한빛미디어

[한줄평]

다양한 실습 예제로 비지도 학습을 배울수 있음

[목차구성]

CHAPTER 0 서문

PART 1 비지도 학습 개요

CHAPTER 1 머신러닝 생태계와 비지도 학습

CHAPTER 2 머신러닝 프로젝트 A to Z

PART 2 사이킷런을 사용한 비지도 학습 모델

CHAPTER 3 차원 축소

CHAPTER 4 이상치 탐지

CHAPTER 5 클러스터링

CHAPTER 6 그룹 세분화

PART 3 텐서플로와 케라스를 사용한 비지도 학습 모델

CHAPTER 7 오토인코더

CHAPTER 8 핸즈온 오토인코더

CHAPTER 9 준지도 학습

PART 4 텐서플로와 케라스를 사용한 심층 비지도 학습

CHAPTER 10 RBM을 사용한 추천 시스템

CHAPTER 11 DBN을 사용한 피처 추출

CHAPTER 12 GAN

CHAPTER 13 시계열 클러스터링

CHAPTER 14 결론

[이 책의 특징]

ㆍ다양한 머신러닝 접근 방법의 장단점(지도 학습, 비지도 학습, 강화 학습)

ㆍ머신러닝 프로젝트의 전반적인 설정 및 관리

ㆍ차원 감소 알고리즘, 군집화 알고리즘 활용

ㆍ오토인코더로 자동 피처 엔지니어링 및 피처 선택

ㆍ지도 및 비지도 학습 알고리즘 결합으로 준지도 학습 솔루션 개발

ㆍ볼츠만 머신을 사용하여 영화 추천 시스템 구축

ㆍ생성적 적대 신경망(GAN)과 심층 신뢰 신경망(DBN)을 사용한 합성 이미지 생성

ㆍ시계열 데이터에 대한 군집화 수행

ㆍ최신 비지도 학습 성공 사례 및 향후 전망

[대상 독자]

ㆍ데이터 분석 관련 업무 담당자(주니어~시니어)

ㆍ실무에 머신러닝을 적용하려는 개발자

ㆍ인공지능 서비스 구현과 관련이 있거나 관심 있는 누구나

[서평]

오랜 만에 비지도 학습 책중 괜찮은 것이 나왔습니다. 이책은 인공지능 기본 이론부터 비지도 학습의 활용 예제 까지 잘 정리되어 있다. 머신 러닝을 학습 목적이라면 지도학습, 비지도 학습, 강화학습 이론 책이 좋으나 실무에서는 지도학습에서 정답을 주고 찾는 것보다는 정답이 없고 데이터들로 부터 도출 해내야 하는 문제들이 더 많다. 그리고 대부분 지도 학습 기반의 예측 문제를 다루고 배치기반으로 모델이 운영되고 있습니다. 모델 훈련 과정에서 데이터 품질이 좋지 않거나 레이블 데이터가 부족하더라도 전처리, 샘플링 기법, 튜닝등으로 어느 정도 해결은 가능 합니다. 하지만 요즘은 분석 결과의 실시간 처리와 적용이 기분이 되었습니다. 데이터 수집 속도 또한 과거와 달리 빨라졌습니다. 최근 많은 기업들이 데이터 분석을 통해서 경쟁 우위를 확보하고 예측 문제도 차츰 그 대상의 범위를 좁혀가고 있는 추세 입니다. 레이블 데이터 불균형은 심화되고, 동시에 이종 데이터 간 결합의 필요성은 더욱 증가했습니다.

비지도 학습은 데이터 분석가 입장에서 이러한 문제에 대응할 수 있는 매우 유용한 기술 입니다. 이책에서 소개한 사기 거래 탐지기술을 다양한 분야에 응용할수 있습니다. 사기 탐지 영역뿐만 아니라 이커머스와 같은 고객을 다차원으로 이해하고 분석 결과를 실시간으로 빠르게 적용해야 하는 도메인에서도 유용하게 활용할수 있는 주제도 다루고 있습니다. 컴퓨팅 리소스 제약이나 성능 한계를 극복하기 위한 차원 축소 기법과 지도 및 비지도 학습을 혼합해 소량의 레이블 데이터만으로도 예측에 적용할 수있는 준지도 학습, 원본 데이터의 확률 분포를 학습해 새로운 데이터에 대한 추론에 활용할 수 있는 생성적 비지도 학습등 이종 데이터간의 결합 요구나 레이블 데이터의 불균형과 같은 현실 세계에서의 한계점을 극복하는데 유용한 방법에대해서 배울수 있습니다.

현재 비지도 학습은 아직 희소한 주제지만 조만간에 비지도 학습 및 이를 활용한 응용 분야가 확대될 것입니다. 미리미리 공부해서 대비하면 좋겠습니다.