목차 | 대구한의대학교 도서관

지은이 소개 ... 4
감사의 글 ... 6
옮긴이 소개 ... 10
옮긴이의 말 ... 11
들어가며 ... 35
Ⅰ부 <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 <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 <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 <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 <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 <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 <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 <FONT color ... #0000
 장바구니 분석 ... 751
부록 : 참고 문헌 ... 753
찾아보기 ... 785

닫기