스트 사례: 2008년 가을 시장 붕괴
__유전 알고리즘의 장점과 위험
__요약


14장. 멀티암드 밴딧
__K-암드 밴딧
____탐색-활용 상반 관계
____기대 누적 후회
____베이즈 베르누이 밴딧
____엡실론-탐욕 알고리즘
__톰슨 샘플링
____밴딧 컨텍스트
____사전/사후 베타 분포
____구현
____시뮬레이션된 탐색과 활용
__신뢰 상단
____신뢰 구간
____구현
__요약


15장. 강화 학습
__강화 학습
____문제 이해하기
____해법: Q-학습
____구현
____Q-학습을 사용한 옵션 거래
____한데 합하기
____평가
____강화 학습의 장점과 단점
__학습 분류기 시스템
____LCS 소개
____학습과 평가 조합하기
____전문 용어
__요약


16장. 스칼라와 아카에서의 병렬화
__개요
__스칼라
____객체 생성
____스트림
____병렬 컬렉션
__액터를 통한 확장성
____액터 모형
____분할
____액터를 넘어: 반응적 프로그래밍
__아카
____마스터-워커
____퓨처
__요약


17장. 아파치 스파크 MLlib
__개요
__아파치 스파크 코어
____왜 스파크인가?
____디자인 원칙
____스파크로 실험하기
__MLlib 라이브러리
____개요
____RDD 만들기
____MLlib을 사용한 K-평균
____테스트
__재사용 가능한 ML 파이프라인
____재사용 가능한 ML 변환
____아파치 스파크와 ScalaTest
__스파크 확장하기
____쿨백-라이블러 발산
____구현
____쿨백-라이블러 평가기
__스트리밍 엔진
____왜 스트리밍인가?
____배치와 실시간 처리
____아키텍처 개요
____이산화 스트림
____사용 사례: 연속적인 파싱
____체크포인팅
__성능 평가
____개변수 조정하기
____성능 고려 사항
__장점과 단점
__요약


부록 A. 기본 개념
__스칼라 프로그래밍
__수학
__금융 101




사일런트 코너



도서명 : 사일런트 코너
저자/출판사 : 딘 쿤츠, 북로드
쪽수 : 456쪽
출판일 : 2019-06-14
ISBN : 9791158791117
정가 : 4900

당신 덕분에 나는 행복해
토끼 굴
백색 소음
소리 없는 구석
통제 메커니즘
마지막 좋은 날