행렬로 배우는 데이터 마이닝과 머신러닝

저자
Lars Elden
출판사
교우사(오판근)
출판일
20260323
ISBN
9791125104896
ISBN 등록 지역
대한민국 (ISBN 979-11)

소개

이 책은 주로 기초적인 과학 계산 또는 수치해석 과목을 이미 이수한 학부생을 대상으로 한다. 또한 선형대수 기법에 대한 입문이 필요한 데이터 마이닝 및 패턴 인식 분야의 초기 대학원생들에게도 유용할 수 있다. 이 책의 목적은 데이터 마이닝과 패턴 인식의 다양한 문제를 해결하는 데 매우 강력한 수치 선형대수 기법들이 존재함을 보여주는 데 있다. 이를 위해 스웨덴 대학의 일반적인 과학 계산(수치해석) 첫 강좌에서 다루는 범위를 넘어서는 내용을 제시할 필요가 있다. 반면, 이 책은 응용 지향적이므로 사용되는 선형대수 알고리즘의 수학적・수치적 측면을 포괄적으로 다루는 것은 불가능하다. 이 책의 초판이 출간된 이후, 정보과학 또는 데이터과학 분야의 응용은 비약적으로 성장하였다. 오늘날 존재하는 가장 큰 상업 기업들 중 다수는 빅데이터 분야에서 활발히 활동하고 있으며, 우리의 일상생활 전반에 깊숙이 관여하여 정보와 인적 연결을 제공하고 있다. 한편으로는 사회에서의 활동과 인터넷 상의 행위가 정부 기관과 상업 기업에 의해 지속적으로 감시되고 있다. 인터넷에 공개된 개인 데이터의 프라이버시와 소유권을 둘러싼 논쟁도 계속되고 있다. 최근의 빅데이터 관련 홍보의 상당 부분은 딥러닝에 집중되어 있는데, 이는 수십 년전부터 존재해 온 신경망의 발전된 형태이다. 신경망은 여러 층의 뉴런과 그 뒤에 이어지는 비선형성으로 구성된 학습 메커니즘이다. 이러한 시스템은 주어진 입력 집합을 원하는 출력에 맞도록 학습시킬 수 있으며, 예를 들어 회귀나 분류 문제에 사용될 수 있다. 딥러닝에서는 훨씬 더 많은 층이 사용되며, 종종 방대한 양의 데이터가 학습에 활용된다. 딥러닝은 여러 응용 분야에서 엄청난 성공을 거두었지만, 그 사용은 어느 정도 실험적인 측면이 있으며 이론적 토대가 충분히 강하다고 보기는 어렵다(예를 들어 M. Elad, “Deep, Deep Trouble,” SIAM News, 2017년 5월호 참조). 그러나 딥러닝과 데이터과학 의 다른 새로운 방법들의 과학적 기반을 강화하기 위한 노력이 수학, 수치해석, 통계학 공동체 전반에서 활발히 이루어지고 있다. 그 한 예로, SIAM Journal on Mathematics of Data Science 가 최근 창간되었다. 이 책 Matrix Methods 의 제2판에서 나는 보수적인 입장을 취하여 신경망을 포함시키지 않기로 결정하였다. 반면 그래프와 그래프 알고리즘은 데이터과학 전반에 걸쳐 널리 사용되고 있으며, 그 이론적 기반도 잘 정립되어 있다. 따라서 그래프 이론과 행렬 기법 간의 연관성, 그리고 몇 가지 응용을 간단히 소개하는 것은 자연스러운 추가라고 할 수 있다.