목차 일부
지은이 소개 ... 4
감사의 글 ... 6
옮긴이 소개 ... 10
옮긴이의 말 ... 11
들어가며 ... 35
Ⅰ부 <B><FONT color ... #0000
1장 <B><FONT color ... #0000
1.1 <B><FONT color ... #0000
구조적 패턴 서술 ... 48
기계 학습 .....
더보기
목차 전체
지은이 소개 ... 4
감사의 글 ... 6
옮긴이 소개 ... 10
옮긴이의 말 ... 11
들어가며 ... 35
Ⅰ부 <B><FONT color ... #0000
1장 <B><FONT color ... #0000
1.1 <B><FONT color ... #0000
구조적 패턴 서술 ... 48
기계 학습 ... 50
<B><FONT color ... #0000
1.2 간단한 예제 : 기상 예제와 기타 예제 ... 53
기상 문제 ... 53
콘택트렌즈 : 이상적인 문제 ... 56
붓꽃 : 고전적인 수치 데이터 집합 ... 59
CPU 성능 : 수치적 예측 방법에 대한 소개 ... 60
노조 협상 : 더욱 현실적인 예제 ... 62
콩 분류 : 성공적인 기계 학습의 전형을 보여주는 예제 ... 65
1.3 실무 적용 ... 68
웹 마이닝 ... 68
판단을 수반하는 결정 ... 69
이미지 스크리닝 ... 70
전력 부하 예측 ... 71
진단 ... 73
마케팅과 판매 영업 ... 74
기타 적용 사례 ... 76
1.4 기계 학습과 통계학 ... 77
1.5 검색 일반화 ... 79
1.6 <B><FONT color ... #0000
재식별 작업 ... 84
개인 정보의 이용 ... 85
더 광범위한 문제점 ... 86
1.7 참고 문헌 ... 87
2장 입력 데이터 : 개념, 인스턴스 속성 ... 91
2.1 개념이란? ... 92
2.2 예제란? ... 95
관계 ... 96
다른 종류의 예제 타입 ... 100
2.3 속성이란? ... 103
2.4 입력 데이터 준비 ... 106
데이터 수집 ... 106
ARFF 포맷 ... 107
희소 데이터 ... 111
속성 타입 ... 112
누락된 속성 값 ... 114
부정확한 속성 값 ... 115
자신의 데이터를 알라 ... 117
2.5 참고 문헌 ... 117
3장 출력 데이터 : 지식 표현 ... 119
3.1 테이블 ... 120
3.2 선형 모델 ... 120
3.3 트리 ... 122
3.4 규칙 ... 127
분류 규칙 ... 128
연관 규칙 ... 132
예외를 갖는 규칙 ... 133
더욱 자세하게 표현되는 규칙 ... 136
3.5 인스턴스 기반의 표현 ... 139
3.6 클러스터 ... 142
3.7 참고 문헌 ... 143
4장 알고리즘 : 기본 마이닝 알고리즘 ... 145
4.1 기본 규칙 추론 ... 146
누락된 속성 값과 수치 속성 ... 148
논의 사항 ... 150
4.2 통계 모델링 ... 152
누락된 속성 값과 수치 속성 ... 157
단순 베이지안 이론을 통한 문서 분류 ... 160
논의 사항 ... 162
4.3 분할 정복 기법 : 의사 결정 트리 구축 ... 163
정보 계산 ... 167
다양하게 전개되는 속성 ... 169
논의 사항 ... 174
4.4 알고리즘 : 규칙 구성 ... 174
규칙과 트리 ... 176
단순 포괄 알고리즘 ... 176
규칙과 의사 결정 리스트 ... 183
4.5 연관 규칙 마이닝 ... 184
아이템 집합 ... 185
연관 규칙 ... 188
효율적인 규칙 생성 ... 191
논의 사항 ... 194
4.6 선형 모델 ... 194
수치 예측 : 선형 회귀 ... 195
선형 분류 : 로지스틱 회귀 ... 196
퍼셉트론을 사용한 선형 분류 ... 199
필터링을 통한 선형 분류 ... 201
4.7 인스턴스 기반 학습 ... 203
거리 함수 ... 203
효율적인 최근접 이웃 검색 ... 204
논의 사항 ... 210
4.8 군집화 ... 212
반복적인 거리 기반 군집화 알고리즘 ... 213
더욱 빠른 거리 계산 ... 214
논의 사항 ... 216
4.9 다중 인스턴스 학습 ... 216
입력 값 축적 ... 217
출력 데이터 축적 ... 217
논의 사항 ... 218
4.10 참고 문헌 ... 218
4.11 웨카를 이용한 구현 ... 221
5장 신뢰성 : 학습 내용 평가 ... 223
5.1 훈련과 검증 ... 224
5.2 예측 성능 ... 227
5.3 교차 검증 ... 230
5.4 다른 추정자 ... 232
단일 잔류 교차 검증 ... 233
부트스트랩 ... 233
5.5 <B><FONT color ... #0000
5.6 확률 예측 ... 239
이차 손실 함수 ... 240
정보 손실 함수 ... 242
논의 사항 ... 243
5.7 비용 고려 ... 244
비용에 민감한 분류 알고리즘 ... 248
비용에 민감한 학습 알고리즘 ... 249
향상도 차트 ... 250
ROC 곡선 ... 255
재현-정확도 곡선 ... 258
논의 사항 ... 259
비용 곡선 ... 262
5.8 수치 예측 결과 평가 ... 265
5.9 최소 묘사 길이 원칙 ... 268
5.10 군집화 작업에 MDL 원칙 적용 ... 272
5.11 참고 문헌 ... 274
Ⅱ부 고급 <B><FONT color ... #0000
6장 구현 : 실질적인 기계 학습 스킴 ... 277
6.1 의사 결정 트리 ... 279
수치 속성 ... 279
누락된 속성 값 ... 281
가지치기 ... 282
오차율 추정 ... 285
의사 결정 트리 유도의 복잡성 ... 287
트리부터 규칙까지 ... 289
C4.5 : 선택과 옵션 ... 290
비용 - 복잡도 가지치기 ... 291
논의 사항 ... 292
6.2 분류 규칙 ... 293
검증 선택 기준 ... 293
누락된 속성 값과 수치 타입의 속성 값 ... 295
좋은 규칙 생성 ... 295
전반적인 최적화 기법 사용 ... 299
부분 의사 결정 트리로부터 규칙을 얻는 방법 ... 301
예외를 갖는 규칙 ... 304
논의 사항 ... 308
6.3 연관 규칙 ... 309
FP-트리 구축 ... 310
큰 아이템 집합 검색 ... 315
논의 사항 ... 317
6.4 확장된 선형 모델 ... 318
최대 마진 초월 평면 ... 319
비선형 클래스 경계 ... 321
Support Vector 회귀 ... 323
커널 능형 회귀 ... 326
커널 퍼셉트론 ... 327
다중 퍼셉트론 ... 329
방사 기저 함수 네트워크 ... 339
확률적 기울기 하강 ... 340
논의 사항 ... 342
6.5 인스턴스 기반 학습 ... 343
모범 예제의 수 줄이기 ... 344
잡음 있는 모범 예제 가지치기 ... 344
속성에 가중치 부여 ... 346
모범 예제의 일반화 ... 347
일반화된 모범 예제들의 거리 함수 ... 348
일반 거리 함수 ... 350
논의 사항 ... 350
6.6 지역적 선형 모델을 통한 수치 예측 ... 352
모델 트리 ... 353
트리 구축 ... 354
트리 가지치기 ... 354
명목 속성 ... 355
누락된 속성 값 ... 356
모델 트리를 유도하는 의사코드 ... 357
모델 트리로부터 유도된 규칙 ... 361
국부 가중 선형 회귀 기법 ... 362
논의 사항 ... 364
6.7 베이지언 네트워크 ... 364
예측 유도 ... 366
베이지안 네트워크 학습 ... 370
특화된 알고리즘 ... 373
빠른 학습을 위한 데이터 구조 ... 375
논의 사항 ... 378
6.8 군집화 ... 379
군집 수 선택 ... 380
계층적 군집화 ... 381
계층적 군집의 예제 ... 383
점진적 군집화 ... 386
카테고리 유틸리티 ... 392
확률 기반 군집화 ... 394
EM 알고리즘 ... 396
확장된 혼합 모델 ... 398
베이지안 군집화 ... 400
논의 사항 ... 402
6.9 반 감독 학습 ... 404
분류를 위한 군집화 ... 405
합동 훈련 ... 407
EM과 합동 훈련 알고리즘 ... 408
논의 사항 ... 409
6.10 다중 인스턴스 학습 ... 410
단일 인스턴스 학습 변환 ... 410
학습 알고리즘 개선 ... 413
정교한 다중 인스턴스 기법 ... 414
논의 사항 ... 415
6.11 웨카 구현 ... 416
7장 데이터 변환 ... 419
7.1 속성 선택 ... 421
스킴과 독립적인 선택 ... 423
속성 공간 검색 ... 426
스킴에 특화된 선택 ... 427
7.2 수치 속성 이산화 ... 430
감독되지 않은 이산화 기법 ... 432
엔트로피 기반 이산화 기법 ... 433
기타 이산화 기법 ... 437
엔트로피 기반 이산화 기법과 오류 기반 이산화 기법의 비교 ... 438
이산화 속성을 수치 속성으로 변환 ... 439
7.3 투영화 ... 440
주성분 분석(PCA) 알고리즘 ... 442
랜덤 투영 알고리즘 ... 445
편 최소 제곱 회귀 알고리즘 ... 445
텍스트를 속성 벡터로 변환 ... 447
시계열 ... 449
7.4 표본 추출 ... 450
저장식 표본 추출 ... 450
7.5 정화 알고리즘 ... 451
의사 결정 트리 구조 개선 ... 452
견고한 회귀법 ... 453
비정상 검출 ... 455
단일 클래스 학습 ... 456
7.6 다중 클래스를 이진 클래스로 변환 ... 459
간단한 알고리즘 ... 460
오류 정정 출력 코드 ... 461
중첩 이분법 앙상블 알고리즘 ... 464
7.7 클래스 확률 교정 ... 467
7.8 참고 문헌 ... 470
7.9 웨카 구현 ... 473
8장 앙상블 학습 알로리즘 ... 475
8.1 다중 모델 조합 ... 476
8.2 배깅 ... 477
바이어스-분산 분해 ... 478
비용과 연관된 배깅 ... 480
8.3 무작위 추출 ... 481
무작위 추출과 배깅 ... 482
로테이션 포레스트 앙상블 학습 기법 ... 483
8.4 부스팅 알고리즘 ... 484
아다부스트 ... 484
부스팅의 검증력 ... 487
8.5 가산 회귀 분석 ... 489
수치 예측 ... 490
가산 로지스틱 회귀 분석 ... 491
8.6 해석 가능한 앙상블 ... 493
옵션 트리 ... 493
로지스틱 모델 트리 ... 496
8.7 스태킹 ... 497
8.8 참고 문헌 ... 500
8.9 웨카 구현 ... 501
9장 계속되는 발전 : 현재와 미래 적용 범위 ... 503
9.1 <B><FONT color ... #0000
9.2 대용량 데이터 집합을 기반으로 한 학습 알고리즘 ... 507
9.3 데이터 스트림 학습 ... 510
9.4 전문 분야 지식의 통합 ... 514
9.5 텍스트 마이닝 ... 518
9.6 웹 마이닝 ... 522
9.7 적대적인 상황 ... 527
9.8 유비쿼터스 <B><FONT color ... #0000
9.9 참고 문헌 ... 534
Ⅲ부 웨카 <B><FONT color ... #0000
10장 웨카 입문 ... 539
10.1 웨카에 내장된 기능 ... 540
10.2 웨카의 사용법 ... 541
10.3 웨카의 기타 용도 ... 542
10.4 웨카의 다운로드 ... 543
11장 익스플로러 인터페이스 ... 545
11.1 웨카의 시작 ... 546
데이터 준비 ... 546
익스플로러로 데이터 로딩 ... 547
의사 결정 트리 구성 ... 549
출력 결과 검토 ... 550
다시 해보기 ... 552
모델을 통한 작업 ... 553
오류가 난 경우 ... 555
11.2 익스플로러 탐험 ... 556
파일 로딩과 필터링 ... 557
학습 스킴 훈련과 검증 ... 564
직접 만들어보기 : 사용자 분류기 ... 568
메타 학습기 사용 ... 571
군집화와 연관 규칙 ... 571
속성 선택 ... 573
시각화 ... 573
11.3 필터링 알고리즘 ... 575
비감독 속성 필터 ... 576
비감독 인스턴스 필터 ... 585
감독 필터 ... 587
11.4 학습 알고리즘 ... 591
베이지언 분류기 ... 594
트리 ... 598
규칙 ... 602
함수 ... 606
신경망 네트워크 ... 616
Lazy 분류기 ... 619
다중 인스턴스 분류기 ... 620
기타 분류기 ... 622
11.5 메타 학습 알고리즘 ... 622
배깅과 랜덤화 ... 624
부스팅 ... 625
분류기 조합 ... 626
비용 민감 학습 ... 627
최적화 성능 ... 627
다양한 작업을 처리하기 위한 분류기 목표 재설정 ... 629
11.6 군집 알고리즘 ... 629
11.7 연관 규칙 학습기 ... 636
11.8 속성 선택 ... 638
속성 종속 집합 평가기 ... 640
단일 속성 평가기 ... 641
검색 기법 ... 643
12장 지식 플로우 인터페이스 ... 647
12.1 시작하기 ... 647
12.2 컴포넌트 ... 650
12.3 컴포넌트 설정과 연동 ... 653
12.4 점증적 학습 ... 655
13장 Experimenter ... 659
13.1 시작하기 ... 659
실험 수행 ... 662
결과 분석 ... 662
13.2 간단 모드 설정 ... 664
13.3 고급 모드 설정 ... 665
13.4 Analyze 패널 ... 668
13.5 다중 머신을 대상으로 하는 분산 처리 기능 ... 670
14장 커맨드라인 인터페이스 ... 675
14.1 시작하기 ... 675
14.2 웨카의 구조 ... 676
클래스, 인스턴스, 패키지 ... 676
weka.core 패키지 ... 677
waka.classifiers 패키지 ... 680
기타 패키지 ... 682
Javadoc 인덱스 ... 683
14.3 커맨드라인 옵션 ... 684
일반 옵션 ... 685
특수 옵션 ... 687
15장 내장된 기계 학습 기능 ... 689
15.1 단순 <B><FONT color ... #0000
MessaeClassifer() ... 694
updateData() ... 695
classifyMessage() ... 696
16장 새로운 학습 스킴 개발 ... 699
16.1 예제 분류기 ... 700
buildClassfier() ... 700
makeTree() ... 708
computeInfoGain() ... 710
classifyInstance() ... 710
toSource() ... 711
main() ... 714
16.2 분류기를 구현할 때 지켜야 할 규약 ... 716
메모리 허용 용량 ... 717
17장 웨카 익스플로러를 위한 튜토리얼 예제 ... 719
17.1 익스플로러 인터페이스 시작 ... 719
데이터 로딩 ... 719
데이터 집합 편집기 ... 720
필터 적용 ... 721
Visualize 패널 ... 722
Classify 패널 ... 723
17.2 최근접 이웃 학습과 의사 결정 트리 ... 727
유리 데이터 집합 ... 728
속성 선택 ... 728
클래스 잡음과 최근접 이웃 학습 ... 730
훈련 데이터의 양 조절 ... 731
반복적 결정 트리 구성 ... 732
17.3 분류 경계 ... 734
1R 시각화 ... 734
최근접 이웃 학습 시각화 ... 735
단순 베이지언 분류 시각화 ... 736
결정 트리와 규칙 집합 시각화 ... 737
데이터 섞기 ... 737
17.4 전처리와 매개변수 튜닝 ... 738
이산화 ... 738
이산화에 대한 추가 사항 ... 739
자동 속성 선택 ... 740
자동 속성 선택에 관한 추가 사항 ... 741
자동 매개변수 튜닝 ... 742
17.5 문서 분류 ... 743
문자열 속성을 갖는 데이터 ... 744
실제 문서의 분류 ... 745
StringToWordVector 필터 연구 ... 747
17.6 연관 규칙의 마이닝 ... 748
연관 규칙 마이닝 ... 748
실제 <B><FONT color ... #0000
장바구니 분석 ... 751
부록 : 참고 문헌 ... 753
찾아보기 ... 785
더보기 닫기