이 책을 읽다 보면 머신러닝이 이렇게 쉬운 것이라니?라는 생각이 들기도 하고, 수학이나 프로그래밍 언어를 잘 몰랐어도 직관적으로 머릿속에 쏙쏙 들어오는 머신러닝 개념에 흥미를 느끼고 있는 자신을 발견하게 될 것이다. 몇 줄의 R 코드로 머신러닝이 어떻게 작동되는지 눈으로 직접 확인할 수 있고 최신 기법까지 내 손으로 직접 짜 볼 수 있는 짜릿한 경험과 자신감을 제공하는 것이 이 책의 매력이다. 머신러닝을 즐겁게 시작하고 싶은 독자 여러분에게 이 책을 추천한다.
3판에서는 정돈된 데이터를 만드는 방법을 새롭게 설명하고 최신 버전의 예제를 제공한다.

★ 이 책에서 다루는 내용 ★

■ 머신러닝의 근원과 컴퓨터가 예시를 학습하는 원리
■ R 프로그래밍 언어를 사용해 머신러닝 작업에 맞도록 데이터 준비
■ 최근접 이웃과 베이즈 기법을 사용해 중요한 결과 분류
■ 결정트리, 규칙, 서포트 벡터 머신을 사용한 미래의 사건 예측
■ 회귀 기법을 사용한 수치 데이터 예측 및 금융 수치 추정
■ 신경망을 사용해 복잡한 프로세스 모델링
■ 모델 평가 및 성능 개선
■ R을 Spark, H2O, TensorFlow 등 SQL 데이터베이스나 떠오르는 빅데이터 기술과 연결

1장. 머신러닝 소개
__머신러닝의 기원
__머신러닝의 사용과 남용
____머신러닝 성공 사례
____머신러닝의 한계
____머신러닝의 윤리
__기계의 학습 방법
____데이터 저장소
____추상화
____일반화
____평가
__실전 머신러닝
____입력 데이터 형식
____머신러닝 알고리즘 형식
____입력 데이터와 알고리즘 매칭
__R을 이용한 머신러닝
____R 패키지 설치
____패키지 로딩과 언로딩
____RStudio 설치
__요약

2장. 데이터의 관리와 이해
__R 데이터 구조
____벡터
____팩터
____리스트
____데이터 프레임
____행렬과 배열
__R을 이용한 데이터 관리
____데이터 구조 저장, 로드, 제거
____CSV 파일에서 데이터 임포트와 저장
__데이터 탐색과 이해
____데이터 구조 탐색
____수치 변수 탐색
____범주 변수 탐색
____변수 간의 관계 탐색
__요약

3장. 게으른 학습: 최근접 이웃을 사용한 분류
__최근접 이웃 분류의 이해
____k-NN 알고리즘
____k-NN 알고리즘이 게으른 이유
__예제: k-NN 알고리즘으로 유방암 진단
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__요약

4장. 확률적 학습: 나이브 베이즈 분류
__나이브 베이즈의 이해
____베이지안 기법의 기본 개념
____나이브 베이즈 알고리즘
__예제: 나이브 베이즈 알고리즘을 이용한 휴대폰 스팸 필터링
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__요약

5장. 분할 정복: 의사 결정 트리와 규칙 기반의 분류
__의사 결정 트리의 이해
____분할 정복
____C5.0 의사 결정 트리 알고리즘
__예제: C5.0 의사 결정 트리를 이용한 위험 은행 대출 식별
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__분류 규칙 이해
____분리 정복
____1R 알고리즘
____리퍼 알고리즘
____의사 결정 트리에서 규칙 구성
____무엇이 트리와 규칙을 탐욕스럽게 만드는가?
__예제: 규칙 학습자를 이용한 독버섯 식별
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__요약

6장. 수치 데이터 예측: 회귀 방법
__회귀의 이해
____단순 선형 회귀
____보통 최소 제곱 추정
____상관관계
____다중 선형 회귀
__예제: 선형 회귀를 이용한 의료비 예측
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__회귀 트리와 모델 트리의 이해
____트리에 회귀 추가
__예제: 회귀 트리와 모델 트리로 와인 품질 평가
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__요약

7장. 블랙박스 방법: 신경망과 서포트 벡터 머신
__신경망의 이해
____생물학적 뉴런에서 인공 뉴런으로
____활성 함수
____네트워크 토폴로지
____역전파로 신경망 훈련
__예제: ANN으로 콘크리트 강도 모델링
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__서포트 벡터 머신의 이해
____초평면을 이용한 분류
____비선형 공간을 위한 커널의 사용
__예제: SVM으로 OCR 수행
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 향상
__요약

8장. 패턴 찾기: 연관 규칙을 이용한 장바구니 분석
__연관 규칙의 이해
____연관 규칙 학습을 위한 아프리오리 알고리즘
____규칙 흥미 측정: 지지도와 신뢰도
____아프리오리 원칙을 이용한 규칙 집합의 구축
__예제: 연관 규칙으로 자주 구매되는 식료품 식별
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__요약

9장. 데이터 그룹 찾기: k-평균 군집화
__군집화의 이해
____머신러닝 작업으로서 군집화
____k-평균 군집화 알고리즘
__k-평균 군집화를 이용한 십대 시장 세분화 발굴
____1단계: 데이터 수집
____2단계: 데이터 탐색과 준비
____3단계: 데이터로 모델 훈련
____4단계: 모델 성능 평가
____5단계: 모델 성능 개선
__요약

10장. 모델 성능 평가
__분류 성능 측정
____분류기의 예측 이해
____혼동 행렬 자세히 보기
____혼동 행렬을 사용한 성능 측정
____정확도를 넘어: 다른 성능 척도
____ROC 곡선으로 성능 트레이드오프 시각화
__미래의 성능 예측
____홀드아웃 방법
__요약

11장. 모델 성능 개선
__성능 개선을 위한 신용 모델 튜닝
____자동 파라미터 튜닝을 위한 caret 사용
__메타학습으로 모델 성능 개선
____앙상블의 이해
____배깅
____부스팅
____랜덤 포레스트
__요약

12장. 특화된 머신러닝 주제
__실세계 데이터 관리와 준비
____tidyverse 패키지를 이용한 정돈된 데이터 만들기
____외부 파일에서 읽고 쓰기
____SQL 데이터베이스의 데이터 쿼리
__온라인 데이터와 서비스 작업
____웹 페이지의 전체 텍스트 다운로드
____웹 페이지에서 데이터 파싱
__도메인에 특화된 데이터 작업
____생체 정보학 데이터 분석
____네트워크 데이터 분석과 시각화
__R 성능 개선
____대용량 데이터셋 관리
____병렬 컴퓨팅으로 더 빠른 학습
____최적 학습 알고리즘 도입
____GPU 컴퓨팅
__요약

브레트 란츠