데싸노트의 실전에서 통하는 머신러닝-피처 엔지니어링+TOP 10 알고리즘+실무 노하우로 익히는 실무형 문제풀이 해법서 (Must Have 시리즈)

★ 실전은 피처 엔지니어링이다
★ 뉴욕의 데이터 사이언티스트가 알려주는
★ 머신러닝 문제풀이 해법을 익혀라

이 책은 실무와 캐글 챌린지에도 통하는 10가지 각 알고리즘을 엄선해 머신러닝을 알려줍니다. 콜롬비아 대학교 대학원생 튜터로, 패스트캠퍼스 데이터분석 강사와 스터디 리더로 활동한 저자는 데이터 분석을 바탕으로 한 코딩에 집중할 때 학습 능률이 더 오르는 것을 발견했습니다. 그래서 각 알고리즘을 ‘기초 지식 ？ 데이터 분석 ？ 전처리 ？ 모델링 평가 ？ 알고리즘 깊이 이해하기’ 순서로 격파해나갑니다. 무엇보다 더 나은 성과를 얻는 핵심 기술인 데이터를 분석하고 처리하는 피처 엔지니어링에 공을 들였습니다. 이 책을 읽고 나면 독자 스스로가 데이터에 알맞은 문제풀이 해법을 고안할 수 있게 될 겁니다.

* 이 책은 객체지향 개념이 있는 프로그래밍 언어를 적어도 하나를 익힌 분을 대상으로 합니다. 파이썬은 1장에서 알려주므로 몰라도 됩니다.

00장 실습 환경 안내(코랩)

1단계 : 배경지식 익히기

01장 한눈에 살펴보는 머신러닝
__1.1 인공지능, 머신러닝, 딥러닝
__1.2 머신러닝 기법 : 지도 학습, 비지도 학습, 강화 학습
__1.3 머신러닝 프로세스
__1.4 TOP 10 알고리즘의 성능 비교
__1.5 머신러닝 핵심 라이브러리
__1.6 데이터 시각화 그래프 종류
__1.7 피처 엔지니어링 기법
__1.8 변수란 무엇인가?
학습 마무리

02장 파이썬 기초 익히기
__2.1 프로그래밍 기본 : 산술 연산, 변수, 출력
__2.2 자료형과 자료구조
__2.3 반복문 : for문, while문
__2.4 조건문 : if문
__2.5 파이썬 내장 함수
__2.6 나만의 함수 만들기 : def
학습 마무리

03장 유용한 라이브러리 : 판다스와 넘파이
__3.1 판다스
__3.2 넘파이
학습 마무리

2단계 : 답을 알려줘야 학습하는 머신러닝 지도학습 알고리즘

04장 선형 회귀 : 보험료 예측하기
__4.1 문제 정의 : 한눈에 보는 예측 목표
__4.2 라이브러리 및 데이터 불러오기
__4.3 데이터 확인하기
__4.4 전처리 : 학습셋과 시험셋 나누기
__4.5 모델링
__4.6 모델을 활용해 예측하기
__4.7 예측 모델 평가하기
__4.8 이해하기 : 선형 회귀
학습 마무리
연습 문제

05장 로지스틱 회귀 : 타이타닉 생존자 예측하기
__5.1 문제 정의 : 한눈에 보는 예측 목표
__5.2 라이브러리 및 데이터 불러오기
__5.3 데이터 확인하기
__5.4 전처리 : 범주형 변수 변환하기(더미 변수와 원-핫 인코딩)
__5.5 모델링 및 예측하기
__5.6 예측 모델 평가하기
__5.7 이해하기 : 피처 엔지니어링
__5.8 이해하기 : 로지스틱 회귀
학습 마무리
연습 문제

06장 K-최근접 이웃(KNN) : 와인 등급 예측하기
__6.1 문제 정의 : 한눈에 보는 예측 목표
__6.2 라이브러리 및 데이터 불러오기
__6.3 데이터 확인하기
__6.4 목푯값에서 고윳값 확인하기
__6.5 전처리 : 결측치 처리하기
__6.6 스케일링
__6.7 모델링 및 예측/평가하기
__6.8 하이퍼파라미터 튜닝하기
__6.9 이해하기 : K-최근접 이웃
학습 마무리
연습 문제

07장 나이브 베이즈 : 스팸 여부 판단하기
__7.1 문제 정의 : 한눈에 보는 예측 목표
__7.2 라이브러리 및 데이터 불러오기 & 데이터 확인
__7.3 전처리 : 특수 기호 제거하기
__7.4 전처리 : 불용어 제거하기
__7.5 전처리 : 목표 컬럼 형태 변경하기
__7.6 전처리 : 카운트 기반으로 벡터화하기
__7.7 모델링 및 예측/평가하기
__7.8 이해하기 : 나이브 베이즈 모델
학습 마무리
연습 문제

08장 결정 트리 : 연봉 예측하기
__8.1 문제 정의 : 한눈에 보는 예측 목표
__8.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__8.3 전처리 : 범주형 데이터
__8.4 전처리 : 결측치 처리 및 더미 변수 변환
__8.5 모델링 및 평가하기
__8.6 이해하기 : 결정 트리
__8.7 오버피팅 문제
__8.8 매개변수 튜닝
__8.9 트리 그래프
학습 마무리
연습 문제

09장 랜덤 포레스트 : 중고차 가격 예측하기
__9.1 문제 정의 : 한눈에 보는 예측 목표
__9.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__9.3 전처리 : 텍스트 데이터
__9.4 전처리 : 결측치 처리와 더미 변수 변환
__9.5 모델링 및 평가하기
__9.6 이해하기 : K-폴드 교차검증
__9.7 이해하기 : 랜덤 포레스트
__9.8 하이퍼파라미터 튜닝
학습 마무리
연습 문제

10장 XGBoost : 커플 성사 여부 예측하기
__10.1 문제 정의 : 한눈에 보는 예측 목표
__10.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__10.3 전처리 : 결측치 처리
__10.4 전처리 : 피처 엔지니어링
__10.5 모델링 및 평가
__10.6 이해하기 : 경사하강법
__10.7 하이퍼파라미터 튜닝 : 그리드 서치
__10.8 중요 변수 확인
__10.9 이해하기 : XGBoost
학습 마무리
연습 문제

11장 LightGBM : 이상거래 예측하기
__11.1 문제 정의 : 한눈에 보는 예측 목표
__11.2 라이브러리 및 데이터 불러오기, 데이터 확인하기
__11.3 전처리 : 데이터 클리닝
__11.4 전처리 : 피처 엔지니어링
__11.5 모델링 및 평가하기
__11.6 하이퍼파라미터 튜닝 : 랜덤 그리드 서치
__11.7 LightGBM의 train( ) 함수 사용하기
__11.8 이해하기 : LightGBM
학습 마무리
연습 문제

3단계 : 답을 스스로 찾는 비지도학습 알고리즘

12장 K-평균 군집화 : 비슷한 속성끼리 분류하기
__12.1 문제 정의 : 한눈에 보는 예측 목표
__12.2 K-평균 군집화 맛보기 : 인위적으로 만든 데이터셋
__12.3 데이터 불러오기 및 데이터 확인하기 : 고객 데이터셋
__12.4 전처리 : 피처 엔지니어링
__12.5 고객 데이터 모델링 및 실루엣 계수
__12.6 최종 예측 모델 및 결과 해석
__12.7 이해하기 : K-평균 군집화
학습 마무리
연습 문제

13장 주성분 분석(PCA) : 차원 축소 응용하기
__13.1 차원을 축소해서 그래프 그리기 : 고객 데이터셋
__13.2 속도와 예측력을 향상시키기 : 익명 데이터셋
__13.3 이해하기 : 주성분 분석
학습 마무리
연습 문제