소개

머신러닝은 데이터로부터 패턴을 학습하여 예측하거나 결정을 내리는 인공지능의 한 분야입니다. 이 책에서는 머신러닝의 핵심 개념과 알고리즘을 학습합니다.

목차

1장: 머신러닝 개요

• 머신러닝이란?
• 지도학습 vs 비지도학습 vs 강화학습
• 머신러닝 워크플로우
• Scikit-learn 소개

2장: 데이터 전처리

• 특성 스케일링 (정규화, 표준화)
• 범주형 데이터 인코딩
• 결측치 처리
• 특성 선택과 추출
• 데이터 분할 (Train/Validation/Test)

3장: 회귀 알고리즘

• 선형 회귀 (Linear Regression)
• 다항 회귀 (Polynomial Regression)
• 릿지와 라쏘 (Ridge, Lasso)
• 회귀 모델 평가 지표 (MSE, RMSE, R²)

4장: 분류 알고리즘

• 로지스틱 회귀 (Logistic Regression)
• K-최근접 이웃 (KNN)
• 서포트 벡터 머신 (SVM)
• 결정 트리 (Decision Tree)
• 분류 모델 평가 (정확도, 정밀도, 재현율, F1)

5장: 앙상블 학습

• 배깅 (Bagging)
• 랜덤 포레스트 (Random Forest)
• 부스팅 (Boosting)
• XGBoost, LightGBM, CatBoost
• 스태킹 (Stacking)

6장: 비지도 학습

• K-평균 클러스터링 (K-Means)
• 계층적 클러스터링
• DBSCAN
• 주성분 분석 (PCA)
• t-SNE

7장: 모델 선택과 튜닝

• 교차 검증 (Cross Validation)
• 그리드 서치 (Grid Search)
• 랜덤 서치 (Random Search)
• 하이퍼파라미터 최적화
• 과적합과 과소적합

8장: 실전 프로젝트

• 타이타닉 생존자 예측
• 주택 가격 예측
• 고객 세분화
• 추천 시스템

관련 강의

• YouTube 머신러닝
• 인공지능 강의