파이썬 머신러닝 완벽 가이드 - 다양한 캐글 예제와 함께 기초 알고리즘부터 최신 기법까지 배우는, 개정2판

▣ 1장: 파이썬 기반의 머신러닝과 생태계 이해
01. 머신러닝의 개념
___머신러닝의 분류
___데이터 전쟁
___파이썬과 R 기반의 머신러닝 비교
02. 파이썬 머신러닝 생태계를 구성하는 주요 패키지
___파이썬 머신러닝을 위한 S/W 설치
03. 넘파이
___넘파이 ndarray 개요
___ndarray의 데이터 타입
___ndarray를 편리하게 생성하기 - arange, zeros, ones
___ndarray의 차원과 크기를 변경하는 reshape( )
___넘파이의 ndarray의 데이터 세트 선택하기 - 인덱싱(Indexing)
___행렬의 정렬 - sort( )와 argsort( )
___선형대수 연산 - 행렬 내적과 전치 행렬 구하기
04. 데이터 핸들링 - 판다스
___판다스 시작 - 파일을 DataFrame으로 로딩, 기본 API
___DataFrame과 리스트, 딕셔너리, 넘파이 ndarray 상호 변환
___DataFrame의 칼럼 데이터 세트 생성과 수정
___DataFrame 데이터 삭제
___Index 객체
___데이터 셀렉션 및 필터링
___정렬, Aggregation 함수, GroupBy 적용
___결손 데이터 처리하기
___apply lambda 식으로 데이터 가공
05. 정리

▣ 2장: 사이킷런으로 시작하는 머신러닝
01. 사이킷런 소개와 특징
02. 첫 번째 머신러닝 만들어 보기 - 붓꽃 품종 예측하기
03. 사이킷런의 기반 프레임워크 익히기
___Estimator 이해 및 fit( ), predict( ) 메서드
___사이킷런의 주요 모듈
___내장된 예제 데이터 세트
04. Model Selection 모듈 소개
___학습/테스트 데이터 세트 분리 - train_test_split()
___교차 검증
___GridSearchCV - 교차 검증과 최적 하이퍼 파라미터 튜닝을 한 번에 111
05. 데이터 전처리
___데이터 인코딩
___피처 스케일링과 정규화
___StandardScaler
___MinMaxScaler
___학습 데이터와 테스트 데이터의 스케일링 변환 시 유의점
06. 사이킷런으로 수행하는 타이타닉 생존자 예측
07. 정리

▣ 3장: 평가
01. 정확도(Accuracy)
02. 오차 행렬
03. 정밀도와 재현율
___정밀도/재현율 트레이드오프
___정밀도와 재현율의 맹점
04. F1 스코어
05. ROC 곡선과 AUC
06. 피마 인디언 당뇨병 예측
07. 정리

▣ 4장: 분류
01. 분류(Classification)의 개요
02. 결정 트리
___결정 트리 모델의 특징
___결정 트리 파라미터
___결정 트리 모델의 시각화
___결정 트리 과적합(Overfitting)
___결정 트리 실습 - 사용자 행동 인식 데이터 세트
03. 앙상블 학습
___앙상블 학습 개요
___보팅 유형 - 하드 보팅(Hard Voting)과 소프트 보팅(Soft Voting)
___보팅 분류기(Voting Classifier)
04. 랜덤 포레스트
___랜덤 포레스트의 개요 및 실습
___랜덤 포레스트 하이퍼 파라미터 및 튜닝
___GBM의 개요 및 실습
05. GBM(Gradient Boosting Machine)
___GBM 하이퍼 파라미터 소개
___XGBoost 개요
06. XGBoost(eXtra Gradient Boost)
___XGBoost 설치하기
___파이썬 래퍼 XGBoost 하이퍼 파라미터
___파이썬 래퍼 XGBoost 적용 - 위스콘신 유방암 예측
___사이킷런 래퍼 XGBoost의 개요 및 적용
07. LightGBM
___LightGBM 설치
___LightGBM 하이퍼 파라미터
___하이퍼 파라미터 튜닝 방안
___파이썬 래퍼 LightGBM과 사이킷런 래퍼 XGBoost,
___LightGBM 하이퍼 파라미터 비교
___LightGBM 적용 - 위스콘신 유방암 예측
08. 베이지안 최적화 기반의 HyperOpt를 이용한 하이퍼 파라미터 튜닝
___베이지안 최적화 개요
___HyperOpt 사용하기
___HyperOpt를 이용한 XGBoost 하이퍼 파라미터 최적화
09. 분류 실습 - 캐글 산탄데르 고객 만족 예측
___데이터 전처리
___XGBoost 모델 학습과 하이퍼 파라미터 튜닝
___LightGBM 모델 학습과 하이퍼 파라미터 튜닝
10. 분류 실습 - 캐글 신용카드 사기 검출
___언더 샘플링과 오버 샘플링의 이해
___데이터 일차 가공 및 모델 학습/예측/평가
___데이터 분포도 변환 ..