크리스토퍼 비숍의 "패턴 인식과 머신 러닝"은 인공지능 분야에서 오랜 시간 동안 사랑받아 온 명저입니다. 이 책은 하버드, 스탠퍼드, 카이스트 등 세계 유수의 대학에서 교재로 활용될 만큼 그 가치를 인정받고 있으며, 인공지능을 공부하는 학생이나 연구자에게 필수적인 자료로 자리매김하고 있습니다.
"패턴 인식과 머신 러닝"은 제목 그대로 패턴 인식과 머신 러닝의 기본 개념을 다루며, 연습문제를 통해 독자의 이해를 돕습니다. 400개 이상의 연습문제는 독자가 이론을 실제로 적용해 볼 수 있는 기회를 제공하여, 학습 효과를 극대화합니다. 특히, 이 책은 수학적 기법을 통해 머신 러닝과 패턴 인식을 심도 있게 다루고 있어, 관련 분야의 연구자나 종사자에게도 유용한 자료가 될 것입니다.
이 책은 기초적인 확률 이론을 포함하고 있어, 확률론에 대한 사전 지식이 부족한 독자도 접근할 수 있습니다. 다만, 다변량 미적분과 기초 선형 대수학에 대한 기본적인 이해가 요구됩니다. 이는 학부 고학년생이나 대학원생을 주 대상으로 설계되었기 때문입니다. 또한, 통계, 신호 처리, 컴퓨터 비전, 데이터 마이닝, 바이오 인포매틱스 등 다양한 분야의 연구자들에게도 적합한 교재입니다.
"패턴 인식과 머신 러닝"은 단순한 이론서가 아니라, 실제 머신 러닝의 다양한 알고리즘과 응용 사례를 통해 독자에게 실질적인 지식을 제공합니다. 특히, 뉴럴 네트워크, 커널 방법론, 그래프 모델 등 최근 주목받고 있는 기술들을 심도 있게 다루고 있어, 현대 인공지능 분야의 흐름을 이해하는 데 큰 도움을 줄 것입니다.
크리스토퍼 비숍의 이 책은 인공지능을 공부하는 이들에게 필수적인 지침서로, 여러분의 학문적 여정을 더욱 풍부하게 만들어 줄 것입니다. 인공지능과 머신 러닝의 세계에 발을 들여놓고자 하는 이들에게 강력히 추천합니다.
목차
옮긴이 머리말
서문
베타리더 후기
CHAPTER 1 소개 1
1.1 예시: 다항식 곡선 피팅 _ 5
1.2 확률론 _ 13
1.3 모델 선택 _ 36
1.4 차원의 저주 _ 37
1.5 결정 이론 _ 42
1.6 정보 이론 _ 54
CHAPTER 2 확률 분포 75
2.1 이산 확률 변수 _ 76
2.2 다항 변수 _ 83
2.3 가우시안 분포 _ 87
2.4 지수족 _ 126
2.5 비매개변수적 방법 _ 134
CHAPTER 3 선형 회귀 모델 155
3.1 선형 기저 함수 모델 _ 156
3.2 편향 분산 분해 _ 166
3.3 베이지안 선형 회귀 _ 172
3.4 베이지안 모델 비교 _ 181
3.5 증거 근사 _ 186
CHAPTER 4 선형 분류 모델 201
4.1 판별 함수 _ 203
4.2 확률적 생성 모델 _ 221
4.3 확률적 판별 모델 _ 229
4.4 라플라스 근사 _ 240
4.5 베이지안 로지스틱 회귀 _ 245
CHAPTER 5 뉴럴 네트워크 253
5.1 피드 포워드 네트워크 함수 _ 255
5.2 네트워크 훈련 _ 261
5.3 오차 역전파 _ 271
5.4 헤시안 행렬 _ 281
5.5 뉴럴 네트워크에서의 정규화 _ 289
5.6 혼합 밀도 네트워크 _ 306
5.7 베이지안 뉴럴 네트워크 _ 312
CHAPTER 6 커널 방법론 327
6.1 듀얼 표현 _ 329
6.2 커널의 구성 _ 330
6.3 방사 기저 함수 네트워크 _ 336
6.4 가우시안 과정 _ 341
CHAPTER 7 희박한 커널 머신 363
7.1 최대 마진 분류기 _ 364
7.2 상관 벡터 머신 _ 387
CHAPTER 8 그래프 모델 403
8.1 베이지안 네트워크 _ 404
8.2 조건부 독립 _ 418
8.3 마르코프 무작위장 _ 431
8.4 그래프 모델에서의 추론 _ 443
CHAPTER 9 혼합 모델과 EM 477
9.1 K 평균 집단화 _ 478
9.2 혼합 가우시안 _ 485
9.3 EM에 대한 다른 관점 _ 495
9.4 일반적 EM 알고리즘 _ 507
CHAPTER 10 근사 추정 517
10.1 변분적 추론 _ 518
10.2 예시: 변분적 가우시안 혼합 분포 _ 531
10.3 변분적 선형 회귀 _ 545
10.4 지수족 분포 _ 549
10.5 지역적 변분 방법론 _ 552
10.6 변분적 로지스틱 회귀 _ 558
10.7 EP _ 566
CHAPTER 11 표집법 587
11.1 기본적인 표집 알고리즘 _ 590
11.2 마르코프 연쇄 몬테 카를로 _ 603
11.3 기브스 표집법 _ 608
11.4 조각 표집법 _ 613
11.5 하이브리드 몬테 카를로 알고리즘 _ 615
11.6 분할 함수 추정 _ 622
CHAPTER 12 연속 잠재 변수 627
12.1 PCA _ 629
12.2 확률적 PCA _ 640
12.3 커널 PCA _ 657
12.4 비선형 잠재 변수 모델 _ 662
CHAPTER 13 순차 데이터 677
13.1 마르코프 모델 _ 679
13.2 은닉 마르코프 모델 _ 682
13.3 선형 동적 시스템 _ 710
CHAPTER 14 모델 조합 729
14.1 베이지안 모델 평균 _ 730
14.2 위원회 방식 _ 732
14.3 부스팅 _ 733
14.4 트리 기반 모델 _ 740
14.5 조건부 혼합 모델 _ 744
부록 A. 데이터 집합 757
손글씨 숫자 _ 757
오일 흐름 _ 758
오래된 믿음 _ 761
합성 데이터 _ 762
부록 B. 확률 분포 765
베르누이 분포 _ 765
베타 분포 _ 766
이항 분포 _ 766
디리클레 분포 _ 767
감마 분포 _ 768
가우시안 분포 _ 768
가우시안 감마 분포 _ 770
가우시안 위샤트 분포 _ 770
다항 분포 _ 771
정규 분포 _ 772
스튜던트 t 분포 _ 772
균등 분포 _ 773
폰 미제스 분포 _ 773
위샤트 분포 _ 774
부록 C. 행렬의 성질 775
기본 행렬 성질 _ 775
대각합과 행렬식 _ 777
행렬 미분 _ 778
고윳값 공식 _ 779
부록 D. 변분법 783
부록 E. 라그랑주 승수법 787
참고문헌
찾아보기
- 교보문고: https://bitl.bz/hYYJsU
- 쿠팡: https://bitl.bz/oEjr48
- Yes24: https://bitl.bz/joxUgf
'데이터 과학 > 통계학, 머신러닝' 카테고리의 다른 글
| 케빈 머피, 확률론적 머신러닝: 기본편, 에이콘출판 (3) | 2025.01.23 |
|---|---|
| 민재식, 머신 러닝 마스터 클래스 - 기본기를 바로잡는 9가지 레슨, 인사이트 (4) | 2025.01.22 |
| 이원우 , 장인홍 , 이다혜, 파이썬을 이용한 통계분석 - 통계 기초 이론 이해와 응용, 자유아카데미 (2) | 2025.01.15 |
| 개러스 제임스 , 다니엘라 위튼 , 트레버 헤이스티 , 로버트 팁시라니 , 조너선 테일러, 기초부터 다지는 통계학 교과서 with 파이썬, 인사이트 (3) | 2025.01.10 |
| 허명회, 데이터과학을 위한 확률.통계: R과 Python의 활용, 자유아카데미 (2) | 2025.01.08 |