머신러닝에 필요한 수학/통계학 배경 지식!
머신러닝에 사용되는 주요 알고리즘의 원리!
의사코드가 아닌 파이썬 코드 중심의 예제!

이 책은 머신러닝 알고리즘의 이해를 돕기 위한 책이다. 이 책을 통해 머신러닝에 필요한 프로그래밍뿐만 아니라 관련 수학, 통계 개념을 완벽히 익히는 여행을 시작할 수 있을 것이다.

층 신뢰 신경망과 같은 최근의 머신러닝 동향을 반영했다. 머신러닝을 이해하는 데 필요한 기본 확률과 통계 개념을 제공한다. 신경망을 사용한 지도학습에 대해 배운다. 차원 감축, EM 알고리즘, 최근접 이웃법, 최선 분류 경계, 커널 방법과 최적화를 다룬다. 진화학습, 강화학습, 트리 기반의 학습자 그리고 다양한 학습자들의 예측 값을 합치는 방법들을 다룬다. 자기조직화 특성 지도를 통해서 비지도학습의 중요성을 알아본다. 머신러닝에서의 최신 통계 기반 접근법들을 살펴본다.

2판에 추가된 사항은 심층 신뢰 신경망과 가우시안 프로세스가 추가되었다. 더 자연스러운 흐름을 위해 각 장을 새롭게 재구성했다. 실습을 위한 실행 코드를 추가했으며, 서포트 벡터 머신 자료들을 보강했다. 랜덤 포레스트, 퍼셉트론 수렴 이론, 정확성 측정 방법을 위한 고려사항, 그리고 MLP를 위한 켤레 기울기 최적화에 대한 새로운 자료를 추가했다. 칼만 필터와 파티클 필터에 관한 설명이 추가되었다. 파이썬의 명명 규칙을 수정하고 코드를 개선했다.

책을 학습할 때 함께 제공되는 코드를 직접 실행해 볼 것을 추천한다. 각 장마다 더 읽을거리와 연습 문제를 통해 세부적인 예제를 제공하고 있으며, 예제에 사용된 모든 파이썬 코드는 저자의 웹페이지에서 내려받을 수 있다.