• 컴퓨터/IT > 컴퓨터공학 > 알고리즘/자료구조

반디앤루니스 리뷰

회귀분석, 로지스틱 회귀, KNN, 의사결정트리, SVM, 나이브 베이즈, 군집화, 차원축소 등의 다양한 고전적 머신러닝 기법뿐 아니라 신경망과 강화학습의 최신 기법도 최소한의 수학 지식으로 직관적으로 이해할 수 있도록 알려준다. 파생상품 교과서로 유명한 존 헐 교수의 방식대로 어려운 개념을 현실적인 예제와 간단한 수식으로 일반 독자도 잘 이해할 수 있도록 풀어쓴 책이다.

출판사 리뷰

★ 지은이의 말 ★ 대부분의 학생은 머신러닝의 영향력이 점점 더 커지는 세상에서 살아남으려면 머신러닝에 대한 지식이 필요하다는 것을 인지하고 있다. 오늘날, 모든 임원은 컴퓨터를 다루는 방법을 알아야 한다. 더 나아가 가까운 시일 내에 모든 임원은 생산성을 향상시키기 위해 데이터셋을 관리하고 데이터 과학 전문가들과 함께 일하는 것에 익숙해져야 한다. 이 책에서는 행렬이나 벡터 대수학을 사용하지 않았고 미적분학을 사용하지 않았다. 이러한 학문 분야들이 전문가들에게 도움을 줄 수는 있지만, 경험상 대부분의 경영대학 학생들과 경영진들은 수학적인 부분을 불편해했다. 이 책은 데이터 과학자가 가장 많이 사용하는 알고리즘을 설명한다. 이를 통해 독자는 특정 상황에 대한 장단점을 평가하고 데이터 과학 전문가와 함께 생산적으로 작업할 수 있다. 알고리즘은 다양한 데이터셋으로 설명하며, 데이터셋은 저자의 웹사이트(www-2.rotman.utoronto.ca/~hull)에서 다운로드할 수 있다. 엑셀 시트와 파이썬 코드가 데이터셋을 수반한다. 실제로 내가 가르치는 모든 학생은 수업을 듣기 이전에 엑셀에 친숙하다. 저자는 학생들이 파이썬에 대해서도 편하게 다룰 수 있기를 바란다. 학생들은 이미 코딩 기술이 경영의 많은 직업의 전제조건이 되고 있음을 인지하고 있다. 저자의 웹사이트에서 수백 개의 파워포인트 슬라이드를 다운로드할 수 있다. 이 책을 채택하기로 선택한 강사들은 자신의 필요에 맞게 슬라이드를 수정할 수 있다. ★ 옮긴이의 말 ★ 머신러닝이 일상용어로 사용되는 현시점에서 경영대에서는 머신러닝을 어떻게 가르쳐야 할까에 대한 의문이 있을 수 있다. 존 헐은 이 책에서 이에 대한 해답을 명쾌하게 제공한다. 본서는 다양한 고전적 머신러닝 기법뿐 아니라 신경망과 강화학습의 최신 기법들도 최소한의 수학지식으로 직관적으로 이해할 수 있도록 소개하고 있다. 파생상품 교과서로 유명한 존 헐 교수의 방식대로, 어려운 개념을 현실적인 예제와 간단한 수식으로 일반 독자들도 잘 이해할 수 있도록 풀어쓴 책으로 생각하면 될 것 같다. 과연 머신러닝이 경영학 특히 금융에 어떻게 적용되는지 현실적인 문제를 더욱 중요하게 다룸으로써 독자들에게 생생하게 다가오고 있다. 또한 최근 가장 뜨거운 주제로 대두되고 있는 머신러닝의 해석성과 사회적 이슈 등의 중요한 문제를 잘 설명하고 있다. 데이터 과학을 경영에서 활용하고자 하는 사람들과 머신러닝을 특히 금융에 적용하고자 하는 사람들에게 입문서로서 최적의 책이 아닌가 생각이 된다. 고급 수학과 현란한 컴퓨터 프로그래밍 기법으로 머신러닝ㆍ딥러닝을 표현할 수도 있지만, 본서와 같이 직관적으로 이해를 할 수 있는 책도 필요하다. 그렇다고 해서 결코 쉽게만 저술한 책이 아니므로, 현재 존재하는 아주 초보적인 책과 고급 수준의 저서의 격차를 메우는 데도 도움이 되리라 본다. 더욱이 본서의 예제들은 존 헐 교수의 홈페이지에서 제공하는 파이썬 코드와 데이터로 실습을 할 수 있어 이해를 더욱 돋울 수 있다고 본다. 많은 사람이 본서로부터 영감을 얻어 실생활, 특히 경영/금융에 데이터 기반의 의사결정체계를 도입하고 그 안에서 머신러닝을 활용하기를 바란다

★ 지은이의 말 ★

대부분의 학생은 머신러닝의 영향력이 점점 더 커지는 세상에서 살아남으려면 머신러닝에 대한 지식이 필요하다는 것을 인지하고 있다. 오늘날, 모든 임원은 컴퓨터를 다루는 방법을 알아야 한다. 더 나아가 가까운 시일 내에 모든 임원은 생산성을 향상시키기 위해 데이터셋을 관리하고 데이터 과학 전문가들과 함께 일하는 것에 익숙해져야 한다.
이 책에서는 행렬이나 벡터 대수학을 사용하지 않았고 미적분학을 사용하지 않았다. 이러한 학문 분야들이 전문가들에게 도움을 줄 수는 있지만, 경험상 대부분의 경영대학 학생들과 경영진들은 수학적인 부분을 불편해했다. 이 책은 데이터 과학자가 가장 많이 사용하는 알고리즘을 설명한다. 이를 통해 독자는 특정 상황에 대한 장단점을 평가하고 데이터 과학 전문가와 함께 생산적으로 작업할 수 있다. 알고리즘은 다양한 데이터셋으로 설명하며, 데이터셋은 저자의 웹사이트(www-2.rotman.utoronto.ca/~hull)에서 다운로드할 수 있다.
엑셀 시트와 파이썬 코드가 데이터셋을 수반한다. 실제로 내가 가르치는 모든 학생은 수업을 듣기 이전에 엑셀에 친숙하다. 저자는 학생들이 파이썬에 대해서도 편하게 다룰 수 있기를 바란다. 학생들은 이미 코딩 기술이 경영의 많은 직업의 전제조건이 되고 있음을 인지하고 있다.
저자의 웹사이트에서 수백 개의 파워포인트 슬라이드를 다운로드할 수 있다. 이 책을 채택하기로 선택한 강사들은 자신의 필요에 맞게 슬라이드를 수정할 수 있다.

★ 옮긴이의 말 ★

머신러닝이 일상용어로 사용되는 현시점에서 경영대에서는 머신러닝을 어떻게 가르쳐야 할까에 대한 의문이 있을 수 있다. 존 헐은 이 책에서 이에 대한 해답을 명쾌하게 제공한다. 본서는 다양한 고전적 머신러닝 기법뿐 아니라 신경망과 강화학습의 최신 기법들도 최소한의 수학지식으로 직관적으로 이해할 수 있도록 소개하고 있다. 파생상품 교과서로 유명한 존 헐 교수의 방식대로, 어려운 개념을 현실적인 예제와 간단한 수식으로 일반 독자들도 잘 이해할 수 있도록 풀어쓴 책으로 생각하면 될 것 같다.
과연 머신러닝이 경영학 특히 금융에 어떻게 적용되는지 현실적인 문제를 더욱 중요하게 다룸으로써 독자들에게 생생하게 다가오고 있다. 또한 최근 가장 뜨거운 주제로 대두되고 있는 머신러닝의 해석성과 사회적 이슈 등의 중요한 문제를 잘 설명하고 있다. 데이터 과학을 경영에서 활용하고자 하는 사람들과 머신러닝을 특히 금융에 적용하고자 하는 사람들에게 입문서로서 최적의 책이 아닌가 생각이 된다.
고급 수학과 현란한 컴퓨터 프로그래밍 기법으로 머신러닝·딥러닝을 표현할 수도 있지만, 본서와 같이 직관적으로 이해를 할 수 있는 책도 필요하다. 그렇다고 해서 결코 쉽게만 저술한 책이 아니므로, 현재 존재하는 아주 초보적인 책과 고급 수준의 저서의 격차를 메우는 데도 도움이 되리라 본다. 더욱이 본서의 예제들은 존 헐 교수의 홈페이지에서 제공하는 파이썬 코드와 데이터로 실습을 할 수 있어 이해를 더욱 돋울 수 있다고 본다.
많은 사람이 본서로부터 영감을 얻어 실생활, 특히 경영/금융에 데이터 기반의 의사결정체계를 도입하고 그 안에서 머신러닝을 활용하기를 바란다.

1장. 소개
1.1 본서와 부속 자료
1.2 머신러닝 모델의 종류
1.3 검증 및 테스트
1.4 데이터 정제
__일관성이 없는 기록
__원하지 않는 관측치
__중복 관측치
__특이치
__결측 데이터
1.5 베이즈 정리
__요약
__짧은 개념 질문
__연습문제

2장. 비지도학습
2.1 특성 스케일링
2.2 k - 평균 알고리즘
2.3 k 선택하기
2.4 차원의 저주
2.5 국가 위험
2.6 다른 군집화 접근 방식
2.7 주성분 분석
__요약
__짧은 개념 질문
__연습문제

3장. 지도학습: 선형과 로지스틱 회귀
3.1 선형 회귀: 한 개의 특성
3.2 선형 회귀: 여러 특성
__그래디언트 하강 알고리즘
__다항식 회귀 분석
__회귀 통계량
3.3 범주형 특성
__더미변수 함정
3.4 규제화
3.5 릿지 회귀
3.6 라쏘 회귀
3.7 일래스틱넷 회귀
3.8 주택가격 데이터 결과
3.9 로지스틱 회귀
3.10 결정 기준
3.11 신용 결정에 대한 응용
3.12 k - 최근접 이웃 알고리즘
__요약
__짧은 개념 질문
__연습문제

4장. 의사결정 트리
4.1 의사결정 트리의 성격
4.2 정보 이득 척도
4.3 신용결정에의 응용
4.4 나이브 베이즈 분류기
4.5 연속형 타깃변수
4.6 앙상블 학습
__배깅
__랜덤 포레스트
__부스팅
__요약
__짧은 개념 질문
__연습문제

5장. 지도학습: SVM
5.1 선형 SVM 분류
5.2 소프트 마진을 위한 수정
5.3 비선형 분리
5.4 연속변수 예측
__요약
__짧은 개념 질문
__연습문제

6장. 지도학습: 신경망
6.1 단일층 ANN
6.2 다층 ANN
6.3 그래디언트 하강 알고리즘
__다중 파라미터
6.4 기본방법의 변형
6.5 종료 규칙
6.6 블랙 - 숄즈 - 머튼 공식
6.7 확장
6.8 오토인코더
6.9 합성곱 신경망
6.10 순환 신경망
__요약
__짧은 개념 질문
__연습문제

7장. 강화학습
7.1 멀티암드 밴딧 문제
7.2 변화하는 환경
7.3 님 게임
7.4 시차학습
7.5 딥 Q - 러닝
7.6 응용
__요약
__짧은 개념 질문
__연습문제

8장. 자연어 처리
8.1 데이터 원천
8.2 전처리
8.3 단어 주머니 모델
8.4 나이브 베이즈 분류기의 적용
8.5 다른 알고리즘의 적용
8.6 정보 검색
8.7 다른 자연어 응용
__요약
__짧은 개념 질문
__연습문제

9장. 모델 해석성
9.1 선형회귀
9.2 로지스틱 회귀 분석
9.3 블랙박스 모델
9.4 샤플리값
9.5 라임
__요약
__간단한 개념 질문
__연습문제

10장. 금융에서의 응용
10.1 파생상품
10.2 델타
10.3 변동성 표면
10.4 변동성 표면 움직임의 이해
10.5 헷징을 위한 강화학습 사용
10.6 확장
10.7 기타 금융 애플리케이션
__요약
__짧은 개념 질문
__연습문제

11장. 사회적 이슈
11.1 데이터 보안성
11.2 편향
11.3 윤리
11.4 투명성
11.5 적대적 머신러닝
11.6 법적 이슈
11.7 인간 대 머신

__연습문제 해답
__용어 사전