An Introduction to Statistical Learning
통계적 학습(Statistical Learning) 교원에 대한 공식 학습 목차입니다. 각 장의 제목을 통해 상세 문서를 확인하실 수 있습니다.
Statistical Learning Curriculum
01. Introduction (소개)
이 장에서는 통계적 학습(Statistical Learning)이란 무엇인지 개괄적으로 살펴봅니다. 이 책에서 다루게 될 전반적인 데이터셋의 종류와 목적에 대해 간략히 소개합니다.
02. Statistical Learning (통계적 학습)
통계적 학습의 핵심 개념인 $f$ 함수 추정, 분산-편향 트레이드오프(Variance-Bias Trade-off)를 배웁니다. 지도 학습에서의 회귀/분류 문제 구조와 모형의 정확도를 평가하는 기본적인 척도를 다룹니다.
03. Linear Regression (선형 회귀)
가장 직관적이고 폭넓게 활용되는 기초 지도 학습 기법인 선형 회귀 모형을 심도 있게 다룹니다. 단순/다중 선형 회귀 방정식, 각 계수에 대한 가설 검정, 그리고 전체 모델의 적합성 평가 방법을 설명합니다.
04. Classification (분류)
예측하고자 하는 반응 변수(Target)가 여러 개의 범주일 때 사용하는 분류 기법 체계를 소개합니다. 로지스틱 회귀, 다항 분류 시스템, 선형 판별 분석(LDA), K-최근접 이웃(KNN) 등을 배울 수 있습니다.
05. Resampling Methods (재표본 추출 방법)
모델의 일반화 성능을 안전하게 평가하고 하이퍼파라미터를 튜닝하기 위한 필수 데이터 검증 기법을 배웁니다. 교차 검증(Cross-Validation) 과정과 신뢰성 높은 통계 추정을 위한 부트스트랩(Bootstrap)을 자세히 살펴봅니다.
06. Linear Model Selection and Regularization (선형 모델 선택 및 규제)
전통적인 선형 회귀를 확장하여, 부분집합 선택(Subset Selection)이나 차원 축소를 통해 모델을 정교화합니다. 릿지(Ridge), 라쏘(Lasso)와 같은 규제(Regularization) 기법을 적용하여 과적합을 방지하는 과정을 명확히 설명합니다.
07. Moving Beyond Linearity (비선형성을 향해)
복잡한 데이터의 비선형적 관계를 효과적이고 유연하게 모델링하기 위한 수리적 함수 확장 개념을 다룹니다. 다항식 회귀뿐만이 아니라 스플라인(Splines) 기법 및 일반화 가법 모형(GAMs)의 구조를 학습합니다.
08. Tree-Based Methods (트리 기반 방법론)
직관적인 룰 셋으로 이루어진 의사결정 트리(Decision Trees)의 기본 원리부터 시작하여 그 한계를 파악합니다. 이후 배깅(Bagging), 랜덤 포레스트(Random Forests), 부스팅(Boosting) 등 강력한 앙상블 기법으로 확장하는 과정을 배웁니다.
09. Support Vector Machines (서포트 벡터 머신)
선형 초평면(Hyperplane)을 통해 데이터 간의 최대 마진(Margin)을 확보하는 최대 마진 분류기에서 출발합니다. 슬랙 변수와 커널 트릭(Kernel Trick)을 수식적으로 받아들여, 막강한 비선형 서포트 벡터 머신(SVM)으로 발전하는 최적화를 학습합니다.
10. Deep Learning (딥러닝)
최근 컴퓨터 비전 및 자연어 처리 부문에서 압도적인 성과를 거두고 있는 딥러닝 기술의 신경망(Neural Networks) 구조를 파악합니다. 활성화 함수 최적화와 계층, 더 나아가 이미지 특화 기술인 합성곱 신경망(CNN) 및 그 역전파 메커니즘을 상세히 소개합니다.
11. Survival Analysis and Censored Data (생존 분석과 중도절단 데이터)
의학이나 고객 이탈(Churn) 분석 등, 특정한 ‘사건(Event)이 일어날 때까지의 시간’을 모델링하는 특수 목적 학습을 다룹니다. 중도절단(Censored) 데이터의 개념을 익히고 카플란-마이어 생존 곡선 및 콕스 비례위험 모형 추정을 살펴봅니다.
12. Unsupervised Learning (비지도 학습)
레이블(정답)이 없는 방대한 데이터 속에서, 변수나 관측치 파악 집단 사이의 숨겨진 패턴과 구조를 찾아내는 자율형 기법들을 다룹니다. 데이터 구조를 축약하는 주성분 분석(PCA)과 K-평균, 계층적 클러스터링(Hierarchical Clustering) 군집화 방법을 포괄적으로 학습합니다.
13. Multiple Testing (다중 검정)
빅데이터 환경에서 흔히 벌어지는, 수천 수만 개의 가설을 동시에 검정함으로써 발생하는 1종 오류(Type I error) 급증 문제를 조명합니다. Family-Wise Error Rate(FWER) 보정을 위한 Bonferroni/Holm 절차 및 실용적인 발견 비율(FDR) 제어 기법을 설명합니다.