〈교재 구성〉

PART 1
〈PART 1〉에서는 ‘분류하는 인공지능’ 영역에서는 레이블이 있는 데이터셋을 학습하여 주어진
데이터를 정해진 몇 가지 클래스로 구별하는 분류(classification)에 대해 배웁니다.

PART 2
〈PART 2〉에서는 ‘묶어 주는 인공지능’ 영역에서는 정답이 주어지지 않은 데이터의 특징들을 분석한 다음, 유사한 성질을 가진 데이터끼리 모아 같은 그룹으로 묶는 군집화(clustering)에 대해 배웁니다.

PART 3
〈PART 3〉에서는 ‘예측하는 인공지능’ 영역에서는 한 개 이상의 독립변수가 연속적인 값을 갖는 종속변수에 영향을 주어 두 변수 사이에 선형 관계를 갖는 선형 회귀 분석과 0과 1처럼 범주형 값을 예측하는 로지스틱 회귀 분석에 대해 배웁니다.


|특장점|
이 책은 3개의 Part로 구성되어 있으며 각 Part에서는 지도학습의 분류, 비지도학습, 지도학습의 회귀를 소개하고 있습니다.

PART 1, 2에서 각각 지도학습의 분류, 비지도학습의 군집과 차원 축소에 대한 다양한 머신러닝 알고리즘의 원리를 학습한 후, PART 3에서 지도학습의 회귀로 마무리합니다. 이를 통해 이후 등장할 딥러닝 모델 학습 방식에 대한 준비 학습까지 마치게 됩니다.

‘개념 학습’에서는 각 PART의 머신러닝 유형과 알고리즘에 대한 전반적인 이해를 도울 수 있도록 하였습니다.

‘맛보기’에서 활동에 제시된 문제를 해결하기 위하여 머신러닝 모델 학습에서 등장하는 알고리즘의 주요 용어, 특징 등을 미리 살펴봅니다.

‘더 자세히’에서는 모델 학습에 사용한 머신러닝 알고리즘의 핵심 원리를 자세히, 깊이 있게 탐구합니다.

Part 1, 2, 3에서 배운 내용을 실습해 볼 수 있는 실습 문제를 수록하였습니다.

하루 1시간 한 달이면 완성하는 학습 플래너를 제공하여 꼭 필요한 내용을 학습하고 스스로 점검할 수 있도록 하였습니다.