1장 머신러닝에서 데이터로 의사 결정을 내리는 방법
_1.1 목표 및 사용 사례 파악하기
_1.2 엔터프라이즈 ML 워크플로
_1.3 요약
2장 데이터의 중요성
_2.1 사용 사례 및 데이터셋 개요
_2.2 데이터 및 파일 유형
_2.3 깃허브와 구글 코랩 개요
_2.4 요약
3장 머신러닝 라이브러리 및 프레임워크
_3.1 노코드 AutoML
_3.2 AutoML의 작동 방식
_3.3 서비스형 머신러닝
_3.4 로우코드 ML 프레임워크
_3.5 요약
4장 AutoML로 광고 미디어 채널의 매출 예측하기
_4.1 비즈니스 사용 사례: 미디어 채널의 매출 예측하기
_4.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기
_4.3 AutoML로 선형 회귀 모델 학습시키기
_4.4 요약
5장 AutoML로 사기 거래 탐지하기
_5.1 비즈니스 사용 사례: 금융 거래 사기 탐지
_5.2 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기
_5.3 분류 모델 및 지표
_5.4 AutoML로 분류 모델 학습시키기
_5.5 요약
6장 빅쿼리 ML로 선형 회귀 모델 학습시키기
_6.1 비즈니스 사용 사례: 전력 생산량
_6.2 빅쿼리 SQL로 데이터셋 정리하기
_6.3 선형 회귀 모델
_6.4 설명 가능한 AI
_6.5 빅쿼리 ML에서의 신경망
_6.6 심층 분석: 클라우드 셸로 클라우드 스토리지 파일 보기
_6.7 요약
7장 파이썬으로 사용자 정의 ML 모델 학습시키기
_7.1 비즈니스 사용 사례: 고객 이탈 예측
_7.2 노코드, 로우코드, 사용자 정의 코드 중 알맞은 ML 솔루션 선택하기
_7.3 판다스, 맷플롯립, 시본으로 데이터셋 탐색하기
_7.4 사이킷런으로 로지스틱 회귀 모델 구축하기
_7.5 케라스로 신경망 구축하기
_7.6 버텍스 AI로 맞춤형 ML 모델 구축하기
_7.7 요약
8장 사용자 정의 모델의 성능 개선하기
_8.1 비즈니스 사용 사례: 중고차 경매 가격
_8.2 사이킷런 모델 개선하기
_8.3 케라스로 모델 개선하기
_8.4 빅쿼리 ML에서 하이퍼파라미터 튜닝하기
_8.5 대규모 모델의 하이퍼파라미터 튜닝
_8.6 요약
9장 AI 여정의 다음 단계
_9.1 데이터 과학 더 깊이 알아보기
_9.2 ML 운영
_9.3 지속적인 학습 및 평가
_9.4 요약
찾아보기