ÄÁÅÙÃ÷»ó¼¼º¸±â

ÆÄÀ̽㠶óÀ̺귯¸®¸¦ È°¿ëÇÑ ¸Ó½Å·¯´× (¹ø¿ª°³Á¤ÆÇ)
ÆÄÀ̽㠶óÀ̺귯¸®¸¦ È°¿ëÇÑ ¸Ó½Å·¯´× (¹ø¿ª°³Á¤ÆÇ)
  • ÀúÀÚ<¾Èµå·¹¾Æ½º ¹Á·¯>,<¼¼¶ó °¡À̵µ> °øÀú/<¹ÚÇؼ±> ¿ª
  • ÃâÆÇ»çÇѺû¹Ìµð¾î
  • ÃâÆÇÀÏ2019-04-20
  • µî·ÏÀÏ2021-09-24
º¸À¯ 1, ´ëÃâ 0, ¿¹¾à 0, ´©Àû´ëÃâ 1, ´©Àû¿¹¾à 0

Ã¥¼Ò°³

»çÀÌŶ·± Çٽɠ°³¹ßÀÚ¿¡°Ô ¹è¿ì´Â ¸Ó½Å·¯´× À̷аú ±¸Çö 

Çö¾÷¿¡¼­ ¸Ó½Å·¯´×À» ¿¬±¸ÇÏ°í ÀΰøÁö´É ¼­ºñ½º¸¦ °³¹ßÇϱâ À§ÇØ ²À ÇÐÀ§¸¦ ¹ÞÀ» ÇÊ¿ä´Â ¾ø½À´Ï´Ù. »çÀÌŶ·±(scikit-learn)°ú °°Àº ÈǸ¢ÇÑ ¸Ó½Å·¯´× ¶óÀ̺귯¸®°¡ º¹ÀâÇÏ°í ³­ÇØÇÑ ÀÛ¾÷À» Á÷°üÀûÀΠÀÎÅÍÆäÀ̽º·Î °¨½ÎÁִ ´öºÐÀÌÁÒ. À̠å¿¡¼­´Â »çÀÌŶ·±ÀÇ Çٽɠ°³¹ßÀÚ°¡ º¹ÀâÇÑ ¼öÇÐÀ» µ¿¿øÇÏÁö ¾Ê°í ½Ç¿ëÀûÀ¸·Î ¸Ó½Å·¯´×À» ±¸ÃàÇϴ ¸ðµç ´Ü°è¸¦ ¼³¸íÇÕ´Ï´Ù. ¹ÌÀûºÐ, ¼±Çü´ë¼ö, È®·ü ÀÌ·ÐÀ» °øºÎÇÏÁö ¾Ê¾Ò¾îµµ À̠åÀ» ÅëÇØ ¸Ó½Å·¯´×À» È°¿ëÇÒ ¼ö ÀÖ°Ô µÉ °ÍÀÔ´Ï´Ù.

¡Ø º» ¹ø¿ª°³Á¤ÆÇÀº scikit-learn ¾÷µ¥ÀÌÆ®¿¡ µû¶ó Àü¹ÝÀûÀ¸·Î ³»¿ëÀ» °»½ÅÇÑ ¿ø¼­ 4¼â¸¦ ±â¹ÝÀ¸·Î ÇÕ´Ï´Ù. ¿ÀÅ»ÀÚ¸¦ ¹Ù·ÎÀâ°í, ½Ã°¢Àû ÆíÀǸ¦ À§ÇØ Ç®Ä÷¯·Î ÀμâÇßÀ¸¸ç, Çѱ¹¾îÆÇ ºÎ·Ï 3°³ ÀýÀ» Ãß°¡Çß½À´Ï´Ù.

ÀúÀÚ¼Ò°³

µ¶ÀÏ º»(Bonn) ´ëÇб³¿¡¼­ ¸Ó½Å·¯´×À¸·Î ¹Ú»ç ÇÐÀ§¸¦ ¹Þ¾Ò´Ù. 1³â°£ ¾Æ¸¶Á¸ÀÇ ÄÄÇ»ÅÍ ºñÀü ÀÀ¿ë ºÎ¼­¿¡¼­ ¸Ó½Å·¯´× ¿¬±¸ÀڷΠÀÏÇÑ µÚ ´º¿å ´ëÇб³ÀÇ µ¥ÀÌÅÍ °úÇР¼¾ÅÍ¿¡ ÇÕ·ùÇß°í, ÇöÀç´Â Ä÷³ºñ¾Æ ´ëÇб³¿¡¼­ ¡®Applied Machine Learning¡¯ °ú¸ñÀ» °¡¸£Ä¡°í ÀÖ´Ù. Áö³­ 4³â µ¿¾È Çаè¿Í »ê¾÷°è¿¡¼­ ³Î¸® »ç¿ëÇϴ ¸Ó½Å·¯´× ÅøŶÀΠ»çÀÌŶ·±ÀÇ Çٽɠ±â¿©ÀÚ¿Í °ü¸®ÀڷΠȰµ¿Çß´Ù. ¶Ç Àß ¾Ë·ÁÁø ¿©·¯ ¸Ó½Å·¯´× ÆÐÅ°Áö¸¦ Á÷Á¢ ¸¸µé°Å³ª °³¹ß¿¡ Âü¿©Çß´Ù. ¹Á·¯ÀÇ ¼Ò¸ÁÀº ¸Ó½Å·¯´× ¾ÖÇø®ÄÉÀ̼Ǡ°³¹ßÀÇ ÁøÀÔ À庮À» ³·Ãß°í, ¼öÁØ ³ôÀº ¸Ó½Å·¯´× ¾Ë°í¸®ÁòÀ» ¼Õ½±°Ô »ç¿ëÇÒ ¼ö Àִ °ø°³ ÅøÀ» ¸¸µå´Â °ÍÀÌ´Ù.

¸ñÂ÷

CHAPTER 1 ¼Ò°³
1.1 ¿Ö ¸Ó½Å·¯´×Àΰ¡?
__1.1.1 ¸Ó½Å·¯´×À¸·Î Ç® ¼ö Àִ ¹®Á¦
__1.1.2 ¹®Á¦¿Í µ¥ÀÌÅÍ ÀÌÇØÇϱâ
1.2 ¿Ö ÆÄÀ̽ãÀΰ¡?
1.3 scikit-learn
__1.3.1 scikit-learn ¼³Ä¡
1.4 Çʼö ¶óÀ̺귯¸®¿Í µµ±¸µé
__1.4.1 ÁÖÇÇÅÍ ³ëÆ®ºÏ
__1.4.2 NumPy
__1.4.3 SciPy
__1.4.4 matplotlib
__1.4.5 pandas
__1.4.6 mglearn
1.5 ÆÄÀ̽ã 2 vs. ÆÄÀ̽ã 3
1.6 À̠å¿¡¼­ »ç¿ëÇϴ ¼ÒÇÁÆ®¿þ¾î ¹öÀü
1.7 Ã¹ ¹ø° ¾ÖÇø®ÄÉÀ̼Ç: º×²ÉÀÇ Ç°Á¾ ºÐ·ù
__1.7.1 µ¥ÀÌÅÍ ÀûÀç
__1.7.2 ¼º°ú ÃøÁ¤: ÈƷ൥ÀÌÅÍ¿Í Å×½ºÆ® µ¥ÀÌÅÍ
__1.7.3 °¡Àå ¸ÕÀú ÇÒ ÀÏ: µ¥ÀÌÅÍ »ìÆ캸±â
__1.7.4 Ã¹ ¹ø° ¸Ó½Å·¯´× ¸ðµ¨: k-ÃÖ±ÙÁ¢ ÀÌ¿ô ¾Ë°í¸®Áò
__1.7.5 ¿¹ÃøÇϱâ
__1.7.6 ¸ðµ¨ Æò°¡Çϱâ
1.8 ¿ä¾à ¹× Á¤¸®

CHAPTER 2 Áöµµ ÇнÀ
2.1 ºÐ·ù¿Í È¸±Í
2.2 ÀϹÝÈ­, °ú´ëÀûÇÕ, °ú¼ÒÀûÇÕ
__2.2.1 ¸ðµ¨ º¹Àâµµ¿Í µ¥ÀÌÅͼ ũ±âÀÇ °ü°è
2.3 Áöµµ ÇнÀ ¾Ë°í¸®Áò
__2.3.1 ¿¹Á¦¿¡ »ç¿ëÇÒ µ¥ÀÌÅͼÂ
__2.3.2 k-ÃÖ±ÙÁ¢ ÀÌ¿ô
__2.3.3 ¼±Çü ¸ðµ¨
__2.3.4 ³ªÀ̺꠺£ÀÌÁзù±â 
__2.3.5 °áÁ¤ Æ®¸®
__2.3.6 °áÁ¤ Æ®¸®ÀÇ ¾Ó»óºí
__2.3.7 (Çѱ¹¾îÆÇ ºÎ·Ï) ¹è±ë, ¿¢½ºÆ®¶ó Æ®¸®, ¿¡À̴ٺνºÆ®
__2.3.8 Ä¿³Î ¼­Æ÷Æ® º¤ÅÍ ¸Ó½Å
__2.3.9 ½Å°æ¸Á(µö·¯´×)
2.4 ºÐ·ù ¿¹ÃøÀÇ ºÒÈ®½Ç¼º ÃßÁ¤
__2.4.1 °áÁ¤ ÇÔ¼ö
__2.4.2 ¿¹Ãø È®·ü
__2.4.3 ´ÙÁß ºÐ·ù¿¡¼­ÀÇ ºÒÈ®½Ç¼º
2.5 ¿ä¾à ¹× Á¤¸®

CHAPTER 3 ºñÁöµµ ÇнÀ°ú µ¥ÀÌÅÍ Àüó¸®
3.1 ºñÁöµµ ÇнÀÀÇ Á¾·ù
3.2 ºñÁöµµ ÇнÀÀÇ µµÀü °úÁ¦
3.3 µ¥ÀÌÅÍ Àü󸮿͠½ºÄÉÀÏ Á¶Á¤
__3.3.1 ¿©·¯ °¡Áö Àü󸮠¹æ¹ý
__3.3.2 µ¥ÀÌÅÍ º¯È¯ Àû¿ëÇϱâ
__3.3.3 (Çѱ¹¾îÆÇ ºÎ·Ï) QuantileTransformer¿Í PowerTransformer
__3.3.4 ÈƷ൥ÀÌÅÍ¿Í Å×½ºÆ® µ¥ÀÌÅÍÀÇ ½ºÄÉÀÏÀ» °°Àº ¹æ¹ýÀ¸·Î Á¶Á¤Çϱâ
__3.3.5 Áöµµ ÇнÀ¿¡¼­ µ¥ÀÌÅÍ Àü󸮠ȿ°ú 
3.4 Â÷¿ø Ãà¼Ò, Æ¯¼º ÃßÃâ, ¸Å´ÏÆúµå ÇнÀ
__3.4.1 ÁÖ¼ººÐ ºÐ¼®(PCA)
__3.4.2 ºñÀ½¼ö Çà·Ä ºÐÇØ(NMF)
__3.4.3 t-SNE¸¦ ÀÌ¿ëÇÑ ¸Å´ÏÆúµå ÇнÀ
3.5 ±ºÁý
__3.5.1 k-Æò±Õ ±ºÁý
__3.5.2 º´ÇÕ ±ºÁý
__3.5.3 DBSCAN
__3.5.4 ±ºÁý ¾Ë°í¸®ÁòÀÇ ºñ±³¿Í Æò°¡
__3.5.5 ±ºÁý ¾Ë°í¸®Áò ¿ä¾à
3.6 ¿ä¾à ¹× Á¤¸®

CHAPTER 4 µ¥ÀÌÅ͠ǥÇö°ú Æ¯¼º °øÇÐ
4.1 ¹üÁÖÇü º¯¼ö
__4.1.1 ¿ø-ÇÖ-ÀÎÄÚµù(°¡º¯¼ö)
__4.1.2 ¼ýÀڷΠǥÇöµÈ ¹üÁÖÇü Æ¯¼º
4.2 OneHotEncoder¿Í ColumnTransformer: scikit-learnÀ¸·Î ¹üÁÖÇü º¯¼ö ´Ù·ç±â
4.3 make_column_transformer·Î °£ÆíÇÏ°Ô ColumnTransformer ¸¸µé±â
4.4 ±¸°£ ºÐÇÒ, ÀÌ»êÈ­ ±×¸®°í ¼±Çü ¸ðµ¨, Æ®¸® ¸ðµ¨
4.5 »óÈ£ÀÛ¿ë°ú ´ÙÇ×½Ä
4.6 ÀϺ¯·® ºñ¼±Çü º¯È¯
4.7 Æ¯¼º ÀÚµ¿ ¼±ÅÃ
__4.7.1 ÀϺ¯·® Åë°è
__4.7.2 ¸ðµ¨ ±â¹Ý Æ¯¼º ¼±ÅÃ
__4.7.3 ¹Ýº¹Àû Æ¯¼º ¼±ÅÃ
4.8 Àü¹®°¡ Áö½Ä È°¿ë
4.9 ¿ä¾à ¹× Á¤¸®

CHAPTER 5 ¸ðµ¨ Æò°¡¿Í ¼º´É Çâ»ó
5.1 ±³Â÷ °ËÁõ
__5.1.1 scikit-learnÀÇ ±³Â÷ °ËÁõ
__5.1.2 ±³Â÷ °ËÁõÀÇ ÀåÁ¡
__5.1.3 °èÃþº° k-°ã ±³Â÷ °ËÁõ°ú ±×¿Ü Àü·«µé
__5.1.4 (Çѱ¹¾îÆÇ ºÎ·Ï) ¹Ýº¹ ±³Â÷ °ËÁõ
5.2 ±×¸®µå ¼­Ä¡
__5.2.1 °£´ÜÇÑ ±×¸®µå ¼­Ä¡
__5.2.2 ¸Å°³º¯¼ö °ú´ëÀûÇÕ°ú °ËÁõ ¼¼Æ®
__5.2.3 ±³Â÷ °ËÁõÀ» »ç¿ëÇÑ ±×¸®µå ¼­Ä¡
5.3 Æò°¡ ÁöÇ¥¿Í ÃøÁ¤
__5.3.1 ÃÖÁ¾ ¸ñÇ¥¸¦ ±â¾ïÇ϶ó
__5.3.2 ÀÌÁø ºÐ·ùÀÇ Æò°¡ ÁöÇ¥
__5.3.3 ´ÙÁß ºÐ·ùÀÇ Æò°¡ ÁöÇ¥
__5.3.4 È¸±ÍÀÇ Æò°¡ ÁöÇ¥
__5.3.5 ¸ðµ¨ ¼±Åÿ¡¼­ Æò°¡ ÁöÇ¥ »ç¿ëÇϱâ
5.4 ¿ä¾à ¹× Á¤¸®

CHAPTER 6 ¾Ë°í¸®Áò Ã¼Àΰú ÆÄÀÌÇÁ¶óÀÎ
6.1 µ¥ÀÌÅÍ Àü󸮿͠¸Å°³º¯¼ö ¼±ÅÃ
6.2 ÆÄÀÌÇÁ¶óÀΠ±¸ÃàÇϱâ
6.3 ±×¸®µå ¼­Ä¡¿¡ ÆÄÀÌÇÁ¶óÀΠÀû¿ëÇϱâ
6.4 ÆÄÀÌÇÁ¶óÀΠÀÎÅÍÆäÀ̽º 
__6.4.1 make_piplelineÀ» »ç¿ëÇÑ ÆÄÀÌÇÁ¶óÀΠ»ý¼º
__6.4.2 ´Ü°è ¼Ó¼º¿¡ Á¢±ÙÇϱâ
__6.4.3 ±×¸®µå ¼­Ä¡ ¾ÈÀÇ ÆÄÀÌÇÁ¶óÀΠ¼Ó¼º¿¡ Á¢±ÙÇϱâ
6.5 Àü󸮿͠¸ðµ¨ÀÇ ¸Å°³º¯¼ö¸¦ À§ÇÑ ±×¸®µå ¼­Ä¡
6.6 ¸ðµ¨ ¼±ÅÃÀ» À§ÇÑ ±×¸®µå ¼­Ä¡
__6.6.1 Áߺ¹ °è»ê ÇÇÇϱâ
6.7 ¿ä¾à ¹× Á¤¸®

CHAPTER 7 ÅؽºÆ® µ¥ÀÌÅÍ ´Ù·ç±â
7.1 ¹®ÀÚ¿­ µ¥ÀÌÅ͠ŸÀÔ
7.2 ¿¹Á¦ ¾ÖÇø®ÄÉÀ̼Ç: ¿µÈ­ ¸®ºä °¨¼º ºÐ¼®
7.3 ÅؽºÆ® µ¥ÀÌÅ͸¦ BOW·Î Ç¥ÇöÇϱâ
__7.3.1 »ùÇ൥ÀÌÅÍ¿¡ BOW Àû¿ëÇϱâ
__7.3.2 ¿µÈ­ ¸®ºä¿¡ ´ëÇÑ BOW
7.4 ºÒ¿ë¾î
7.5 tf-idf·Î µ¥ÀÌÅÍ ½ºÄÉÀÏ º¯°æÇϱâ
7.6 ¸ðµ¨ °è¼ö Á¶»ç
7.7 ¿©·¯ ´Ü¾î·Î ¸¸µç BOW(n-±×·¥)
7.8 °í±Þ ÅäÅ«È­, ¾î°£ ÃßÃâ, Ç¥Á¦¾î ÃßÃâ
__7.8.1 (Çѱ¹¾îÆÇ ºÎ·Ï) KoNLPy¸¦ »ç¿ëÇÑ ¿µÈ­ ¸®ºä ºÐ¼®
7.9 ÅäÇÈ ¸ðµ¨¸µ°ú ¹®¼­ ±ºÁýÈ­
__7.9.1 LDA
7.10 ¿ä¾à ¹× Á¤¸®

CHAPTER 8 ¸¶¹«¸®
8.1 ¸Ó½Å·¯´× ¹®Á¦ Á¢±Ù ¹æ¹ý
__8.1.1 Àǻ砰áÁ¤ Âü¿©
8.2 ÇÁ·ÎÅäŸÀÔ¿¡¼­ Á¦Ç°±îÁö
8.3 Á¦Ç° ½Ã½ºÅÛ Å×½ºÆ®
8.4 ³ª¸¸ÀÇ ÃßÁ¤±â ¸¸µé±â
8.5 ´õ ¹è¿ï °Íµé
__8.5.1 ÀÌ·Ð
__8.5.2 ´Ù¸¥ ¸Ó½Å·¯´× ÇÁ·¹ÀÓ¿öÅ©¿Í ÆÐÅ°Áö
__8.5.3 ·©Å·, Ãßõ ½Ã½ºÅÛ°ú ±× ¿Ü ´Ù¸¥ ¾Ë°í¸®Áò
__8.5.4 È®·ü ¸ðµ¨¸µ, Ãß·Ð, È®·üÀû ÇÁ·Î±×·¡¹Ö
__8.5.5 ½Å°æ¸Á
__8.5.6 ´ë±Ô¸ð µ¥ÀÌÅͼÂÀ¸·Î È®Àå
__8.5.7 ½Ç·Â ±â¸£±â
8.6 ¸¶Ä¡¸ç