▣ 들어가며 머신러닝 자동화란? __머신러닝 자동화 시스템 도입에 따른 효과 __관련 패키지 및 시스템 __머신러닝 자동화를 배워야 하는 이유 분석 및 개발 환경 __파이썬 환경 및 패키지 __폴더 구조 활용 데이터 소개 __데이터 출처 __데이터 구성 __분류용 데이터 __회귀용 데이터 [01부] 머신러닝 핵심 개념 ▣ 01장: 머신러닝 모델 개발 프로세스 1.1 머신러닝 과제의 분류__지도 학습__모델 학습 및 활용 과정__상태 공간(state space)과 지도 학습 과제의 분류 __객관적인 평가 __일반화와 과적합 __데이터 분할: (1) 학습 데이터와 평가 데이터 __데이터 분할: (2) k-겹 교차 검증 __비지도 학습 __군집화 __이상 탐지 __요약 1.2 문제 정의와 데이터 수집 __머신러닝 프로세스 __문제 정의 __데이터 수집 __요약 1.3 데이터 탐색 및 전처리 __기초 데이터 탐색 __결측치 처리 __범주형 변수 처리 __분포 확인 __클래스 불균형 문제 __특징 공학 __요약 1.4 모델 학습: 모델 선택 및 하이퍼파라미터 튜닝 __모델 선택 __하이퍼파라미터 튜닝 __요약 1.5 모델 평가 __분류 모델 평가 __회귀 모델 평가 __요약 ▣ 02장: 파이썬을 이용한 머신러닝 모델 학습 2.1 데이터 준비 __데이터 불러오기 __데이터 확인하기 2.2 데이터 탐색 및 전처리 __사이킷런을 이용한 데이터 전처리 __결측 처리 __범주 및 서열형 변수 처리 __재샘플링 __특징 선택 __요약 2.3 모델 학습 및 평가 __모델 학습 __모델 평가 __요약 2.4 파이프라인과 모델 저장 __머신러닝 파이프라인 __피클 모듈 __요약 ▣ 03장: 주요 지도 학습 모델 3.1 선형 모델 __선형 회귀 __로지스틱 회귀 __선형성을 고려한 특징 공학 __요약 3.2 k-최근접 이웃 __작동 과정 및 모델의 장단점 __주요 하이퍼파라미터 __스케일링과 특징 공학의 필요성 __사이킷런 실습 __요약 3.3 결정 나무 __모델 구조와 작동 과정 __모델 특성 __주요 하이퍼파라미터 __사이킷런 실습 __요약 3.4 신경망 __모델 구조와 작동 과정 __학습 과정과 주요 파라미터 __사이킷런 실습 __요약 3.5 앙상블 모델 __앙상블 종류 __결정 나무 기반의 앙상블 모델 __요약 [02부] 머신러닝 자동화를 위한 최적화 알고리즘 ▣ 04장: 최적화 문제 4.1 최적화 모델 __최적화 모델의 구성 __최적화 모델 및 그래프 기반의 해법 예제 __머신러닝 자동화를 위한 최적화 __요약 4.2 다양한 해법 __최적화 문제의 해법 개요 __휴리스틱 해법 __초기화 __평가 __속도 계산 __위치 업데이트 __요약 ▣ 05장: 그리드 서치와 랜덤 서치 5.1 그리드 서치 __개요 __구현 실습 __요약 5.2 랜덤 서치 __개요 __확률 변수 분포 __관련 함수 __요약 ▣ 06장: 유전 알고리즘 6.1 이론 __개요 __유전자 표현 __선택 연산 __교차 연산 __돌연변이 연산 __주요 하이퍼파라미터 __요약 6.2 실습 (1) 특징 선택 __문제 정의 __유전 알고리즘 연산자 정의 __메인 함수 __요약 6.3 실습 (2) 외판원 순회 문제 __문제 정의 __유전 알고리즘 연산자 정의 __메인 함수 __요약 ▣ 07장: 베이지안 최적화 7.1 이론 __블랙박스 최적화 문제 __베이지안 최적화 개요 __대체 모델 __획득 함수 __메인 함수 __요약 [03부] 머신러닝 자동화 시스템 구축 ▣ 08장: 머신러닝 자동화를 위한 테크닉 8.1 속도 향상을 위한 테크닉 __조기 종료(early stopping) __다중 충실도(multi-fidelity) __확장성(scalability) __요약 8.2 웜 스타트와 메타 학습 __메타 학습 __실습: 메타 학습을 이용한 하이퍼파라미터 튜닝의 웜 스타트 __요약 8.3 튜닝 범위 설정 __튜닝 범위 설정의 필요성 및 개요 __반복측정 분산분석을 이용한 주요 하이퍼파라미터 식별 __결정 나무를 이용한 하이퍼파라미터 범위 설정 __요약 ▣ 09장: 머신러닝 자동화를 위한 파이썬 패키지 9.1 Auto-Sklearn __이론적 배경 __패키지 실습 __요약 9.2 H2O AutoML __이론적 배경 __실습 __요약 ▣ 10장: 실전 시스템 구축 10.1 시스템 (1) MyAutoML1 __문제 정의 __클래스 설계 __시스템 구현 및 활용 10.2 시스템 (2) MyAutoML2 __클래스 설계 __실험을 통한 하이퍼파라미터 범위 설정 __랜덤 포레스트의 하이퍼파라미터 범위 설정 __XGBoost의 하이퍼파라미터 범위 설정 __LightGBM의 하이퍼파라미터 범위 설정 __시스템 구현 및 활용 10.3 시스템 (3) MyAutoML3 __문제 정의 __클래스 설계 __메타 모델 학습 __시스템 구현 및 활용 ▣ 마치며