Description
이 책과 관련된 동영상 강의와 R 코드는 다음 웹사이트에서 볼 수 있습니다.
-동영상 강의: https://www.youtube.com/곽기영
-R 코드: https://github.com/kykwahk
오늘날 우리는 상상조차 어려울 만큼 방대한 데이터를 생성하며 살아가고 있습니다. 스마트폰, 인터넷, 센서, 소셜미디어, 각종 디지털 기기를 통해 매 순간 쏟아지는 이 데이터는 단순한 숫자나 문자가 아니라 사람들이 살아가는 흔적이자 세상의 움직임을 담은 기록입니다. 그러나 데이터는 그 자체로는 아무런 가치를 지니지 않습니다. 분석하고, 해석하며, 예측 가능한 정보로 변환될 때에야 비로소 의미를 갖게 됩니다. 머신러닝(machine learning)은 이러한 과정을 자동화하고 체계화하며, 궁극적으로는 인사이트(insight)를 도출해내는 하나의 도구이자 언어입니다.
이 책은 복잡하고 방대한 머신러닝의 영역을 가능한 한 체계적이고 실용적인 관점에서 풀어내고자 했습니다. 독자 여러분이 머신러닝을 처음 접하든, 이미 알고 있는 내용을 더 깊이 정리하려고 하든, 이 책이 데이터로부터 가치를 창출하는 여정에 든든한 동반자가 되기를 기대합니다. 머신러닝의 활용 가능성은 제조 현장의 공정최적화, 금융범죄 예방을 위한 사기탐지, 고객세분화를 통한 마케팅 전략수립, 보건의료 분야의 질병예측은 물론, 고도의 창의성을 요구하는 예술창작에 이르기까지 실로 무한합니다. 그러나 이처럼 폭넓은 가능성에도 불구하고 막상 머신러닝을 배우고 활용하려는 입장에서는 높은 장벽을 체감하게 됩니다. 그 이유는 다양하지만 많은 입문 자료들이 지나치게 이론 중심적이거나 반대로 무비판적인 도구 사용에 치우쳐 있다는 점도 한몫을 합니다. 이 책은 이러한 두 극단 사이에서 균형을 추구합니다. 머신러닝의 이론적 기반을 충실히 설명하되, 그것이 실제로 어떻게 구현되고, 어떻게 해석되며, 어떤 문제에 적합한지를 이해하는 데 중점을 둡니다.
이 책은 「R을 이용한 머신러닝: 모델링, Tidymodels, Caret」을 시작으로, 「R을 이용한 머신러닝: 지도학습」과 「R을 이용한 머신러닝: 비지도학습」으로 이어지는 ‘R을 이용한 머신러닝’ 시리즈의 첫 번째 권입니다. 이 시리즈의 각 권은 머신러닝의 핵심 영역을 다루되, 서로 유기적으로 연결되어 있습니다. 시리즈의 첫 번째 권인 이 책은 머신러닝의 전체적인 모델링 프로세스를 다루는 입문적인 내용을 포함하고 있습니다. 여기에서는 데이터를 어떻게 준비하고 전처리할 것인가부터 시작해, 모델을 어떻게 선택하고, 훈련시키고, 성능을 평가할 것인지까지의 흐름을 상세히 다룹니다. 이 책의
목적은 머신러닝 프로젝트의 ‘전반적인 윤곽’을 그릴 수 있게 하는 것입니다. 단순히 알고리즘을 배우는 데 그치지 않고 알고리즘이 실제로 어떠한 절차 속에서 활용되는지를 이해하도록 돕습니다. 또한 이 책에서는 R 언어에서 널리 사용되는 두 가지 모델링 프레임워크인 Tidymodels와 Caret을 비교하고, 각 도구의 특징과 사용법을 예제와 함께 소개합니다. 이 도구들은 R 사용자에게 매우 강력한 무기가 될 수 있으며, 특히 실무에서 모델을 생성하고 평가하는 반복 작업을 효율적으로 수행할 수 있게 해줍니다. 아울러 이 책에서는 29개의 머신러닝 알고리즘을 간략히 소개하고, 각 알고리즘이 어떻게 작동하며 어떤 상황에 적합한지를 개괄적으로 설명합니다.
‘R을 이용한 머신러닝’ 시리즈의 두 번째 권인 「R을 이용한 머신러닝: 지도학습」은 지도학습(supervised learning)을 다룹니다. 지도학습은 구체적인 목표가 있기 때문에 목표에 해당하는 수치 또는 범주를 예측할 수 있습니다. 수치를 예측하는 것을 회귀문제라고 하고 범주를 판별하는 것을 분류문제라고 합니다. 여기에서는 회귀문제와 분류문제를 다룰 수 있는 다양한 지도학습 알고리즘을 소개합니다. 이 시리즈의 세 번째 권인 「R을 이용한 머신러닝: 비지도학습」은 비지도학습(unsupervised learning)을 다룹니다. 비지도학습은 구체적인 목표 없이 많은 변수로부터 주요한 특성을 추출하고
(차원축소), 데이터셋에 내재되어 있는 자연스러운 그룹을 식별하며(군집식별), 사건 간 연관성을 바탕으로 동시에 등장하는 패턴을 탐색합니다(연관규칙탐색). 여기에서는 차원축소, 군집식별, 연관규칙탐색을 위해 많이 사용되는 주요 비지도학습 알고리즘을 예제와 함께 소개합니다.
-동영상 강의: https://www.youtube.com/곽기영
-R 코드: https://github.com/kykwahk
오늘날 우리는 상상조차 어려울 만큼 방대한 데이터를 생성하며 살아가고 있습니다. 스마트폰, 인터넷, 센서, 소셜미디어, 각종 디지털 기기를 통해 매 순간 쏟아지는 이 데이터는 단순한 숫자나 문자가 아니라 사람들이 살아가는 흔적이자 세상의 움직임을 담은 기록입니다. 그러나 데이터는 그 자체로는 아무런 가치를 지니지 않습니다. 분석하고, 해석하며, 예측 가능한 정보로 변환될 때에야 비로소 의미를 갖게 됩니다. 머신러닝(machine learning)은 이러한 과정을 자동화하고 체계화하며, 궁극적으로는 인사이트(insight)를 도출해내는 하나의 도구이자 언어입니다.
이 책은 복잡하고 방대한 머신러닝의 영역을 가능한 한 체계적이고 실용적인 관점에서 풀어내고자 했습니다. 독자 여러분이 머신러닝을 처음 접하든, 이미 알고 있는 내용을 더 깊이 정리하려고 하든, 이 책이 데이터로부터 가치를 창출하는 여정에 든든한 동반자가 되기를 기대합니다. 머신러닝의 활용 가능성은 제조 현장의 공정최적화, 금융범죄 예방을 위한 사기탐지, 고객세분화를 통한 마케팅 전략수립, 보건의료 분야의 질병예측은 물론, 고도의 창의성을 요구하는 예술창작에 이르기까지 실로 무한합니다. 그러나 이처럼 폭넓은 가능성에도 불구하고 막상 머신러닝을 배우고 활용하려는 입장에서는 높은 장벽을 체감하게 됩니다. 그 이유는 다양하지만 많은 입문 자료들이 지나치게 이론 중심적이거나 반대로 무비판적인 도구 사용에 치우쳐 있다는 점도 한몫을 합니다. 이 책은 이러한 두 극단 사이에서 균형을 추구합니다. 머신러닝의 이론적 기반을 충실히 설명하되, 그것이 실제로 어떻게 구현되고, 어떻게 해석되며, 어떤 문제에 적합한지를 이해하는 데 중점을 둡니다.
이 책은 「R을 이용한 머신러닝: 모델링, Tidymodels, Caret」을 시작으로, 「R을 이용한 머신러닝: 지도학습」과 「R을 이용한 머신러닝: 비지도학습」으로 이어지는 ‘R을 이용한 머신러닝’ 시리즈의 첫 번째 권입니다. 이 시리즈의 각 권은 머신러닝의 핵심 영역을 다루되, 서로 유기적으로 연결되어 있습니다. 시리즈의 첫 번째 권인 이 책은 머신러닝의 전체적인 모델링 프로세스를 다루는 입문적인 내용을 포함하고 있습니다. 여기에서는 데이터를 어떻게 준비하고 전처리할 것인가부터 시작해, 모델을 어떻게 선택하고, 훈련시키고, 성능을 평가할 것인지까지의 흐름을 상세히 다룹니다. 이 책의
목적은 머신러닝 프로젝트의 ‘전반적인 윤곽’을 그릴 수 있게 하는 것입니다. 단순히 알고리즘을 배우는 데 그치지 않고 알고리즘이 실제로 어떠한 절차 속에서 활용되는지를 이해하도록 돕습니다. 또한 이 책에서는 R 언어에서 널리 사용되는 두 가지 모델링 프레임워크인 Tidymodels와 Caret을 비교하고, 각 도구의 특징과 사용법을 예제와 함께 소개합니다. 이 도구들은 R 사용자에게 매우 강력한 무기가 될 수 있으며, 특히 실무에서 모델을 생성하고 평가하는 반복 작업을 효율적으로 수행할 수 있게 해줍니다. 아울러 이 책에서는 29개의 머신러닝 알고리즘을 간략히 소개하고, 각 알고리즘이 어떻게 작동하며 어떤 상황에 적합한지를 개괄적으로 설명합니다.
‘R을 이용한 머신러닝’ 시리즈의 두 번째 권인 「R을 이용한 머신러닝: 지도학습」은 지도학습(supervised learning)을 다룹니다. 지도학습은 구체적인 목표가 있기 때문에 목표에 해당하는 수치 또는 범주를 예측할 수 있습니다. 수치를 예측하는 것을 회귀문제라고 하고 범주를 판별하는 것을 분류문제라고 합니다. 여기에서는 회귀문제와 분류문제를 다룰 수 있는 다양한 지도학습 알고리즘을 소개합니다. 이 시리즈의 세 번째 권인 「R을 이용한 머신러닝: 비지도학습」은 비지도학습(unsupervised learning)을 다룹니다. 비지도학습은 구체적인 목표 없이 많은 변수로부터 주요한 특성을 추출하고
(차원축소), 데이터셋에 내재되어 있는 자연스러운 그룹을 식별하며(군집식별), 사건 간 연관성을 바탕으로 동시에 등장하는 패턴을 탐색합니다(연관규칙탐색). 여기에서는 차원축소, 군집식별, 연관규칙탐색을 위해 많이 사용되는 주요 비지도학습 알고리즘을 예제와 함께 소개합니다.
R을 이용한 머신러닝: 모델링, Tidymodels, Caret
$46.50