Top

OpenCV를 위한 머신 러닝 [머신 러닝 기술 입문]

  • 원서명Machine Learning for OpenCV: Expand your OpenCV knowledge and master key concepts of machine learning using this practical, hands-on guide (ISBN 9781783980284)
  • 지은이마이클 베이어(Michael Beyeler)
  • 옮긴이테크 트랜스 그룹 T4
  • ISBN : 9791161750965
  • 40,000원
  • 2017년 12월 28일 펴냄 (절판)
  • 페이퍼백 | 504쪽 | 188*235mm
  • 시리즈 : acorn+PACKT

판매처

  • 현재 이 도서는 구매할 수 없습니다.

책 소개

소스 코드 파일은 여기에서 내려 받으실 수 있습니다.

요약

컴퓨터는 머신 러닝을 통해 과거의 수집된 데이터를 사용하고, 미래 예측을 하면서, 학습을 진행할 수 있다. 이 책에서는 간단한 예제를 활용해 분류 및 회귀와 같은 통계 학습의 핵심 개념을 직관적으로 확인할 수 있다. 모든 기본 개념을 다룬 후, 의사 결정 트리(Decision tree), 서포트 벡터 머신(Support vector) 및 베이지안(Bayesian) 네트워크와 같은 다양한 알고리즘을 탐색하고 다른 OpenCV 기능과 결합하는 방법을 배우게 된다. 그 과정에서 데이터를 이해하고 어떻게 완벽하게 작동하는 머신 러닝 파이프 라인을 구축 하는지를 이해하여 전체 작업을 배우게 된다. 가장 뜨거운 주제인 '딥러닝'을 시작할 준비가 될 때까지, 더 많은 머신 러닝 기술을 학습할 수 있다. 작업에 적합한 도구를 선택하는 방법을 숙지하고 숙련된 기술과 결합해 모든 관련 머신 러닝의 기본 지식을 파악하게 할 수 있게 된다.

추천의 글

비록 시간이 오래 걸리긴 했지만, 지난 몇 년 동안 기계는 스스로 정확하게 학습하는 방법을 배워왔다. 이에 따라 카메라가 사람을 찍을 때 얼굴을 검출하고, 소셜 미디어 앱이 업로드한 사진을 통해 우리를 인식할 수 있다는 것은 더 이상 놀라운 일이 아니다. 앞으로 몇 년 동안, 우리는 더욱 급진적인 변화를 경험하게 될 것이다. 머지않아 자동차가 자율 운행하게 될 것이고, 휴대 전화는 특정 언어로 된 간판을 읽고 번역 가능하게 될 것으로 보인다. 또한 엑스레이 및 기타 의료 영상을 보고 강력한 알고리즘으로 분석함으로써 의학 진단과 효과적인 치료법도 추천하게 될 것이다.
이러한 변화는 컴퓨팅 성능이 향상되고, 대량의 이미지 데이터와 수학, 통계학, 컴퓨터 과학에서 가져온 아이디어가 폭발적으로 결합함으로써 이뤄진다. 빠르게 성장하고 있는 머신 러닝 방법은 일상적인 세상과의 상호작용에 영향을 미친다. 컴퓨터 비전의 패러다임 변화에서 가장 주목할 만한 항목 중 하나는 오픈소스 커뮤니티의 많은 기여자, 애호가, 과학자, 엔지니어가 자유롭게 사용할 수 있으며, 이미 개발된 소프트웨어 활용에 많이 의존할 수 있다는 점이다. 이는 진입 장벽이 그 어느 때보다 낮다는 것을 의미한다. 이미지 처리를 위해 머신 러닝을 활용하고자 하는 마음만 있다면, 누구나 사용 가능하게 됐다.
다양한 도구와 아이디어들이 있다고 하더라도, 여러 갈래의 수많은 길이 있는 복잡한 정원에서는 길을 안내하고 올바른 길로 가도록 도와주는 가이드가 필요하다. 다행히도 이 책을 보는 당신에게는 앞서 이야기한 복잡한 길 찾기와 관련된 좋은 소식을 전할 수 있다. 이 책을 집어 들었다면, 당신은 내 동료이자 이 책의 저자인 마이클 베이어 박사가 담아낸 내용을 좋은 지침서로 활용할 수 있을 것이다. 마이클은 광범위한 전문 지식을 가지고 있는 열정적인 엔지니어, 컴퓨터 과학자, 신경과학자이면서 많은 오픈소스 소프트웨어를 개발하는 개발자다. 그는 로봇이 복잡한 환경을 관측하고 탐색할 방법을 가르칠 뿐 아니라, 뇌 활동을 모델링하는 방법을 만들었고, 프로그래밍을 사용해 다양한 머신 러닝 및 이미지 처리 문제를 해결하는 방법을 개발자들에게 정기적으로 가르친다. 정기적인 학습을 통해 자신의 전문 지식과 경험에 대해 한 번 더 생각하고, 책 내의 아이디어를 학습할 때 여러 번 생각할 수 있게 해준다. 또한 가르치면서 자신의 유머 감각도 잘 살리고 있다.
두 번째 좋은 소식은 이 책과 함께하는 시간이 유쾌한 여행이 될 것이라는 사실이다. 코드와 데이터를 사용해 컴퓨터 비전과 머신 러닝 문제를 해결하면 퍼즐 조각을 모을 때만큼의 큰 스릴을 느낄 수 있다. 리처드 파인만(Richard Feynman)이 말했듯이 "내가 만들 수 없는 것을 이해할 수는 없다."라고 생각하면 좋다. 따라서 이 책에서 제공되는 (오픈소스) 코드와 데이터로 많은 내용을 살펴보고, 창의력을 발휘해보자. 책의 내용은 쉽게 이해할 수 있을 것이다.
/아리엘 로켐(Ariel Rokem), 워싱턴 대학 eScience 연구소 데이터 과학자

이 책에서 다루는 내용

■ OpenCV의 머신 러닝 모듈 탐색과 효과적인 사용
■ 파이썬으로 배우는 컴퓨터 비전용 딥러닝 기술
■ 선형 회귀 및 정규화 기술
■ 꽃의 종, 필기 인식, 보행자 등의 객체 분류
■ 서포트 벡터 머신, 강화된 의사 결정 트리, 랜덤 포레스트의 효과적인 사용 방법 탐색
■ 실제 네트워크 문제를 해결할 수 있는 신경망와 심층적인 학습 방법
■ k-평균 클러스터링을 사용한 데이터의 숨겨진 구조 발견
■ 데이터 전처리 및 특징 엔지니어링 활용

이 책의 대상 독자

이 책은 OpenCV와 파이썬에 대한 기본 지식을 갖췄지만, 이에 대해 더 많이 배우고자 하는 독자를 대상으로 한다.

이 책의 구성

1장. ‘머신 러닝 시작’ 머신 러닝의 여러 하위 내용을 소개하고 파이썬 아나콘다(Python Anaconda)환경에서 OpenCV 및 기타 필수 도구를 설치하는 방법을 설명한다.
2장. ‘OpenCV와 파이썬의 데이터 작업’ 일반적인 머신 러닝 워크플로우의 모습과 데이터를 사용하는 방법을 보여준다. 학습 및 테스트 데이터의 차이점을 설명하고, OpenCV와 파이썬을 사용해 데이터를 불러온 후 저장, 조작, 시각화하는 방법을 보여준다.
3장. ‘지도 학습의 첫 번째 단계’ 분류와 회귀 같은 몇 가지 핵심 개념을 살펴보고 지도 학습 주제를 소개한다. OpenCV에서 간단한 머신 러닝 알고리즘을 구현하는 방법, 데이터에 대한 예측을 수행하는 방법, 모델을 평가하는 방법을 배운다.
4장. ‘데이터와 엔지니어링 특징 표현하기’ 공통적으로 잘 알려진 머신 러닝 데이터 세트를 분석하는 방법과 원시 데이터에서 의미 있는 값을 추출하는 방법을 설명한다.
5장. ‘의사 결정 트리를 사용해 의료 진단하기’ OpenCV에서 결정 트리를 작성하는 방법과 다양한 분류 및 회귀 문제에서 결정 트리를 사용하는 방법을 보여준다.
6장. ‘서포트 벡터 머신으로 보행자 검출하기’ OpenCV에서 서포트 벡터 머신을 구축하는 방법과 이미지에 보행자를 검출하는 데 적용하는 방법을 설명한다.
7장. ‘베이지안 학습을 이용한 스팸 필터 구현’ 확률 이론을 소개하고 베이지안 추론을 사용해 전자 메일에서 스팸을 분류하는 방법을 보여준다.
8장. ‘비지도 학습으로 숨겨진 구조 발견’ k-평균 클러스터링과 기댓값 최대화(expectation maximization) 알고리즘 등의 비지도 학습 알고리즘을 살펴본다. 단순하며 레이블이 없는 데이터 세트에서 숨겨진 구조를 추출하는 방법을 보여준다.
9장. ‘딥러닝을 사용해 숫자 필기 인식 분류하기’ 흥미진진한 딥러닝 분야를 소개한다. 퍼셉트론(perceptron)과 멀티레이어 퍼셉트론으로 시작해 광범위한 MNIST 데이터베이스에서 숫자 필기의 자릿수를 분류하기 위해 심층 신경망(deep neural network)을 구축하는 방법을 배운다.
10장. ‘앙상블 기법으로 여러 알고리즘 결합하기’ 개별 학습자의 약점을 극복하기 위해 여러 알고리즘을 앙상블에서 효과적으로 결합하는 방법을 보여준다. 따라서 좀 더 정확하고 신뢰할 수 있는 예측이 가능하다.
11장. ‘하이퍼 매개변수 튜닝으로 올바른 모델 선택하기’ 모델 선택 개념을 소개한다. 이를 통해 다양한 머신 러닝 알고리즘을 비교하고 현재 작업에 적합한 도구를 선택할 수 있다.
12장. ‘정리하기’ 독자적으로 미래의 머신 러닝 문제에 접근하는 방법에 대한 유용한 팁과 고급 주제 관련 정보를 찾을 수 있는 위치를 알려주는 것으로 결론을 맺는다.

저자/역자 소개

지은이의 말

당신을 만나게 돼서 기쁘다. 이제 우리가 머신 러닝에 관해 이야기할 때다.
머신 러닝은 더 이상 단순한 유행어는 아니다. 이메일을 보호하고, 사진 속 친구를 자동으로 태그해 지정하고, 좋아하는 영화를 예측하는 데 이르기까지 이 모두가 우리 주변에서 이뤄진다. 컴퓨터는 컴퓨터 과학의 하위 분야인 머신 러닝을 통해 과거에 수집된 데이터를 사용하고, 미래에 대해 예측하는 경험을 통해 학습을 진행할 수 있다.
이때 분석해야 할 데이터의 양은 엄청나게 많다! 현재 생산 데이터의 일일 양은 2.5엑사바이트(Exabyte, 약 10억 기가바이트gigabyte)로 추정된다. 이렇게 어마어마한 규모의 데이터가 생겨난다는 것을 믿을 수 있는가? 이는 1,000만 개의 블루레이 디스크를 채우기에 충분한 데이터일 뿐 아니라, 90년 동안의 HD 화질 비디오 분량에 해당한다. 구글, 아마존, 마이크로소프트, 페이스북 등의 회사는 이 방대한 양의 데이터를 처리하기 위해 휴대 전화에서 클라우드를 잇는 슈퍼 컴퓨터에 이르기까지 그 범위를 확대해가며 머신 러닝을 통해 이익을 얻을 수 있는 데이터 과학 플랫폼을 개발하는 데 많은 투자를 해왔다.
이는 이제 우리가 머신 러닝에 시간을 투자해야 한다는 의미다. 그리고 당신이 머신 러닝을 하고자 한다면, 이 책이 바로 원하는 답이 돼줄 수 있다.
하지만 초조해하지는 말자. 머신 러닝을 통해 이익을 얻으려면 위의 예와 같이 큰 규모로 시작할 필요가 없다. 어떠한 경우라도 시작은 작게 한다. 따라서 이 책의 첫 번째 단계는 분류 및 회귀와 같은 통계 학습의 핵심 개념을 간단하고 직관적인 예제를 통해 확인하는 것이다. 이미 머신 러닝 이론을 자세히 공부했다면, 이 책은 그 지식을 실용화하는 방법을 보여줄 것이다. 그리고 머신 러닝 분야를 완전히 새롭게 접하는 사람이라도 걱정하지는 말자. 단지 필요한 것은 배우려는 의지다.
모든 기본 개념을 다룬 후에는 의사 결정 트리(decision tree), 서포트 벡터 머신(support vector machine), 베이지안(Bayesian) 네트워크와 같은 다양한 알고리즘을 살펴보고 다른 OpenCV 기능과 결합하는 방법을 배운다. 그 과정에서 데이터를 이해하고 어떻게 완벽하게 작동하는 머신 러닝 파이프라인을 구축하는지 이해함으로써 전체 작업을 배우게 된다.
현장에서 가장 뜨거운 주제인 ‘딥러닝’을 시작할 준비가 될 때까지, 더 많은 머신 러닝 기술들을 학습한다. 작업에 적합한 도구를 선택하는 방법을 숙지하면서 숙련된 기술과 결합해 모든 관련 머신 러닝의 기본 지식을 파악하게 된다.
이 책을 다 읽고 나면, 기존 소스 코드를 기반으로 작성하거나 자신만의 알고리즘을 처음부터 개발해 머신 러닝 문제를 해결하는 능력을 얻게 될 것이다.

지은이 소개

마이클 베이어(Michael Beyeler)

워싱턴 대학교(University of Washington)의 신경공학 및 데이터 과학 분야 박사후 연구원(Postdoctoral Fellow)으로서 망막 보형물(생체공학적 눈)을 이식받은 맹인 환자의 지각 경험을 향상시키기 위해 생체공학 비전의 컴퓨터 이용 모델을 연구하고 있다. 이 연구는 신경과학, 컴퓨터 공학, 컴퓨터 비전, 머신 러닝의 교차점에 놓여 있다. 고급 컴퓨터 비전 프로젝트를 작성하기 위한 실질적인 가이드로 활용되고 있는 『OpenCV with Python Blueprints』(packt,2015)를 저술했다. 여러 오픈소스 소프트웨어 프로젝트에 적극적으로 참여하고 있으며 파이썬, C/C++, CUDA, MATLAB, 안드로이드와 관련된 전문 프로그래밍 경험을 쌓았다.
캘리포니아 대학교 어바인(Irvine) 캠퍼스에서 컴퓨터 과학 박사 학위를 받았으며, 스위스 취리히 연방 공과대학교에서 생명공학 석사 학위와 전기공학 학사 학위를 받았다. 뇌에 대해 미치지 않았더라면, 공학계가 아닌 눈 덮인 산 꼭대기, 라이브 밴드 앞이나 피아노 뒤에서 그를 볼 수 있었을 것이다.

옮긴이의 말

지금 전 세계를 뒤덮는 화두 중 하나가 머신 러닝이라는 것은 누구도 부인하기 어려울 것이다. 구글 딥마인드의 알파고가 세기의 이벤트를 보여준 이후, 그 관심도는 나날이 급상승 중이다. 이제는 우리 주변에서 머신 러닝이 적용된 사물들을 쉽게 볼 수 있다. 대표적인 예로, 우리가 사용하는 스마트폰은 이미 머신 러닝이 적용돼 사용자에게 여러 가지 편의를 제공하고 있다.
전 세계의 많은 기업들이 인공지능 기술을 개발하는 데 뛰어들었고, 주요 기술 강대국은 이미 많은 성과를 차근차근 거두어들이고 있다. 기술력이 매우 뛰어난 대표적인 기업인 아마존웹서비스는 연례 기술 컨퍼런스 ‘AWS 리인벤트re:Invent 2017’에서 딥러닝을 지원하는 무선 비디오 카메라 ‘AWS 딥렌즈(DeepLens)’와 개발자를 위한 새로운 머신 러닝 서비스 ‘아마존 세이지메이커(Amazon SageMaker)’를 공개했다. 그리고 누구나 인정하는 초기술 기업 구글은 맞춤형 머신 러닝 모델인 텐서플로와 머신 러닝 엔진을 비롯해 사전 훈련 기반 머신 러닝 모델인 비전, 음성 인식, 번역, 자연어 처리 API 등의 기술을 개발자와 기업 고객에게 제공하고 있다.
구글의 텐서플로를 활용해 생산 효율을 높인 대표적인 사례로는 일본 식품회사 ‘큐피(Kewpie)’가 도입한 텐서플로 기반의 식재료 검수 시스템을 들 수 있으며, 구글의 AI 기술이 의학 분야에 활용된 사례에서 보듯이 헬스케어와 환경 보존 같은 사회적 이슈에 대비하기 위해 머신 러닝을 지속적으로 접목하고자 노력하는 중이다. 또한 각종 질병과 암 검진율을 높이는 연구에도 딥러닝이 활용되는 등 AI와 머신 러닝 기술은 인류가 당면한 중요한 문제들을 해결하는 데 큰 도움을 줄 것으로 예상된다.
이처럼 우리는 머신 러닝이 적용된 사회 속에서 살아간다. 따라서 머신 러닝의 개념뿐 아니라 그 내부에서 작용하는 원리도 함께 알아가야 하며, 그 과정에서 이 책이 여러분에게 일정한 역할을 할 수 있다고 믿는다. 이 책은 비전 처리와 관련된 분야에서 머신 러닝이 어떻게 활용될 수 있는지를 이론과 예제를 바탕으로 상세히 설명한다. 머신 러닝을 완벽하게 이해하려면 가장 기본적인 원리들을 파악하는 것이 좋으며, 이 책은 풍부한 설명과 코드로 원활하게 시작할 수 있도록 도울 것이다.
진심으로 모든 독자가 OpenCV와 머신 러닝에 대한 기본 이론을 이해하고 실제로 구현하는 데 이 책이 많은 도움이 되길 바란다.

옮긴이 소개

테크 트랜스 그룹 T4

최신 IT 테크놀로지에 대한 리서치를 목적으로 하는 스터디 그룹이다. 엔터프라이즈 환경에서 오픈소스를 활용해 프레임워크를 구축하는 데 관심이 많으며, 스프링Spring, React.js, Node.js, OpenCV, ML 등의 기술에 주목하고 있다. 오픈소스 기반의 플랫폼 개발 및 활용도 주요 관심 분야다. 에이콘출판사에서 펴낸 『구글 애널리틱스로 하는 데이터 분석 3/e』(2017), 『추천 엔진을 구축하기 위한 기본서』(2017) 등을 번역했다.

목차

목차
  • 1장. 머신 러닝 시작
    • 머신 러닝 시작하기
    • 머신 러닝으로 해결할 수 있는 문제들
    • 파이썬 시작하기
    • OpenCV 시작하기
    • 설치하기
      • 이 책의 최신 코드 얻기
      • 파이썬의 아나콘다 배포판에 대해 살펴보기
      • conda 환경에서 OpenCV 설치
      • 설치 확인하기
      • OpenCV의 ML 모듈 엿보기
    • 요약

  • 2장. OpenCV와 파이썬의 데이터 작업
    • 머신 러닝 워크플로우의 이해
    • OpenCV와 파이썬을 사용해 데이터 다루기
      • 새로운 IPython 또는 주피터 세션 시작하기
      • 파이썬 NumPy 패키지를 사용해 데이터 다루기
      • 파이썬에서 외부 데이터 세트 적재하기
      • Matplotlib을 사용해 데이터 시각화하기
      • C++에서 OpenCV의 TrainData 컨테이너를 사용해 데이터 다루기
    • 요약

  • 3장. 지도 학습의 첫 번째 단계
    • 지도 학습 이해하기
      • OpenCV에서 지도 학습 살펴보기
      • 점수화 기능으로 모델 성능 측정
    • 분류 모델을 사용해 클래스 레이블 예측하기
      • k-최근접 이웃 알고리즘의 이해
      • OpenCV에서 k-최근접 이웃 구현하기
    • 회귀 모델을 사용해 지속적인 결과 예측하기
      • 선형 회귀 분석
      • 선형 회귀 분석 방법을 사용해 보스턴 주택 가격 예측하
      • 라소 및 융기 회귀 적용
    • 로지스틱 회귀를 이용한 아이리스 종 분류하기
      • 로지스틱 회귀 이해하기
    • 요약

  • 4장. 데이터와 엔지니어링 특징 표현하기
    • 특징 엔지니어링의 이해
    • 전처리 데이터
      • 특징 표준화
      • 특징 정규화
      • 특징의 범위 확장
      • 특징 이진화
      • 누락된 데이터 처리
    • 차원 축소 이해하기
      • OpenCV에서 PCA 구현하기
      • ICA 구현
      • NMF 구현
    • 범주형 변수 표현하기
    • 텍스트 특징 표현하기
    • 이미지 표현하기
      • 색상 공간 사용
      • 이미지의 코너 검출하기
      • SIFT 사용하기
      • SURF 사용하기
    • 요약

  • 5장. 의사 결정 트리를 사용해 의료 진단하기
    • 의사 결정 트리의 이해
      • 첫 번째 결정 트리 만들기
      • 훈련된 의사 결정 트리에 대한 시각화
      • 의사 결정 트리의 내부 동작 조사
      • 특징 중요도 평가
      • 의사 결정 규칙 이해하기
      • 의사 결정 트리의 복잡성 제어
    • 의사 결정 트리를 사용해 유방암 진단하기
      • 데이터 세트 불러오기
      • 의사 결정 트리 만들기
    • 회귀 결정 트리 사용
    • 요약

  • 6장. 서포트 벡터 머신으로 보행자 검출하기
    • 선형 서포트 벡터 시스템의 이해
      • 최적의 의사 결정 경계 학습
      • 첫 번째 서포트 벡터 머신 구현
    • 비선형 의사 결정 경계 다루기
      • 커널 트릭 이해하기
      • 우리가 사용할 커널 파악하기
      • 비선형 서포트 벡터 머신 구현
    • 외부에서 보행자 검출하기
      • 데이터 세트 가져오기
      • HOG 훑어보기
      • 네거티브 생성하기
      • 서포트 벡터 머신 구현하기
      • 모델 부트스트랩하기
      • 더 큰 이미지에서 보행자 검출하기
      • 모델 개선하기
    • 요약

  • 7장. 베이지안 학습을 이용한 스팸 필터 구현
    • 베이지안 추론 이해하기
      • 확률 이론에 대해 간단히 살펴보기
      • 베이즈 정리 이해하기
      • 나이브 베이즈 분류기의 이해
    • 첫 번째 베이지안 분류기 구현하기
      • 장난감 데이터 세트 만들기
      • 일반 베이즈 분류기로 데이터 분류
    • 나이브 베이즈 분류기로 데이터 분류하기
      • 조건부 확률의 시각화
      • 나이브 베이즈 분류기를 사용해 이메일 분류하기
      • 데이터 세트 불러오기
      • Pandas를 사용해 데이터 행렬 만들기
      • 데이터 전처리하기
      • 정상적인 베이즈 분류기 훈련
      • 전체 데이터 세트에 대한 교육
      • n-gram을 사용해 결과 개선하기
      • tf-idf를 사용해 결과 개선하기
    • 요약

  • 8장. 비지도 학습으로 숨겨진 구조 발견
    • 비지도 학습의 이해
    • k-평균 클러스터링의 이해
      • 첫 번째 k-평균 예제 구현
    • 기댓값 최대화 방법 이해하기
      • 기대치 극대화 솔루션 구현하기
      • 기댓값 최대화의 한계 파악하기
      • 첫 번째 경고: 전반적인 최적 결과를 찾기 어려움
      • 두 번째 경고: 미리 클러스터 수를 선택해야 한다
      • 세 번째 주의 사항: 클러스터 경계는 선형이다
      • 네 번째 경고: k-평균은 많은 수의 샘플에서는 느리다
    • k-평균을 사용해 색 공간 압축하기
      • 트루 컬러 팔레트 시각화
      • k-평균을 사용해 색상 표 축소
    • k-평균을 사용해 숫자 필기 인식 분류하기
      • 데이터 세트 불러오기
      • k-평균 실행하기
    • 클러스터를 계층적 트리로 구성하기
      • 계층적 클러스터링의 이해
      • 응집력 있는 계층적 클러스터링 구현
    • 요약

  • 9장. 딥러닝을 사용해 숫자 필기 인식 분류하기
    • 맥컬럭-피츠 뉴런에 대한 이해
    • 퍼셉트론 이해하기
    • 첫 번째 퍼셉트론 구현하기
      • 장난감 데이터 세트 생성하기
      • 퍼셉트론을 데이터에 적용하기
      • 퍼셉트론 분류기 평가
      • 선형으로 분리되지 않는 데이터에 퍼셉트론 적용하기
    • 다층 퍼셉트론의 이해
      • 경사 하강법 이해하기
      • 역전파를 이용해 다층 퍼셉트론 훈련하기
      • OpenCV에서 다층 퍼셉트론 구현하기
    • 딥러닝에 익숙해지기
      • Keras에 익숙해지기
    • 숫자 필기 인식 분류하기
      • MNIST 데이터 세트 적재하기
      • MNIST 데이터 세트 전처리하기
      • OpenCV를 사용해 MLP 훈련하기
      • Keras를 이용한 심층 신경망 훈련하기
    • 요약

  • 10장. 앙상블 기법으로 여러 알고리즘 결합하기
    • 앙상블 메소드 이해하기
      • 평균 앙상블 이해하기
      • 부스터 앙상블 이해하기
      • 스태킹 앙상블 이해하기
    • 의사 결정 트리를 랜덤 포레스트로 결합하기
      • 의사 결정 트리의 단점 이해하기
      • 첫 랜덤 포레스트 구현하기
      • scikit-learn을 사용해 랜덤 포레스트 구현하기
      • 과랜덤화된 트리 구현하기
    • 얼굴 인식을 위한 랜덤 포레스트 사용
      • 데이터 세트 불러오기
      • 데이터 세트 전처리하기
      • 랜덤 포레스트 훈련 및 테스트
    • AdaBoost 구현하기
      • OpenCV에서 AdaBoost 구현하기
      • scikit-learn에서 AdaBoost 구현하기
    • 다른 모델을 투표 분류기로 결합하기
      • 다양한 투표 방법 이해하기
      • 투표 분류기 구현하기
    • 요약

  • 11장. 하이퍼 매개변수 튜닝으로 올바른 모델 선택하기
    • 모델 평가하기
      • 모델을 잘못된 방식으로 평가하기
      • 올바른 방식으로 모델 평가하기
      • 최고의 모델 선택하기
    • 교차 유효성 검증의 이해
      • OpenCV에서 교차 유효성의 수동 검증 구현
      • k-겹 교차 검증을 위해 scikit-learn 사용하기
      • 단일 관측치 제거법 교차 검증 구현
    • 부트스트랩을 사용해 견고성 예측하기
      • OpenCV에서 부트스트랩 수동으로 구현하기
    • 결과의 중요성 평가하기
      • 스튜던트 t-검정 구현하기
      • 맥니마의 검정 구현하기
    • 격자 검색으로 하이퍼 매개변수 튜닝하기
      • 간단한 격자 검색 구현하기
      • 유효성 검증 집합의 값 이해하기
      • 교차 유효성 검증과 함께 격자 검색 결합하기
      • 중첩된 교차 유효성 검증과 함께 격자 검색 결합하기
    • 다양한 평가 메트릭을 사용한 점수화 모델
      • 올바른 분류 기준 선택하기
      • 올바른 회귀 측정 기준 선택하기
    • 파이프라인을 형성하기 위한 체이닝 알고리즘
      • scikit-learn에서 파이프라인 구현하기
      • 격자 검색의 파이프라인 사용하기
    • 요약

  • 12장. 정리하기
    • 머신 러닝 문제점에 접근하기
    • 자신만의 추정기 작성하기
      • 자신의 OpenCV 기반 분류기를 C++로 작성하기
      • 파이썬으로 자신의 scikit-learn 기반 분류기를 작성하기
    • 다음 단계
    • 요약
    • 찾아보기
    • 컬러 이미지

관련 블로그 글

머신 러닝, 이제는 해야 할 때!

이제 기계는 스스로 정확하게 학습할 줄 안다.



▲ 넷플릭스 오리지널 드라마 〈블랙 미러〉 시즌 3, Episode 1 '추락'의 장면


넷플릭스 오리지널 드라마 〈블랙 미러〉 시즌 3의 1화 '추락'은

소셜 미디어의 인기 점수로 사람들의 사회적 위치가 결정되는 가상 세계를 배경으로 한다.

눈에 이식된 기계 장치들은 지나다니는 사람들의 얼굴을 자동으로 인식하고, 그들의 소셜 미디어 평균 점수를 얼굴 옆에 띄워준다.

이처럼 자동으로 얼굴을 인식하고 식별할 수 있게 하는 기술은 무엇일까?




▲ 애플 아이폰 Ⅹ 'Knows You When You Change' 광고 장면



2017년 11월, 애플은 아이폰 X의 발매와 함께 중요 기능 중 하나인 '페이스(Face) ID'를 선보였다.

페이스 ID는 사용자의 얼굴을 인식해서 빠르고 간편한 잠금 해제와 사용자 인증을 가능케 하는 기술이다.

화장을 하거나 수염을 기르는 등 외모에 변화가 생겨도 자동으로 동일한 얼굴을 인식한다는 점을 애플은 강조한다.


이 페이스 ID는 '머신 러닝' 기술을 기반으로 한다.

페이스 ID를 최초 등록할 때 수집한 데이터를 기반으로, 카메라에 비친 사용자의 얼굴이 동일한 사람의 것인지 분석한다.

데이터 포인트가 충분히 일치하면 시스템은 사용자를 인식한다.


이와 같이 기존에 입력한 데이터들을 바탕으로 기계가 스스로 새로운 결과를 도출해내는 것이 바로 '머신 러닝'이다.

드라마 〈블랙 미러〉의 배경이 된 가상 세계에도 마찬가지로 머신 러닝 기술이 적용되어 있다.

소셜 미디어 앱에 업로드한 사진에서 얼굴이 자동으로 인식되는 것 외에도, 기존에 평가했던 영화를 바탕으로 취향을 예측 분석해 주는 등

이미 머신 러닝은 우리의 일상 생활 속에 깊이 녹아들어 있다.

앞으로 몇 년 동안, 우리는 더욱더 급진적인 변화를 경험하게 될 것이다.


빠르게 성장하는 머신 러닝은 일상 세상과의 상호작용에도 영향을 미친다.

머신러닝은 꼭 프로그램 개발을 위해서가 아니더라도 현대 사회의 기술 발전을 따라잡기 위해서 꼭 알아야 할 것이 되었다.




그리고 OpenCV는 이 주제의 교차점에 자리 잡고 있으며, 포괄적인 오픈소스 라이브러리를 제공한다.

무엇보다 OpenCV는 커뮤니티의 많은 기여자, 애호가, 과학자, 엔지니어가 자유롭게 사용할 수 있다.

이미 개발된 소프트웨어 활용에 많이 의존할 수도 있으므로, 진입 장벽이 그 어느 때보다 낮다.

머신 러닝을 활용하고자 하는 마음만 있다면, 누구나 사용 가능할 것이다.


『OpenCV를 위한 머신 러닝』은 기존 소스 코드를 기반으로 머신 러닝 알고리즘을 작성하거나

처음부터 자신만의 알고리즘을 개발하고자 하는 이들에게 도움이 될 것이다.


무엇보다 이 책과 함께하는 시간은 유쾌할 것이다.

저자 마이클 베이어(Michael Beyeler)는 꾸준한 교육 활동을 통해 자신의 지식을 널리 전파하는 법을 알고 있다.

코드와 데이터를 사용해 컴퓨터 비전과 머신 러닝 문제를 해결하면,

퍼즐 조각을 모을 때만큼의 큰 스릴을 느낄 수 있을 것이다.


바로 지금이

우리가 『OpenCV를 위한 머신 러닝』을 지침서 삼아 머신 러닝에 관해 이야기할 때다.

CC

크리에이티브 커먼즈 라이센스 이 저작물은 크리에이티브 커먼즈 코리아 저작자표시 2.0 대한민국 라이센스에 따라 이용하실 수 있습니다.

도서 오류 신고

도서 오류 신고

에이콘출판사에 관심을 가져 주셔서 고맙습니다. 도서의 오탈자 정보를 알려주시면 다음 개정판 인쇄 시 반영하겠습니다.

오탈자 정보는 다음과 같이 입력해 주시면 됩니다.

(예시) p.100 아래에서 3행 : '몇일'동안 -> 며칠동안

정오표

정오표

[p.69]

[p.72 : 아래에서 4행 ~ p.73: 1행]
image
->
images

[p.86 : 표]
거짓인지 알지 못함
->
참인지 알지 못함

[p.86 : 7행]
데이터 포인트가 참이지만 실제로는 거짓이라고 생각하면
->
데이터 포인트가 실제로는 거짓이지만 참이라고 생각하면

[p.86 : 10행]
거짓을 예측했지만
->
거짓을 에측했는데

[p.90 : 코드]
p lt.plot
->
plt.plot

[p.95 : 4행]
가장 가까운 이웃 훈련 데이터 세트에서
->
이웃 훈련 데이터 세트에서

[p.106 : 아래에서 6행]
M이 아닌 두 개의
->
2가 아닌 M개의

[p.106 : 아래에서 3행]
1초 동안
->
잠시

[p.319 : 아래에서 7행]