길벗·이지톡

길벗스쿨 시나공 IT

지은이의 말
옮긴이의 말
감수자의 말
이 책의 활용법
실습 후기

1장 인공지능과 머신 러닝
__1.1 인공지능이란?
____1.1.1 현재의 요괴 ‘인공지능’
__1.2 BI는 AI 꿈을 꾸는가?
____1.2.1 비즈니스를 뒷받침하는 AI와 머신 러닝 엔지니어
__1.3 지금의 인공지능=지능?
____1.3.1 인공지능이 데이터 분석을 하는 날
__1.4 마무리

2장 데이터 분석 처리를 위한 기반 기술
__2.1 하둡: 대규모 데이터를 처리하는 인프라
____2.1.1 하둡이란?
____2.1.2 맵리듀스 처리
__2.2 하이브: 하둡에서 더욱 쉽게 데이터를 처리
____2.2.1 하이브란?
__2.3 프레스토: 고속 데이터 처리
____2.3.1 프레스토란?
__2.4 스파크: 더 빠른 분산 처리 환경
____2.4.1 스파크란?
__2.5 하둡과 관련된 기타 미들웨어
____2.5.1 하둡 관련 기타 미들웨어
__2.6 다양한 하둡 디스트리뷰션
____2.6.1 하둡 디스트리뷰션이란?
__2.7 BI 도구: 처리한 데이터를 시각화
____2.7.1 BI 도구란?
____2.7.2 펜타호
____2.7.3 제플린
__2.8 마무리

3장 실시간으로 데이터를 분석한다: 데이터에서 현재를 알 수 있는 기술
__3.1 플루언티드
____3.1.1 데이터를 실시간으로 수집한다
__3.2 노리크라
____3.2.1 데이터를 실시간으로 집계한다
__3.3 사례: 트위터 데이터에서 사람 이름을 실시간으로 집계
____3.3.1 실시간으로 사람 이름을 집계해 보자
____3.3.2 루비 환경 설정
____3.3.3 플루언티드 설치
____3.3.4 트위터 스트리밍 API와의 연계
____3.3.5 플루언티드 MeCab 플러그인 작성
____3.3.6 노리크라 설치
____3.3.7 노리크라와 플루언티드 연동
____3.3.8 노리크라에 키워드 집계용 쿼리 등록
____3.3.9 엘라스틱서치와 키바나로 데이터 시각화하기
____3.3.10 노리크라, 플루언티드, 엘라스틱서치와 키바나의 연동
__3.4 마무리

4장 머신 러닝 알고리즘: 데이터로 미래를 보는 기술
__4.1 머신 러닝이란?
____4.1.1 레스토랑 예약으로 머신 러닝을 생각한다
__4.2 머신 러닝 알고리즘
____4.2.1 머신 러닝 알고리즘의 개요
____4.2.2 머신 러닝 알고리즘의 종류
__4.3 나이브 베이즈
____4.3.1 나이브 베이즈의 개요
____4.3.2 나이브 베이즈의 이론
____4.3.3 나이브 베이즈의 구체적인 예
____4.3.4 나이브 베이즈의 구현 방법
____4.3.5 나이브 베이즈의 마무리
__4.4 단층 퍼셉트론
____4.4.1 단층 퍼셉트론이란?
____4.4.2 퍼셉트론의 학습 과정
____4.4.3 퍼셉트론의 구현 방법
____4.4.4 퍼셉트론의 문제점
____4.4.5 퍼셉트론의 마무리
__4.5 온라인 학습
____4.5.1 온라인 학습이란?
____4.5.2 퍼셉트론의 온라인 학습 프로그램
____4.5.3 PA 알고리즘
____4.5.4 온라인 학습의 마무리
__4.6 서포트 벡터 머신
____4.6.1 서포트 벡터 머신이란?
____4.6.2 서포트 벡터 머신의 이론
__4.7 선형 회귀
____4.7.1 회귀 알고리즘이란?
__4.8 자기 회귀
____4.8.1 과거 데이터로 목적 함수를 추정하는 방법
__4.9 클러스터링
____4.9.1 클러스터링이란?
__4.10 맵리듀스와 머신 러닝
____4.10.1 대규모 데이터에 머신 러닝 알고리즘 적용
__4.11 머신 러닝 실습
____4.11.1 파이썬 환경 설치
____4.11.2 IRIS 데이터를 사용한 머신 러닝 예제
____4.11.3 digits 데이터를 사용한 머신 러닝 예제
____4.11.4 Boston 데이터를 사용한 머신 러닝 예제
__4.12 마무리

5장 딥러닝
__5.1 단층 퍼셉트론과 친구들
____5.1.1 단층 퍼셉트론 복습하기
____5.1.2 로지스틱 회귀
____5.1.3 다항 로지스틱 회귀
__5.2 신경망
____5.2.1 단층 퍼셉트론과 신경망의 차이점
____5.2.2 신경망
____5.2.3 유닛
____5.2.4 오차 역전파법
____5.2.5 프로그램 예시
____5.2.6 단층 퍼셉트론, 로지스틱 회귀, 다항 로지스틱 회귀, 신경망
__5.3 합성곱 신경망
____5.3.1 합성곱 신경망이란?
____5.3.2 합성곱층
____5.3.3 풀링층
____5.3.4 다층 신경망
____5.3.5 합성곱 신경망 학습
__5.4 재귀형 신경망
____5.4.1 재귀형 신경망이란?
____5.4.2 재귀형 신경망 학습
__5.5 텐서플로
____5.5.1 텐서플로 설치
____5.5.2 다항 로지스틱 회귀
____5.5.3 다층 신경망
____5.5.4 합성곱 신경망
____5.5.5 속편: 합성곱 신경망
__5.6 마무리

용어집

지은이의 말 

옮긴이의 말 

감수자의 말 

이 책의 활용법 

실습 후기 

1장 인공지능과 머신 러닝 

__1.1 인공지능이란? 

____1.1.1 현재의 요괴 ‘인공지능’ 

__1.2 BI는 AI 꿈을 꾸는가? 

____1.2.1 비즈니스를 뒷받침하는 AI와 머신 러닝 엔지니어 

__1.3 지금의 인공지능=지능? 

____1.3.1 인공지능이 데이터 분석을 하는 날 

__1.4 마무리 

2장 데이터 분석 처리를 위한 기반 기술 

__2.1 하둡: 대규모 데이터를 처리하는 인프라 

____2.1.1 하둡이란? 

____2.1.2 맵리듀스 처리 

__2.2 하이브: 하둡에서 더욱 쉽게 데이터를 처리 

____2.2.1 하이브란? 

__2.3 프레스토: 고속 데이터 처리 

____2.3.1 프레스토란? 

__2.4 스파크: 더 빠른 분산 처리 환경 

____2.4.1 스파크란? 

__2.5 하둡과 관련된 기타 미들웨어 

____2.5.1 하둡 관련 기타 미들웨어 

__2.6 다양한 하둡 디스트리뷰션 

____2.6.1 하둡 디스트리뷰션이란? 

__2.7 BI 도구: 처리한 데이터를 시각화 

____2.7.1 BI 도구란? 

____2.7.2 펜타호 

____2.7.3 제플린 

__2.8 마무리 

3장 실시간으로 데이터를 분석한다: 데이터에서 현재를 알 수 있는 기술 

__3.1 플루언티드 

____3.1.1 데이터를 실시간으로 수집한다 

__3.2 노리크라 

____3.2.1 데이터를 실시간으로 집계한다 

__3.3 사례: 트위터 데이터에서 사람 이름을 실시간으로 집계 

____3.3.1 실시간으로 사람 이름을 집계해 보자 

____3.3.2 루비 환경 설정 

____3.3.3 플루언티드 설치 

____3.3.4 트위터 스트리밍 API와의 연계 

____3.3.5 플루언티드 MeCab 플러그인 작성 

____3.3.6 노리크라 설치 

____3.3.7 노리크라와 플루언티드 연동 

____3.3.8 노리크라에 키워드 집계용 쿼리 등록 

____3.3.9 엘라스틱서치와 키바나로 데이터 시각화하기 

____3.3.10 노리크라, 플루언티드, 엘라스틱서치와 키바나의 연동 

__3.4 마무리 

4장 머신 러닝 알고리즘: 데이터로 미래를 보는 기술 

__4.1 머신 러닝이란? 

____4.1.1 레스토랑 예약으로 머신 러닝을 생각한다 

__4.2 머신 러닝 알고리즘 

____4.2.1 머신 러닝 알고리즘의 개요 

____4.2.2 머신 러닝 알고리즘의 종류 

__4.3 나이브 베이즈 

____4.3.1 나이브 베이즈의 개요 

____4.3.2 나이브 베이즈의 이론 

____4.3.3 나이브 베이즈의 구체적인 예 

____4.3.4 나이브 베이즈의 구현 방법 

____4.3.5 나이브 베이즈의 마무리 

__4.4 단층 퍼셉트론 

____4.4.1 단층 퍼셉트론이란? 

____4.4.2 퍼셉트론의 학습 과정 

____4.4.3 퍼셉트론의 구현 방법 

____4.4.4 퍼셉트론의 문제점 

____4.4.5 퍼셉트론의 마무리 

__4.5 온라인 학습 

____4.5.1 온라인 학습이란? 

____4.5.2 퍼셉트론의 온라인 학습 프로그램 

____4.5.3 PA 알고리즘 

____4.5.4 온라인 학습의 마무리 

__4.6 서포트 벡터 머신 

____4.6.1 서포트 벡터 머신이란? 

____4.6.2 서포트 벡터 머신의 이론 

__4.7 선형 회귀 

____4.7.1 회귀 알고리즘이란? 

__4.8 자기 회귀 

____4.8.1 과거 데이터로 목적 함수를 추정하는 방법 

__4.9 클러스터링 

____4.9.1 클러스터링이란? 

__4.10 맵리듀스와 머신 러닝 

____4.10.1 대규모 데이터에 머신 러닝 알고리즘 적용 

__4.11 머신 러닝 실습 

____4.11.1 파이썬 환경 설치 

____4.11.2 IRIS 데이터를 사용한 머신 러닝 예제 

____4.11.3 digits 데이터를 사용한 머신 러닝 예제 

____4.11.4 Boston 데이터를 사용한 머신 러닝 예제 

__4.12 마무리 

5장 딥러닝 

__5.1 단층 퍼셉트론과 친구들 

____5.1.1 단층 퍼셉트론 복습하기 

____5.1.2 로지스틱 회귀 

____5.1.3 다항 로지스틱 회귀 

__5.2 신경망 

____5.2.1 단층 퍼셉트론과 신경망의 차이점 

____5.2.2 신경망 

____5.2.3 유닛 

____5.2.4 오차 역전파법 

____5.2.5 프로그램 예시 

____5.2.6 단층 퍼셉트론, 로지스틱 회귀, 다항 로지스틱 회귀, 신경망 

__5.3 합성곱 신경망 

____5.3.1 합성곱 신경망이란? 

____5.3.2 합성곱층 

____5.3.3 풀링층 

____5.3.4 다층 신경망 

____5.3.5 합성곱 신경망 학습 

__5.4 재귀형 신경망 

____5.4.1 재귀형 신경망이란? 

____5.4.2 재귀형 신경망 학습 

__5.5 텐서플로 

____5.5.1 텐서플로 설치 

____5.5.2 다항 로지스틱 회귀 

____5.5.3 다층 신경망 

____5.5.4 합성곱 신경망 

____5.5.5 속편: 합성곱 신경망 

__5.6 마무리 

용어집 

찾아보기