- 현재 위치
- home > 컴퓨터·ICT·어학 > 컴퓨터·IT 도서 > 컴퓨터공학 > 머신러닝을 활용한 웹 최적화[한빛미디어]
;)
사용자 만족 서비스를 위한 최강 솔루션, 웹 최적화
사용자는 개발자가 생각하는 대로 움직이지 않는다. 사용자 요구는 물론이고 해결 방법조차 분명하지 않은 상황에서 유일한 해답은 사용자의 행동이다. 행동을 관찰하고 얻은 통찰에 기반해 가설을 수립하고 새로운 대책을 웹 서비스에 적용하며 최적화를 진행하는 것이다. 이에 도움이 되는 강력한 무기가 바로 통계와 머신러닝이다. 웹 최적화를 통해 머신러닝 세계를 새롭게 보는 눈을 뜨길 바란다. ?책의 일부 내용을 미리 읽어보실 수 있습니다. 미리보기
사용자는 개발자가 생각하는 대로 움직이지 않는다. 사용자 요구는 물론이고 해결 방법조차 분명하지 않은 상황에서 유일한 해답은 사용자의 행동이다. 행동을 관찰하고 얻은 통찰에 기반해 가설을 수립하고 새로운 대책을 웹 서비스에 적용하며 최적화를 진행하는 것이다. 이에 도움이 되는 강력한 무기가 바로 통계와 머신러닝이다. 웹 최적화를 통해 머신러닝 세계를 새롭게 보는 눈을 뜨길 바란다. ?책의 일부 내용을 미리 읽어보실 수 있습니다. 미리보기
저자: 이쓰카 슈헤이 저/김연수 역
CHAPTER 1 A/B 테스트부터 시작하자: 베이즈 통계를 이용한 가설 검정 입문
1.1 A/B 테스트의 영향
1.2 앨리스와 밥의 보고서
1.3 확률 분포
1.4 베이즈 정리를 이용한 클릭률 추론
1.5 다른 해결책 1: 반복 모으기
1.6 다른 해결책 2: 베타 분포
1.7 사후 분포를 이용한 결단 내리기
1.8 정리
칼럼: 실험 설계의 기본 원칙
CHAPTER 2 확률적 프로그래밍: 컴퓨터의 도움을 받자
2.1 통계 모델 기술과 샘플링 실행
2.2 진정한 리뷰 점수
2.3 체류 시간 테스트하기
2.4 베이즈 추론을 이용한 통계적 가설 검정을 하는 이유
2.5 정리
CHAPTER 3 조합 테스트: 요소별로 분해해서 생각하자
3.1 찰리의 보고서
3.2 효과에 주목한 모델링
3.3 통계 모델 수정
3.4 완성한 보고서, 잘못된 모델
3.5 모델 선택
3.6 정리
칼럼: 직교 계획과 웹 최적화
CHAPTER 4 메타휴리스틱: 통계 모델을 사용하지 않는 최적화 방법
4.1 마케팅 회의
4.2 메타휴리스틱
4.3 언덕 오르기 알고리즘
4.4 확률적 언덕 오르기 알고리즘
4.5 시뮬레이티드 어닐링
4.6 유전 알고리즘
4.7 정리
칼럼: 유전 알고리즘과 대화형 최적화
칼럼: 웹 최적화와 대화형 최적화
CHAPTER 5 슬롯머신 알고리즘: 테스트 중의 손실에도 대응하자
5.1 소박한 의문
5.2 다중 슬롯머신 문제
5.3 .-greedy 알고리즘
5.4 시뮬레이티드 어닐링 .-greedy 알고리즘
5.5 소프트맥스 알고리즘
5.6 톰슨 샘플링
5.7 UCB 알고리즘
5.8 에렌의 질문에 대한 답변
5.9 정리
칼럼: 최적 슬롯 식별 문제
CHAPTER 6 조합 슬롯머신: 슬롯머신 알고리즘과 통계 모델의 만남
6.1 다시 찰리의 보고서
6.2 선형 모델과 일반화 선형 모델
6.3 MCMC를 슬롯머신에 사용하기
6.4 베이즈 선형 회귀 모델
6.5 LinUCB 알고리즘
6.6 정리
칼럼: 개인화에서의 응용
CHAPTER 7 베이즈 최적화: 연속값의 솔루션 공간에 도전하자
7.1 마케팅 회의
7.2 베이즈 최적화
7.3 가우스 과정
7.3.1 커널 트릭
7.4 컴퓨터와 대화하며 최적의 색 찾기
7.5 GP-UCB 알고리즘
7.6 GP-TS 알고리즘
7.7 응용 시 주의할 점
7.8 에렌의 질문
7.9 정리
칼럼: 베이즈 최적화를 대화형 최적화에 응용하기
CHAPTER 8 앞으로의 웹 최적화
8.1 단기적인 평가와 장기적인 평가
8.2 솔루션 공간 디자인
8.3 웹사이트 이외의 응용
APPENDIX A 행렬 연산 기초
A.1 행렬 정의
A.2 행렬의 합
A.3 행렬의 곱
A.4 행렬의 전치
APPENDIX B 로지스틱 회귀상에서의 톰슨 샘플링
B.1 베이즈 로지스틱 회귀
B.2 로지스틱 회귀 톰슨 샘플링
1.1 A/B 테스트의 영향
1.2 앨리스와 밥의 보고서
1.3 확률 분포
1.4 베이즈 정리를 이용한 클릭률 추론
1.5 다른 해결책 1: 반복 모으기
1.6 다른 해결책 2: 베타 분포
1.7 사후 분포를 이용한 결단 내리기
1.8 정리
칼럼: 실험 설계의 기본 원칙
CHAPTER 2 확률적 프로그래밍: 컴퓨터의 도움을 받자
2.1 통계 모델 기술과 샘플링 실행
2.2 진정한 리뷰 점수
2.3 체류 시간 테스트하기
2.4 베이즈 추론을 이용한 통계적 가설 검정을 하는 이유
2.5 정리
CHAPTER 3 조합 테스트: 요소별로 분해해서 생각하자
3.1 찰리의 보고서
3.2 효과에 주목한 모델링
3.3 통계 모델 수정
3.4 완성한 보고서, 잘못된 모델
3.5 모델 선택
3.6 정리
칼럼: 직교 계획과 웹 최적화
CHAPTER 4 메타휴리스틱: 통계 모델을 사용하지 않는 최적화 방법
4.1 마케팅 회의
4.2 메타휴리스틱
4.3 언덕 오르기 알고리즘
4.4 확률적 언덕 오르기 알고리즘
4.5 시뮬레이티드 어닐링
4.6 유전 알고리즘
4.7 정리
칼럼: 유전 알고리즘과 대화형 최적화
칼럼: 웹 최적화와 대화형 최적화
CHAPTER 5 슬롯머신 알고리즘: 테스트 중의 손실에도 대응하자
5.1 소박한 의문
5.2 다중 슬롯머신 문제
5.3 .-greedy 알고리즘
5.4 시뮬레이티드 어닐링 .-greedy 알고리즘
5.5 소프트맥스 알고리즘
5.6 톰슨 샘플링
5.7 UCB 알고리즘
5.8 에렌의 질문에 대한 답변
5.9 정리
칼럼: 최적 슬롯 식별 문제
CHAPTER 6 조합 슬롯머신: 슬롯머신 알고리즘과 통계 모델의 만남
6.1 다시 찰리의 보고서
6.2 선형 모델과 일반화 선형 모델
6.3 MCMC를 슬롯머신에 사용하기
6.4 베이즈 선형 회귀 모델
6.5 LinUCB 알고리즘
6.6 정리
칼럼: 개인화에서의 응용
CHAPTER 7 베이즈 최적화: 연속값의 솔루션 공간에 도전하자
7.1 마케팅 회의
7.2 베이즈 최적화
7.3 가우스 과정
7.3.1 커널 트릭
7.4 컴퓨터와 대화하며 최적의 색 찾기
7.5 GP-UCB 알고리즘
7.6 GP-TS 알고리즘
7.7 응용 시 주의할 점
7.8 에렌의 질문
7.9 정리
칼럼: 베이즈 최적화를 대화형 최적화에 응용하기
CHAPTER 8 앞으로의 웹 최적화
8.1 단기적인 평가와 장기적인 평가
8.2 솔루션 공간 디자인
8.3 웹사이트 이외의 응용
APPENDIX A 행렬 연산 기초
A.1 행렬 정의
A.2 행렬의 합
A.3 행렬의 곱
A.4 행렬의 전치
APPENDIX B 로지스틱 회귀상에서의 톰슨 샘플링
B.1 베이즈 로지스틱 회귀
B.2 로지스틱 회귀 톰슨 샘플링
웹 최적화에 머신러닝을 도입한 국내 최초의 책
우리는 일상에서 접하는 대부분이 인터넷과 연결된 세계에 살고 있습니다. 사용자에게 최고의 경험을 제공하기 위해서는 빠른 변화와 다양성에 적극 반응하고 적응하는 것이 중요합니다. 그런데 사용자는 웹 서비스 개발자가 예상하는 것과 다르게 반응하고 행동합니다. 사용자가 원하는 것이 무엇인지 직접 물어봐서 알 수 있다면 좋겠지만, 이는 무척 어려운 일이며 사용자 자신이 원하는 것을 정확하게 알고 말한다는 보장도 없습니다.
이때 A/B 테스트로 대표되는 최적화 기술이 유용합니다. A/B 테스트에서 숫자로 나타난 사용자의 선택뿐만 아니라 그 이면에 숨겨진 데이터를 가설 검증에 활용해 더 나은 최적화 설계를 수행할 수 있게 해줍니다. 이제까지 베일에 가려져 있던 이 중요한 기술을 체계적으로 정리한 책은 국내에 없었습니다. 이 책은 통계학과 머신러닝이라는 수학적 방법을 이용해 최적화를 설명하고 코드를 통해 구체적으로 알기 쉽게 정리했습니다. 웹 최적화에 관한 고민을 이 책이 덜어줄 것입니다.
-베이즈 추론 기반 의사 결정
-적은 양의 데이터를 활용해 효율적으로 가설 검증하는 방법, 선형 모델
-통계 모델을 사용하지 않는 최적화 방법, 메타휴리스틱
-다중 슬롯머신 문제(MAB)와 그 해법
-베이즈 최적화로 대화형 최적화 문제 다루기
-웹 최적화에서 해결되지 않는 문제들
우리는 일상에서 접하는 대부분이 인터넷과 연결된 세계에 살고 있습니다. 사용자에게 최고의 경험을 제공하기 위해서는 빠른 변화와 다양성에 적극 반응하고 적응하는 것이 중요합니다. 그런데 사용자는 웹 서비스 개발자가 예상하는 것과 다르게 반응하고 행동합니다. 사용자가 원하는 것이 무엇인지 직접 물어봐서 알 수 있다면 좋겠지만, 이는 무척 어려운 일이며 사용자 자신이 원하는 것을 정확하게 알고 말한다는 보장도 없습니다.
이때 A/B 테스트로 대표되는 최적화 기술이 유용합니다. A/B 테스트에서 숫자로 나타난 사용자의 선택뿐만 아니라 그 이면에 숨겨진 데이터를 가설 검증에 활용해 더 나은 최적화 설계를 수행할 수 있게 해줍니다. 이제까지 베일에 가려져 있던 이 중요한 기술을 체계적으로 정리한 책은 국내에 없었습니다. 이 책은 통계학과 머신러닝이라는 수학적 방법을 이용해 최적화를 설명하고 코드를 통해 구체적으로 알기 쉽게 정리했습니다. 웹 최적화에 관한 고민을 이 책이 덜어줄 것입니다.
-베이즈 추론 기반 의사 결정
-적은 양의 데이터를 활용해 효율적으로 가설 검증하는 방법, 선형 모델
-통계 모델을 사용하지 않는 최적화 방법, 메타휴리스틱
-다중 슬롯머신 문제(MAB)와 그 해법
-베이즈 최적화로 대화형 최적화 문제 다루기
-웹 최적화에서 해결되지 않는 문제들
