| 상품 안내 및 환불, 교환, 배송문의 | |
| - 가게 전화번호 : | 1544-1900 |
| - 전화문의 시간 : |
오전 9시부터 오후 6시까지 (매주 월요일, 화요일, 수요일, 목요일, 금요일, 공휴일 제외) |
| - 가게 이메일 : | ink@kyobobook.co.kr |
| - 이용 택배회사 : | CJ대한통운 |
|
판매가게정보 |
|
| - 사업자명 : | (주)교보문고 |
| - 사업자등록번호 : | 102-81-11670 |
| - 통신판매업신고 : | 01-0653 |
|
- 현금영수증 : 발급가능 |
|
|
전화주문 및 결제문의 |
|
| - 꽃피는 아침마을 : | 1644-8422 |
|
가게와 직거래를 하시면 꽃송이 적립 및 각종 혜택에서 제외되고, 만일의 문제가 발생하는 경우에도 꽃마의 도움을 받으실 수 없습니다. 가게의 부당한 요구, 불공정 행위 등에 대해서도 꽃마로 직접 전화주세요. |
|
| 상세정보 | 구매후기 (0) | 상품 Q&A (0) | 배송/교환/환불 안내 |
책소개『기계학습을 위한 선형대수 및 최적화』는 〈선형대수와 최적화: 서론〉, 〈선형 변환과 선형 연립방정식〉, 〈고유벡터와 대각화 가능 행렬〉, 〈최적화 기초: 기계학습 관점〉, 〈고급 최적화 해법〉, 〈제약조건이 있는 최적화 문제와 쌍대성〉 등을 수록하고 있는 책이다.
목차Chapter 1 선형대수와 최적화: 서론
1.1 서론 1
1.2 스칼라, 벡터, 행렬 2
1.2.1 스칼라와 벡터에 대한 기본 연산 3
1.2.2 벡터와 행렬에 대한 기본 연산 9
1.2.3 특수 행렬 15
1.2.4 행렬 누승, 행렬 다항식, 역행렬 17
1.2.5 행렬 역변환 보조정리: 행렬 합에 대한 역변환 21
1.2.6 프로베니우스 노옴, 대각 합, 에너지 24
1.3 분해가능 연산자로서의 행렬 곱셈 26
1.3.1 분해가능 행 연산자 및 열 연산자로서의 행렬 곱셈 27
1.3.2 분해가능 기하 연산자로서의 행렬 곱셈 32
1.4 기계학습의 기본 문제들 34
1.4.1 행렬 인수분해 34
1.4.2 군집화 36
1.4.3 분류와 회귀 모델링 36
1.4.4 이상치 탐지 38
1.5 기계학습을 위한 최적화 39
1.5.1 함수 간소화를 위한 테일러 전개식 39
1.5.2 기계학습 최적화 사례 41
1.5.3 계산 그래프상의 최적화 43
1.6 요약 44
1.7 추가 자료 45
1.8 연습문제 45
Chapter 2 선형 변환과 선형 연립방정식
2.1 서론 53
2.1.1 선형 변환이란? 54
2.2 행렬 곱셈의 기하학 55
2.3 벡터 공간과 기하학적 의미 65
2.3.1 기저 시스템의 좌표 71
2.3.2 기저 집합 간의 좌표 변환 74
2.3.3 벡터 집합의 생성공간 75
2.3.4 기계학습 예제: 이산 웨이블릿 변환 77
2.3.5 벡터 공간의 부분공간들 사이의 관계 78
2.4 행렬 행과 열에 관한 선형대수 80
2.5 행렬의 행 사다리꼴 형식 83
2.5.1 LU 분해 85
2.5.2 응용: 기저 집합 찾기 86
2.5.3 응용: 행렬 역변환 86
2.5.4 응용: 선형 연립방정식 풀이 87
2.6 행렬 순위 개념 90
2.6.1 행렬 연산이 순위에 미치는 영향 91
2.7 직교 기저 집합의 생성 94
2.7.1 그람-슈미트 직교화와 QR 분해 94
2.7.2 QR 분해 96
2.7.3 이산 코사인 변환 99
2.8 최적화 관점의 선형 연립방정식 102
2.8.1 무어-펜로즈 의사 역행렬 104
2.8.2 투영 행렬 106
2.9 불량 조건 행렬과 불량 조건 연립방정식 109
2.10 내적: 기하학적 관점 111
2.11 복소수 벡터 공간 112
2.11.1 이산 푸리에 변환 115
2.12 요약 117
2.13 추가 자료 117
2.14 연습문제 117
Chapter 3 고유벡터와 대각화 가능 행렬
3.1 서론 125
3.2 행렬식 126
3.3 대각화 가능 변환과 고유벡터 132
3.3.1 복소수 고윳값 138
3.3.2 좌 고유벡터와 우 고유벡터 139
3.3.3 대각화의 존재 및 고유성 140
3.3.4 삼각화의 존재 및 고유성 143
3.3.5 고윳값을 공유하는 유사 행렬 집단 145
3.3.6 고유벡터를 공유하는 대각화 가능 행렬 집단 148
3.3.7 대칭행렬 148
3.3.8 양의 준정부호 행렬 151
3.3.9 촐레스키 인수분해: 대칭 LU 분해 153
3.4 기계학습과 최적화 응용 155
3.4.1 기계학습에서 빠른 행렬 연산 156
3.4.2 기계학습에서 대각화 가능 행렬의 예 156
3.4.3 2차 최적화의 대칭행렬 160
3.4.4 대각화 응용: 최적화를 위한 변수 분리 165
3.4.5 노옴 제약 2차계획법의 고유벡터 167
3.5 고유벡터를 찾기 위한 수치 알고리즘 169
3.5.1 슈어 분해를 통한 QR 방법 170
3.5.2 우세 고유벡터를 찾기 위한 누승법 170
3.6 요약 173
3.7 추가 자료 174
3.8 연습문제 174
Chapter 4 최적화 기초: 기계학습 관점
4.1 서론 181
4.2 최적화의 기초 182
4.2.1 단일 변량 최적화 182
4.2.2 이 변량 최적화 190
4.2.3 다변량 최적화 193
4.3 볼록 목적함수 197
4.4 경사하강법의 세부사항 202
4.4.1 유한 차분으로 경사도 정확성 확인 202
4.4.2 학습률 감소와 과감한 운전자 알고리즘 203
4.4.3 직선탐색법 204
4.4.4 초기화 207
4.5 기계학습의 최적화 속성 208
4.5.1 일반적인 목적함수와 덧셈 형식 분리 가능성 208
4.5.2 확률적 경사하강법 209
4.5.3 기계학습의 최적화는 어떻게 다른가 210
4.5.4 초 매개변수 조정 213
4.5.5 특징 전처리의 중요성 214
4.6 벡터에 대한 미분 계산 216
4.6.1 행렬 미적분 표기법 216
4.6.2 유용한 행렬 미적분 항등식 217
4.6.3 벡터화된 미분에 대한 연쇄법칙 221
4.7 선형 회귀: 수치 목표를 사용한 최적화 224
4.7.1 티호노프 정칙화 225
4.7.2 확률적 경사하강법 227
4.7.3 편향의 사용 227
4.8 이진 목표변수를 위한 최적화 모델 229
4.8.1 최소제곱 분류: 이진 목표에 대한 회귀 229
4.8.2 서포트 벡터 머신(SVM) 233
4.8.3 로지스틱 회귀 236
4.8.4 선형 회귀는 어떻게 기계학습에서 부모 문제로 작용하는가? 239
4.9 다중 클래스 설정을 위한 최적화 모델 241
4.9.1 웨스턴-왓킨스 서포트 벡터 머신 241
4.9.2 다항 로지스틱 회귀 243
4.10 좌표하강법 246
4.10.1 좌표하강법을 사용한 선형 회귀 248
4.10.2 블록 좌표하강법 250
4.10.3 블록 좌표하강법으로서의 K-평균 알고리즘 250
4.11 요약 251
4.12 추가 자료 252
4.13 연습문제 252
Chapter 5 고급 최적화 해법
5.1 서론 259
5.2 경사도 기반 최적화의 과제 261
5.2.1 국소 최적점과 평탄 영역 261
5.2.2 미분 곡률 263
5.2.3 어려운 토폴로지의 예: 절벽과 계곡 265
5.3 하강을 위한 1차 미분 조정 267
5.3.1 모멘텀 기반 학습 267
5.3.2 AdaGrad 270
5.3.3 RMSProp 271
5.3.4 Adam 271
5.4 뉴턴법 273
5.4.1 뉴턴법의 기본 형식 273
5.4.2 비 2차함수에 대한 직선탐색법의 중요성 276
5.4.3 예제: 사발 모양의 2차함수에서의 뉴턴법 277
5.4.4 예제: 비 2차함수에서의 뉴턴법 277
5.5 기계학습에서의 뉴턴법 278
5.5.1 선형 회귀를 위한 뉴턴법 278
5.5.2 서포트 벡터 머신을 위한 뉴턴법 280
5.5.3 로지스틱 회귀를 위한 뉴턴법 284
5.5.4 모델들 사이의 연관성과 통합 프레임워크 287
5.6 뉴턴법: 도전과 해결책 288
5.6.1 특이행렬이거나 부정부호인 헤시안 행렬 288
5.6.2 안장점 문제 289
5.6.3 비 2차함수에서의 수렴 문제 및 해법 291
5.7 뉴턴법의 계산 효율을 개선하는 변형 293
5.7.1 켤레 경사하강법 294
5.7.2 준 뉴턴법과 BFGS 298
5.8 미분 불가능 최적화 함수 300
5.8.1 서브그래디언트 방법 301
5.8.2 근위 경사하강법 307
5.8.3 조합 최적화를 위한 대리 손실함수 설계 309
5.8.4 순차적 결정을 최적화하기 위한 동적 프로그래밍 311
5.9 요약 314
5.10 추가 자료 314
5.11 연습문제 315
Chapter 6 제약조건이 있는 최적화 문제와 쌍대성
6.1 서론 319
6.2 원본 경사하강법 320
6.2.1 선형 등식 제약조건 321
6.2.2 선형 부등 제약조건 328
6.2.3 순차 2차계획법 333
6.3 원본 좌표하강법 334
6.3.1 볼록 집합에 대한 볼록 최적화를 위한 좌표하강법 335
6.3.2 기계학습 응용: 경계상자 회귀 336
6.4 라그랑주 완화와 쌍대 338
6.4.1 쿤-터커 최적성 조건 343
6.4.2 쌍대성 이용을 위한 일반 절차 344
6.4.3 응용: SVM 쌍대 문제를 위한 수식 구성 345
6.4.4 SVM 쌍대를 위한 최적화 알고리즘 348
6.4.5 무제약 문제를 위한 라그랑주 완화 352
6.5 페널티 기반 방법 및 원본-쌍대 방법 358
6.5.1 단일 제약조건이 있는 페널티 방법 358
6.5.2 페널티 방법: 일반 구성 359
6.5.3 장벽법과 내부점법 360
6.6 노옴 제약조건 최적화 363
6.7 원본 방법 대 쌍대 방법 365
6.8 요약 367
6.9 추가 자료 367
6.10 연습문제 367
Chapter 7 특이값 분해
7.1 서론 373
7.2 SVD: 선형대수 관점 374
7.2.1 정방행렬의 특이값 분해 374
7.2.2 패딩을 통한 정방형 SVD에서 비정방형 SVD로 확장 379
7.2.3 비정방형 특이값 분해의 여러 정의 381
7.2.4 절삭 특이값 분해 383
7.2.5 SVD에 대한 두 가지 해석 391
7.2.6 특이값 분해는 고유한가? 393
7.2.7 2원 분해와 3원 분해 394
7.3 SVD: 최적화 관점 396
7.3.1 기저 직교성 가정 하의 최대화 수식 구성 396
7.3.2 잔차를 사용한 최소화 수식 구성 398
7.3.3 행렬 인수분해 방법에 대한 일반화 399
7.3.4 주성분 분석 399
7.4 특이값 분해의 응용 403
7.4.1 차원 축소 403
7.4.2 노이즈 제거 404
7.4.3 네 가지 선형대수 기본 부분공간 찾기 404
7.4.4 무어-펜로즈 의사 역행렬 405
7.4.5 선형 방정식과 선형 회귀 풀기 407
7.4.6 기계학습에서 특징 전처리와 백색화 408
7.4.7 이상치 탐지 409
7.4.8 특징 공학 410
7.5 SVD를 위한 수치 알고리즘 411
7.6 요약 414
7.7 추가 자료 414
7.8 연습문제 414
Chapter 8 행렬 인수분해
8.1 서론 421
8.2 최적화 기반 행렬 인수분해 423
8.2.1 예제: 제약조건 있는 행렬 인수분해로서의 K-평균 424
8.3 무제약 행렬 인수분해 425
8.3.1 완성된 행렬을 사용한 경사하강법 426
8.3.2 추천 시스템 응용 430
8.4 비 음수 행렬 인수분해 434
8.4.1 프로베니우스 노옴의 최적화 문제 435
8.4.2 쌍대를 사용하는 해법 436
8.4.3 비 음수 행렬 인수분해의 해석력 438
8.4.4 비 음수 행렬 인수분해의 예 438
8.4.5 I-Divergence 목적함수 441
8.5 가중 행렬 인수분해 442
8.5.1 비 음수 행렬과 희소 행렬의 실제 용례 443
8.5.2 확률적 경사하강법 445
8.5.3 응용: 암시적 피드백 데이터가 있는 추천 시스템 446
8.5.4 응용: 인접 행렬에서 링크 예측 446
8.5.5 응용: GloVe를 이용한 단어-단어 문맥 임베딩 447
8.6 비선형 행렬 인수분해 448
8.6.1 로지스틱 행렬 인수분해 448
8.6.2 최대 여백 행렬 인수분해 451
8.7 일반화된 저 순위 모델 453
8.7.1 범주형 항의 처리 454
8.7.2 서수 항의 처리 455
8.8 공유 행렬 인수분해 457
8.8.1 공유 분해를 위한 경사하강법 단계 458
8.8.2 임의 시나리오에서 공유 모델을 설정하는 방법 459
8.9 인수분해 기계 460
8.10 요약 464
8.11 추가 자료 465
8.12 연습문제 465
Chapter 9 유사성 관련 선형대수
9.1 서론 471
9.2 데이터 행렬과 유사성 행렬의 동등성 471
9.2.1 데이터 행렬에서 유사성 행렬로의 변환과 역방향 변환 472
9.2.2 유사성 행렬에서 데이터 행렬을 복구하는 것은 어떤 경우에 유용할까? 473
9.2.3 어떤 유형의 유사성 행렬이 유효한가? 474
9.2.4 최적화 모델로서의 대칭행렬 인수분해 475
9.2.5 커널법: 기계학습 용어 476
9.3 유사성 행렬에서 효율적인 데이터 복구 478
9.3.1 나이스트롬 표본추출 479
9.3.2 확률적 경사하강법을 사용한 행렬 인수분해 480
9.3.3 비대칭 유사성 분해 482
9.4 유사성 행렬에 대한 선형대수 연산 484
9.4.1 유사성 행렬의 에너지와 단위구 정규화 484
9.4.2 평균과 분산의 노옴 485
9.4.3 유사성 행렬의 중심화 486
9.4.4 유사성 행렬에서 거리 행렬로의 변환과 역방향 변환 487
9.5 유사성 행렬을 사용하는 기계학습 490
9.5.1 유사성 행렬에서 특징 공학 491
9.5.2 유사성 행렬의 직접적 사용 494
9.6 표현 정리의 선형대수 497
9.7 유사성 행렬과 선형 분리 가능성 501
9.7.1 양의 준정부호성을 유지하는 변환 504
9.8 요약 507
9.9 추가 자료 507
9.10 연습문제 507
Chapter 10 그래프 선형대수
10.1 서론 513
10.2 그래프 기초와 인접 행렬 513
10.3 인접 행렬의 누승 519
10.4 페론-프로베니우스 정리 523
10.5 그래프 행렬의 우 고유벡터 527
10.5.1 커널 관점의 스펙트럼 군집화 528
10.5.2 라플라시안 관점의 스펙트럼 군집화 531
10.5.3 행렬 인수분해 관점의 스펙트럼 군집화 536
10.5.4 어떤 관점의 스펙트럼 군집화가 가장 도움이 될까? 538
10.6 그래프 행렬의 좌 고유벡터 539
10.6.1 전이 행렬의 좌 고유벡터로서의 PageRank 540
10.6.2 명성 및 중심성의 척도 541
10.6.3 좌 고유벡터의 링크 예측 응용 543
10.7 축약 가능한 행렬의 고유벡터 544
10.7.1 무방향 그래프 544
10.7.2 방향 그래프 545
10.8 기계학습 응용 549
10.8.1 정점 분류 응용 549
10.8.2 다차원 데이터에 대한 응용 552
10.9 요약 553
10.10 추가 자료 554
10.11 연습문제 554
Chapter 11 계산 그래프상의 최적화
11.1 서론 559
11.2 계산 그래프의 기초 560
11.2.1 방향성 계산 그래프로서의 신경망 563
11.3 방향성 비순환 그래프의 최적화 566
11.3.1 계산 그래프의 어려움 566
11.3.2 경사도 계산을 위한 프레임워크 568
11.3.3 무모한 방식의 노드 간 미분의 계산 569
11.3.4 노드 간 미분 계산을 위한 동적 프로그래밍 573
11.3.5 노드 간 미분을 손실-가중치 미분으로 변환 579
11.3.6 벡터 변수를 사용하는 계산 그래프 581
11.4 응용: 신경망에서의 역전파 584
11.4.1 널리 사용되는 활성화 함수의 미분 586
11.4.2 벡터 중심 역전파 587
11.4.3 벡터 중심 역전파의 예 590
11.5 일반적 관점의 계산 그래프 593
11.6 요약 596
11.7 추가 자료 596
11.8 연습문제 596
참고문헌 603
찾아보기 611 |
| 교환 및 환불 가능 |
상품에 문제가 있을 경우 |
1) 상품이 표시/광고된 내용과 다르거나 불량(부패, 변질, 파손, 표기오류, 이물혼입, 중량미달)이 발생한 경우 - 신선식품, 냉장식품, 냉동식품 : 수령일 다음날까지 신청 - 기타 상품 : 수령일로부터 30일 이내, 그 사실을 안 날 또는 알 수 있었던 날로부터 30일 이내 신청 2) 교환 및 환불신청 시 판매자는 상품의 상태를 확인할 수 있는 사진을 요청할 수 있으며 상품의 문제 정도에 따라 재배송, 일부환불, 전체환불이 진행됩니다. 반품에 따른 비용은 판매자 부담이며 환불은 반품도착일로부터 영업일 기준 3일 이내에 완료됩니다. |
|
단순변심 및 주문착오의 경우 |
1) 신선식품, 냉장식품, 냉동식품 재판매가 어려운 상품의 특성상, 교환 및 환불이 어렵습니다. 2) 화장품 피부 트러블 발생 시 전문의 진단서 및 소견서를 제출하시면 환불 가능합니다. 이 경우 제반비용은 소비자 부담이며, 배송비는 판매자가 부담합니다. 해당 화장품과 피부 트러블과의 상당한 인과관계가 인정되는 경우 또는 질환치료 목적의 경우에는 진단서 발급비용을 판매자가 부담합니다. 3) 기타 상품 수령일로부터 7일 이내 신청, 왕복배송비는 소비자 부담 4) 모니터 해상도의 차이로 색상이나 이미지가 다른 경우 단순변심에 의한 교환 및 환불이 제한될 수 있습니다. |
|
| 교환 및 환불 불가 |
1) 신청기한이 지난 경우 2) 소비자의 과실로 인해 상품 및 구성품의 전체 또는 일부가 없어지거나 훼손, 오염되었을 경우 3) 개봉하여 이미 섭취하였거나 사용(착용 및 설치 포함)해 상품 및 구성품의 가치가 손상된 경우 4) 시간이 경과하여 상품의 가치가 현저히 감소한 경우 5) 상세정보 또는 사용설명서에 안내된 주의사항 및 보관방법을 지키지 않은 경우 6) 사전예약 또는 주문제작으로 통해 소비자의 주문에 따라 개별적으로 생산되는 상품이 이미 제작진행된 경우 7) 복제가 가능한 상품 등의 포장을 훼손한 경우 8) 맛, 향, 색 등 단순 기호차이에 의한 경우 |
|
카테고리
