[머신러닝 교과서 with 파이썬, 사이킷런, 텐서플로] 2장 간단한 분류 알고리즘 훈련

2장 간단한 분류 알고리즘 훈련

• 퍼셉트론
  • 분류를 위한 초창기 머신 러닝 알고리즘
  • 파이썬을 사용한 효율적인 구현 방법
• 적응형 선형 뉴런
  • 기본적인 최적화
  • 사이킷런 머신 러닝 라이브러리_강력한 분류 모델 사용의 기초

 

1. 인공 뉴런: 초기 머신 러닝의 간단한 역사

1943년 워렌 맥컬록(Warren McCulloch), 월터 피츠(Walter Pitts)

: 간소화된 뇌의 뉴런 개념 발표 = 맥컬록-피츠(MCP) 뉴런

 

*뉴런: 뇌의 신경 세포와 서로 연결 => 화학적/전기적 신호 처리, 전달

*신경 세포 -> 이진 출력을 내는 간단한 논리 회로

 

여러 신호 -> 수상 돌기 => 세포체 합쳐짐

합쳐진 신호 > 특정 임계 값 -> 출력 신호 생성 -> 축삭 돌기 이용하여 전달

 

프랑크 로젠블라트(Frank Rosenblatt)

MCP 뉴런 모델 기반 -> 퍼셉트론 학습 개념 발표

 

*퍼셉트론 규칙: 자동으로 최적의 가중치 학습 알고리즘 제안

*가중치: 뉴런의 출력 신호OX 결정 -> 입력 특성에 곱하는 계수

=> 새로운 데이터 포인트가 한 클래스에 속하는지 아닌지 예측

1) 인공 뉴런의 수학적 정의

인공 뉴런(artificial neuron) -> 2개 클래스(1(양성)/-1(음성)) O 이진 분류 작업

입력 값 x, 상응하는 가중치 벡터 w 선형 조합 -> 결정 함수(∅(x)) 정의

*결정 함수(∅(∙)): 단위 계단 함수(unit step function) 변형한 것

최종 입력(net input)

<예측>

• 특정 샘플 x^(i)의 최종 입력 > 사전에 정의된 임계 값 θ => 클래스 1
• 특정 샘플 x^(i)의 최종 입력 <= 사전에 정의된 임계 값 θ => 클래스 -1

식 변형(-> z 간단하게 쓸 수 있음)

: 임계 값 θ: 식 왼쪽으로 이동 -> w_0 = -θ, x_0 = 1 인 0번째 가중치 정의

*절편: 임수 임계 값 or 가중치 w_0 = -θ

변형한 식과 결정 함수

• 퍼셉트론 결정 함수 -> 최종 입력 z = w^Tx가 이진 출력(-1 or 1)으로 압축되는 방법(L그림) 
• 이를 사용 -> 선형 분리 가능한 2 개의 클래스 사이 구별하는 방법(R 그림)

2) 퍼셉트론 학습 규칙

MCP 뉴런, 로젠블라트의 임계 퍼셉트론 모델 <- 뇌의 뉴런 하나가 작동하는 방식 흉내(환원주의(reductionism) 접근 방식)

=> 출력 OX (2가지 경우만 존재) => 학습 규칙 매우 간단

 

<퍼셉트론 알고리즘>

• 가중치 -> 0 or 랜덤한 작은 값으로 초기화
• 각 훈련 샘플 x^(i)에서 다음 작업
  • 출력 값 ŷ 계산
  • 가중치 업데이트

*출력 값: 앞서 정의한 단위 계단 함수로 예측한 클래스 레이블

가중치 벡터 w에 있는 개별 가중치 w_j가 동시에 업데이트 되는 것

가중치 w_j에 대한 업데이트 값(or w_j의 변화량) Δw_j 값 -> 퍼셉트론 학습 규칙 따라 계산

• η: 학습률(learning rate)_일반적으로 0.0 ~ 1.0 사이 실수
• y^{(i)}: i번째 훈련 샘플의 진짜 클래스 레이블(true class label)
• ŷ^{(i)}: 예측 ㅋ ㅡㄹ래스 레이블(predicted class label)

 

가중치 벡터의 모든 가중치를 동시에 업데이트

= 모든 가중치가 각자의 업데이트 값 Δw_j에 의해 업데이트되기 전 예측 레이블 ŷ^{(i)}를 다시 계산X

 

2차원 데이터셋 업데이트

ex. 

1. 퍼셉트론: 클래스 레이블 정확히 예측 -> 가중치 변경X 그대로 유지 => 업데이트 값 0

2. 퍼셉트론: 클래스 레이블 잘못 예측 -> 가중치 -> 양성 or 음성 타깃 클래스 방향으로 이동시킴

<곱셈 계수인 x_j^{(i)} 이해하기 위한 예시>

ex. 1

x_j^{(i)} = 0.5일 때 이 샘플을 -1로 잘못 분류

가중치 +1 -> 다음번 이 샘플 만날 경우 최종 입력 x_j^{(i)} * w_j 가 더 큰 양수가 됨

=> 단위 계단 함수의 임계 값보다 커져 샘플이 +1로 분류될 가능성 ↑

가중치 업데이트는 x_j^{(i)}에 비례

ex. 2

다른 샘플 x_j^{(i)} = 2를 -1로 잘못 분류

다음번 올바르게 분류 -> 더 ↑ 결정 경계 움직임

 

퍼셉트론: 두 클래스가 선형적으로 구분, 학습률 충분히 ↓ => 수렴 보장

if 두 클래스 -> 선형 결정 경계로 나눌 수 X

-> 훈련 데이터셋을 반복할 최대 횟수(에포크(epoch)) 지정, 분류 허용 오차 지정

=> 가중치 업데이트를 멈추기 위해

• 샘플 x -> 퍼셉트론에 입력 -> 가중치 w 연결 => 최종 입력 계산
• 최종 입력 -> 임계 함수로 전달 -> 샘플의 예측 클래스 레이블인 -1 or +1 이진 출력 만듦

학습 단계: 출력 사용 -> 예측 오차 계산, 가중치 업데이트

 

2. 파이썬으로 퍼셉트론 학습 알고리즘 구현

1) 객체 지향 퍼셉트론 API

객체 지향 방식 사용 -> 퍼셉트론 인터페이스 가진 파이썬 클래스 정의

Perceptron 객체 초기화 -> fit 메서드: 데이터에서 학습 -> 별도의 predict 메서드: 예측 만듦

*관례에 따라 객체의 초기화 과정에서 생성X, 다른 메서드 호출해서 만든 속성 -> 밑줄(_) 추가 (ex. self.w_)

 

퍼셉트론 구현

퍼셉트론 구현 사용 -> 학습률 eta, 에포크 횟수(: 훈련 데이터셋을 반복하는 횟수) n_iter

=> 새로운 Perceptron 객체 초기화

 

fit 메서드: self.w_ 가중치 -> 벡터 R^{m+1}로 초기화

*m: 데이터셋에 있는 차원(특성) 개수

벡터의 첫 번째 원소인 절편 위해 +1 

*self.w_[0]: 벡터의 첫 번째 원소 = 앞서 언급한 절편

 

rgen.normal(loc=0.0, scale=0.01, size=1 + X.shape[1] 사용

-> 표준 편차가 0.01인 정규 분포에서 뽑은 랜덤한 작은 수 담음

*rgen: 넘파이 난수(random number) 생성기, 사용자가 지정한 랜덤 시드(seed)로 이전과 동일한 결과 재현O

 

• 가중치 0으로 초기화X 이유: 가중치가 0이 아니어야 학습률 η^{(eta)} -> 분류 결과 영향
• 가중치 0으로 초기화O -> 학습률 파라미터 eta는 가중치 벡터의 방향이 아닌 크기에만 영향

ex. 삼각법

벡터 v1 = [1 2 3] 있을 때 v1과 벡터 v2 = 0.5 * v1 사이 각 = 0

• np.arccos 함수: 역코사인 삼각 함수
• np.linalg.norm: 벡터 길이 계산하는 함수

넘파이 배열 인덱싱
1차원 배열의 넘파이 인덱싱(indexing) ~= 대괄호([]) 사용하는 파이썬 리스트
2차원 배열: 첫 번째 인덱스 -> 행 번호, 두 번째 인덱스 -> 열 번호
ex. X[2, 3]: 2차원 배열 X의 세 번째 행과 네 번째 열 선택

fit 메서드: 가중치 초기화 -> 훈련 데이터셋에 있는 모든 개개의 샘플 반복 순회 -> 퍼셉트론 학습 규칙 따라 가중치 업데이트

fit 메서드에서 훈련하는 동안 가중치 업데이트 위해 predict 메서드 호출 -> 클래스 레이블에 대한 예측

*predict 메서드: 모델 학습되고 난 후 새로운 데이터 클래스 레이블 예측하는 데 사용

에포크마다 self.errors_ 리스트에 잘못 분류된 횟수 기록 

=> 훈련하는 동안 얼마나 퍼셉트론 잘 수행했는지 분석 가능

net_input 메서드에서 사용한 np.dot 함수: 벡터 점곱 w^Tx 계산

a.dot(b)나 np.dot(a, b)처럼 넘파이 사용하여 배열 a와 b 사이의 벡터 점곱 계산
-> 파이썬만 사용: sum([i * j for i, j in zip(a, b)])처럼 계산O
넘파이 사용 이점: 산술 연산 -> 벡터화
*벡터화(vectorization): 원소별 산술 연산이 자동으로 배열의 모든 원소에 적용
한 번에 원소 하나씩 연산 차례로 수행X, 하나의 산술 연산을 배열에 대한 연속적인 명령으로 구성
-> SIMD(Single Instruction, Multiple Data)를 지원하는 최신 CPU 구조의 장점 활용O
넘파이: C or 고도로 최적화된 라이브러리 사용
ex. 포트란으로 쓴 BLAS(Basic Linear Algebra Subprograms)와 LAPACK(Linear Algebra PACKage)
=> 벡터와 행렬의 점곱과 같은 기초적인 선형대수학 사용 -> 간결하고 직관적으로 코드 작성

2) 붓꽃 데이터셋에서 퍼셉트론 훈련

앞서 만든 퍼셉트론 구현 테스트 -> 2개 특성(차원)만 사용 

퍼셉트론 규칙: 2차원 국한X But, 학습 목적 -> 산점도에 훈련 모델의 결정 경계 그리기 -> 꽃받침 길이, 꽃임 길이

+ 퍼셉트론: 이진 분류 => 붓꽃 데이터셋에서 2개의 꽃 Setosa와 Versicolor만 사용

But, 퍼셉트론 알고리즘 -> 다중 분류로 확장O

ex. 일대다(One-versus-All, OvA) 전략 사용

다중 클래스 분류를 위한 일대다 전략
OvR 기법 사용 => 이진 분류기 -> 다중 클래스 문제에 적용O
OvA 사용할 때 클래스마다 하나의 분류기 훈련
각 클래스(양성 클래스)/다른 클래스의 샘플(음성 클래스)
레이블X 새로운 데이터 샘플 분류 -> n개 분류기(= 클래스 레이블의 개수)
신뢰도 가장 ↑ 클래스 레이블 -> 분류하려는 샘플에 할당
퍼셉트론: OvA 사용 -> 최종 입력의 절대값 가장 ↑ 클래스를 레이블로 선택

pandas 라이브러리 사용 -> UCI 머신 러닝 저장소에서 붓꽃 데이터셋을 DataFrame 객체로 직접 로드(load)

50개의 Iris-setosa와 50개의 Iris-versicolor 꽃에 해당하는 처음 100개의 클래스 레이블 추출

클래스 레이블 -> 2개의 정수 클래스 1(versicolor)과 -1(setosa)로 변경 -> 벡터 y에 저장

판다스 DataFrame의 values 속성: 넘파이 배열 반환

 

100개의 훈련 샘플에서 첫 번째 특성 열(꽃받침 길이)과 세 번째 특성 열(꽃잎 길이) 추출

-> 특성 행렬 X에 저장, 2차 산점도(scatter plot)로 시각화

붓꽃 데이터셋의 산점도

산점도 -> 붓꽃 데이터셋에 있는 샘플들이 꽃받침 길이와 꽃잎 길이 두 개의 특성 축을 따라 분포된 형태 보여줌

2차원 부분 공간에서는 선형 결정 경계로 Setosa와 Versicolor 꽃 구분O

=> 퍼셉트론 같은 선형 분류기가 완벽하게 분류

 

붓꽃 데이터셋에서 추출한 일부 데이터에서 퍼셉트론 알고리즘 훈련

에포크 대비 잘못 분류된 오차 -> 그래프 => 알고리즘이 수렴하여 두 붓꽃 클래스 구분하는 결정 경계 찾는지 확인

퍼셉트론의 에포크 대비 오차

퍼셉트론은 여섯 번째 에포크 이후 수렴, 훈련 샘플 와녁하게 분류

간단한 함수 만들어 2차원 데이터셋의 결정 경계 시각화

colors와 markers 정의, ListedColormap 사용 -> colors 리스트에서 컬러맵 만듦

두 특성의 최솟값, 최댓값 찾고 이 벡터로 넘파이 meshgrid 함수로 그리드(grid) 배열 xx1과 xx2 쌍 만듦

두  특성 차원에서 퍼셉트론 분류기 훈련 -> 그리드 배열 펼치고 훈련 데이터와 같은 개수의 열 되도록 행렬 만듦

predict 메서드: 그리드 각  포인트에 대응하는 클래스 레이블 Z 예측

 

클래스 레이블 Z -> xx1, xx2 같은 차원의 그리드로 크기 변경 -> 맷플롯립의 contourf 함수: 등고선 그래프

그리드 배열에 대해 예측한 클래스 -> 다른 색으로 매핑 => 결정 영역 나타냄

퍼셉트론이 만든 붓꽃 데이셋의 결정 단계

=> 퍼셉트론이 학습한 결정 경계는 두 개의 붓꽃으로 구성된 데이터셋의 모든 샘플 완벽하게 분류

퍼셉트론의 수렴
2개의 붓꽃 클래스 완벽하게 분류 But, 문제: 수렴
프랑크 로젠블란트: 퍼셉트론 학습 규칙: 2개의 클래스가 선형적인 초평면으로 구분O -> 수렴
선형 결정 경계로 완벽하게 클래스 구분X -> 최대 에포크 지정X -> 가중치 업데이트 과정 멈추지X

 

3. 적응형 선형 뉴런과 학습의 뉴런

적응형 선형 뉴런(ADAptive LInear NDuron, ADALINE)

 

버나드 위드로우(Bernard Widrow), 테드 호프(Tedd Hoff)

아달린(Adaline) 발표

*아달린: 퍼셉트론의 향상된 버전

연속 함수/ 비용 함수 정의, 최소화

=> 고급 머신 러닝 모델과 회귀 모델 이해하는데 도움

ex. 로지스틱 회귀(logistic regression), 서포트 벡터 머신(support vector machine)

 

아달린 규칙(= 위드로우-호프 규칙) vs. 로젠블라트 퍼셉트론

: 가중치 업데이트하는 데 퍼셉트론처럼 단위 계단 함수 대신 선형 활성화 함수 사용하는 것

*선형 활성화 함수 ∅(z): 항등 함수(identity function)

가중치 학습에 사용되지만 최종 예측 만드는데 임계 함수 사용(~= 단위 계단 함수)

적응형 선형 뉴런(아달린)

아달린 알고리즘: 진짜 클래스 레이블 vs. 선형 활성화 함수의 실수  출력 값 

=> 모델의 오차 계산, 가중치 업데이트

퍼셉트론: 진짜 클래스 레이블 vs. 예측 클래스  레이블

1) 경사 하강법으로 비용 함수 최소화

지도 학습 알고리즘의 핵심 구성 요소 중 하나: 학습 과정 동안 최적화하기 위해 정의한 목적 함수(object function)

최소화하려는 비용 함수 -> 목적 함수

아달린: 계산된 출력과 진짜 클래스 레이블 사이 제곱 오차합(Sum of Squared Errors, SSE)

-> 가중치 학습하기 위한 비용 함수 J 정의

1/2 항: 가중치 파라미터에 대한 비용 함수 or 손실 함수의 그레디언트(gradient) 간소하게 만드려고 편의상  추가

 

단위 계단 함수 대신 연속적인 선형 활성화 함수 사용(+): 비용 함수 -> 미분 가능, 비용 함수(+): 볼록 함수

경사 하강법(gradient descet) 적용 -> 붓꽃 데이터셋의 샘플 분류하도록 비용 함수 최소화하는 가중치 찾을 수 있음

 

• 반복에서 경사의 반대 방향으로 진행
• 진행 크기 <- 경사의 기울기와 학습률

경사 하강법 알고리즘

경사 하강법 사용 -> 비용 함수 J(w)의 그레이디언트 ∇J(w) 반대 방향으로 조금씩 가중치 업데이트 O

가중치 변화량 Δw: 음수의 그레이디언트*학습률 η

비용 함수의 그레이디언트 계산 -> 각 가중치 w_j에 대한 편도 함수 계산

=> 가중치 w_j의 업데이트 공식

모든 가중치 동시에 업데이트 => 아달린 학습 규칙

제곱 오차합의 도함수
j번째 가중치에 대한 SSE 비용 함수의 편도 함수 유도하는 과정

아달린 학습 규칙이 퍼셉트론 규칙과 동이랗게 보이지만 z^{(i)}=w^Tx^{(i)}인 ∅(z^{i)})는 정수 클레스 레이블X, 실수O

+ 훈련 데이터셋에 있는 모든 샘플을 기반으로 가중치 업데이트 계산(각 샘플마다 가중치 업데이트X)

=> 배치 경사 하강법(batch gradient descent)

2) 파이썬으로 아달린 구현

퍼셉트론 규칙 ~= 아달린 

=> 퍼셉트론 구현에서 fit 메서드 바꿔 경사 하강법으로 비용 함수 최소화되도록 가중치 업데이트

퍼셉트론처럼 개별 훈련 샘플마다 평가한 후 가중치 업데이트X, 전체 훈련 데이터셋 기반 -> 그레이디언트 계산

절편(0번째 가중치): self.eta * errors.sum()

가중치 1에서 m까지: self.eta * X.T.dot(erros)

 

*X.T.dot(erros): 특성 행렬과 오차 벡터 간의 행렬-벡터 곱셈

 

activation 메서드: 단순한 항등 함수(identity function) => 영향X

단일층 신경망 ~> 정보가 어떻게 흘러가는지 일반적 개념 표시 -> (activation 메서드에서 계산되는) 활성화 함수 추가

입력 데이터의 특성: 최종 입력 -> 활성화 -> 출력 

 

3장: 항등 함수X 비선형 활성화 함수 사용O -> 로지스틱 회귀 분류기

 

*로지스틱 회귀 모델: 활성화 함수와 비용 함수만 다르고 아달린과 매우 비슷

 

비용 -> self.cost_ 리스트에 모아 훈련이 끝난 후 알고리즘이 수렴하는지 확인

 

실전) 최적으로 수렴하는 좋은 학습률 η 찾기 위해 여러 번 실험

2개의 학습률 η = 0.1, η = 0.0001

에포크 횟수 대비 비용 함수의 값 -> 그래프 => 아달린 구현이 훈련 데이터에서 얼마나 잘 학습하는지 확인 가능

퍼셉트론 하이퍼파라미터
에포크 횟수(n_iter)와 학습률 η(eta): 퍼셉트론과 아달린 학습 알고리즘의 하이퍼파라미트(OR 튜닝 파라미터)

학습률에 따른 아달린 알고리즘의 수렴

비용 함수 J를 최소화하려고 특정 가중치 값 바꾸었을 때 어떤 일이 일어나는지

• L: 적절하게 선택한 학습률 경우/ 비용 점차 ↓ -> 전역 최솟값의 방향으로 이동
• R: 너무 ↑ 학습률 -> 전역 최솟값 지나침

경사 하강법에서 학습률의 영향

3) 특성 스케일을 조정하여 경사 하강법 결과 향상

경사 하강법: 특성 스케일 조정 -> 혜택O

표준화(standardization) 특성 스케일 방법: 데이터 평균 0, 단위 분산O 표준 정규 분포 성질 부여

-> 경사 하강법 학습이 더 빠르게 수렴되도록 도움

But, 원본 데이터셋 -> 정규 분포로 만듦 (X)

각 특성의 평균을 0에 맞추고 특성의 표준 편차를 1(단위 분산)로 만듦

ex. j번째 특성 표준화 -> 모든 샘플에서 평균 μ_j를 빼고 표준 편차 σ_j로 나눔

x_j: n개의 모든 훈련 샘플에서 j번째 특성 값을 포함한 벡터

표준화 기법 -> 데이터셋의 각 특성 j에 적용

 

표준화가 경사 하강법 학습에 도움되는 이유: 더 적은 단계 거쳐 최적/좋은 솔루션 찾음

2차원 분류 문제에서 모델의 가중치에 따른 비용 함수의 등고선

표준화가 비용 함수에 미치는 영향

표준화 -> 넘파이 내장 함수 mean과 std로 간단하게 처리O

표준화 -> 아달린 모델 훈련 -> 학습률 η=0.01에서 몇 번의 에포크만에 수렴하는지 확인

결정 경계 그래프와 비용이 감소되는 그래프

표준화를 적용한 아달린의 결정 경계와 학습 곡선

학습률 η=0.01 사용, 표준화된 특성에서 훈련 => 아달린 모델 수렴

모든 샘플이 완벽하게 분류되더라도 SSE != 0

4) 대규모 머신 러닝과 확률적 경사 하강법

• 배치 경사 하강법
  • : 전체 훈련 데이터셋에서 계산한 그레이디언트의 반대 방향으로 한 걸음씩 진행 -> 비용 함수 최소화
• 확률적 경사 하강법(stochastic gradient descent, = 온라인 경사 하강법)
  • 배치 경사 하강법의 다른 대안
  • 가중치 자주 업데이트 -> 수렴 속도 경사 하강법보다 ↑
  • 그레디언트가 하나의 훈련 샘플을 기반으로 계산 -> 오차의 궤적: 배치 경사 하강법보다 어지러움
  • 비선형 비용 함수 다룰 때 얕은 지역 최솟값 더 쉽게 탈출O
  • 만족스러운 결과 -> 훈련 샘플 순서 무작위하게 주입 + 순환되지X 에포크마다 훈련 데이터셋 섞음

모든 샘플 x^{(i)}에 대해 누적된 오차 합 기반 -> 가중치 업데이트

각 훈련 샘플에 대해 조금씩 가중치 업데이트

훈련하는 동안 학습률 조정하기
확률적 경사 하강법 구현에서 종종 고정된 학습률 η를 시간이 지남에 따라 적응적 학습률로 대체

c_1과 c_2는 상수, 확률적 경사 하강법은 전역 최솟값에 도달X But, 매우 가까운 지역에 근접
적응적 학습률을 사용 -> 최솟값에 더욱 가깝게 다가갈 수 있음

확률적 경사 하강법 다른 장점: 온라인 학습(online learning)으로 사용O

온라인 학습: 모델은 새로운 훈련 데이터가 도착하는 대로 훈련, 훈련 데이터 양 ↑ -> 유용

ex. 고객 데이터 처리 웹 애플리케이션

온라인 학습 사용 -> 시스템은 변화에 즉시 적응

if 저장 공간 제약O -> 모델 업데이트 -> 훈련 데이터 버리기

미니 배치 경사 하강법
배치 경사 하강법과 확률적 경사 하강법 사이의 절충점: 미니 배치 학습(mini-batch learning)
훈련 데이터의 작은 일부분으로 배치 경사 하강법 적용
ex. 한 번에 32개의 샘플 사용
배치 경사 하강법에 비해 가중치 업데이트 자주 일어남 -> 수렴 속도 ↑
확률적 경사 하강법에서 훈련 샘플을 순회하는 for 반복 -> 선형대수 개념(ex. 점곱 ~> 가중치 합 계산)을 사용한 벡토화된 연산
-> 학습 알고리즘의 계산 효율성 ↑

 

---

요약

• 머신 러닝 알고리즘 직관적 이해
• 판다스, 넘파이, 맷플롯립 -> 데이터 읽기, 처리, 시각화
• 파이썬 -> 선형 분류 알고리즘 구현

 

지도학습_선형 분류기

퍼셉트론 구현

-> 경사 하강법 방식: 적응형 선형 뉴런 효율적으로 훈련하는 방법

-> 확률적 경사 하강법: 온라인 학습으로 훈련하는 방법

 

퍼셉트론, 아달린 알고리즘 구현에 사용한 객체 지향 방식

-> fit, prdict 메서드와 동일한 바탕으로 구현 => 사이킷런 API 이해하는 데 도움

 

• 클래스 확률 모델링 -> 로지스틱 회귀
• 비선형 결정 경계 -> 서포트 벡터 머신
• 지도 학습 알고리즘: 트리 기반 알고리즘_앙상블 분류기 사용 

---

출처

https://github.com/rickiepark/python-machine-learning-book-3rd-edition

GitHub - rickiepark/python-machine-learning-book-3rd-edition: <머신 러닝 교과서 3판>의 코드 저장소