Detail View

컬럼비아 대학교 대학원의 데이터과학 입문 16주 강의를 총 16개장으로 옮겨 놓은 데이터과학 입문서다. 구글, MS, 이베이 등 데이터과학자들이 참여하여 실제 사례를 분석하고 직접 사용하는 코드를 제시한다.

총 16개 장에 걸쳐 소개되는 강의들에서는 구글, MS, 이베이 등 데이터과학자들이 사례 분석과 직접 사용하는 코드를 제시하면서 새 알고리즘, 방법론, 모형을 공유한다. 선형대수, 확률, 통계에 익숙하고 프로그래밍 경험이 있다면 이 책은 최고의 데이터과학 입문서가 될 것이다.

이 책은 컬럼비아 대학교 대학원의 데이터과학 입문 16주 강의를 총 16개장으로 옮겨 놓은 데이터과학 입문서다. 구글, MS, 이베이 등 데이터과학자들이 참여하여 실제 사례를 분석하고 직접 사용하는 코드를 제시한다.

★ 데이터과학, 최고의 교과서
사람들은 데이터가 선거나 비즈니스 모형을 바꿀 수도 있다는 점을 알게 됐다. 이에 따라 데이터과학과 관련된 직업도 많이 생겨 났다. 하지만 데이터과학은 여러 학문이 섞여 있어 올바른 가이드 없이는 쉽게 진입할 수 없다. 그렇다면 당신은 어떻게 시작할 것인가? 이 책은 컬럼비아대학교 대학원의 데이터과학 입문 수업을 바탕으로 데이터과학에 입문하려는 당신이 알아야 할 내용을 상세히 다루고 있다.
총 16개 장에 걸쳐 소개되는 강의들에서는 구글, MS, 이베이 등 데이터과학자들이 사례 분석과 직접 사용하는 코드를 제시하면서 새 알고리즘, 방법론, 모형을 공유한다. 선형대수, 확률, 통계에 익숙하고 프로그래밍 경험이 있다면 이 책은 최고의 데이터과학 입문서가 될 것이다.

★ 이 책의 구성
이 책은 수업과 같은 순서로 구성되어 있다.
● 1장 : 우리는 '데이터과학이란 무엇인가?'라는 중심 질문에 관한 몇 개의 기초적인 자료로 시작하고, 조직화하는 원칙으로서의 데이터과학 과정을 소개한다.
● 2장, 3장 : 책 전체의 기초가 되는 통계적 모형화와 기계학습 알고리즘을 개괄적으로 살펴본다.
● 4장, 5장, 6장, 8장 : 다양한 맥락에 따라 특정한 모형과 알고리즘의 사례들을 검토한다.
● 7장 : 데이터에서 어떻게 의미를 도출하고, 모형에 포함될 특징을 어떻게 만드는지 알아본다.
● 9장, 10장 : 전통적으로 대학에서 가르치지 않는 데이터 시각화와 소셜네트워크라는 두 영역을 다룬다.
● 11장, 12장 : 예측에서 인과성으로 방향을 선회한다.
● 13장, 14장 : 데이터 준비와 공학에 관한 것이다.
● 15장 : 수업에 참여한 학생들에게 데이터과학을 학습한다는 것이 어떤 의미인지 들어본다.
● 16장 : 데이터과학의 미래에 대해 우리가 희망하는 점이 논의된다.

★ 이 책의 대상 독자
● 경험이 많은 데이터과학자들은 아마도 자신이 하고 있는 일을 새로운 각도에서 보고 이해하게 될 것이다.
● 통계학자들은 데이터과학과 통계학의 관계에 대한 인식을 얻을 수 있을 것이다. 아니면 '이것은 그냥 통계학이잖아'라는 입장을 계속 유지할 지도 모른다. 그 경우 우리는 그 주장이 명료하게 제시되는 모습을 보고 싶다.
● 데이터과학으로 전공 전환을 고려 중이거나 데이터과학 스킬을 향상시키고자 하는 계량분석가, 수학자, 물리학자, 혹은 다른 과학 분야의 박사들은 데이터과학이 무엇인지 혹은 무엇을 요구하는지에 대한 관점을 얻을 것이다.
● 학생들이나 데이터과학에 문외한인 독자들은 데이터과학에 깊숙이 던져지게 될 것이다. 만약 여러분이 모든 내용을 이해할 수 없다고 하더라도 걱정하지 말기 바란다. 그것은 배우는 과정의 일부일 뿐이다.

Information Provided By: :

목차
옮긴이의 글 = 6
서문 = 8
감사의 글 = 15
CHAPTER 1 소개: 데이터과학이란 무엇인가?
 1.1 빅데이터와 데이터과학 열풍 = 27
 1.2 열풍을 넘어서 = 29
 1.3 왜 지금? = 30
 1.4 현재의 풍경(약간의 역사와 함께) = 32
 1.5 데이터과학 프로필 = 36
 1.6 사고 실험: 메타 정의 = 38
 1.7 데이터과학자는 정말로 어떤 직업인가? = 40
CHAPTER 2 통계적 추론, 탐색적 데이터분석과 데이터과학 과정
 2.1 빅데이터 시대의 통계적 사고 = 43
 2.2 탐색적 데이터분석 = 59
 2.3 데이터과학 과정 = 66
 2.4 사고 실험: 여러분은 혼돈을 어떻게 시뮬레이션할 것인가? = 70
 2.5 사례 연구: 리얼다이렉트 = 71
CHAPTER 3 알고리즘
 3.1 기계학습 알고리즘 = 78
 3.2 세 가지 기본 알고리즘 = 80
 3.3 연습문제: 기본적인 기계학습 알고리즘들 = 109
 3.4 전체 요약 = 115
 3.5 사고 실험: 통계로봇 = 115
CHAPTER 4 스팸 필터, 나이브베이즈, 경합
 4.1 사고 실험: 예제로 배우기 = 117
 4.2 나이브베이즈 = 121
 4.3 좀 더 멋있게: 라플라스 평활 = 127
 4.4 나이브베이즈와 k-NN의 비교 = 129
 4.5 코드 예시 = 129
 4.6 웹스크래핑: API와 기타 도구들 = 131
 4.7 제이크의 연습문제: 기사분류를 위한 나이브베이즈 = 133
CHAPTER 5 로지스틱 회귀
 5.1 사고 실험 = 140
 5.2 분류기 = 141
 5.3 M6D 로지스틱 회귀 사례연구 = 144
 5.4 Media 6 Degrees 연습문제 = 154
CHAPTER 6 시간기록과 금융 모형화
 6.1 카일 티그와 티비태그 = 161
 6.2 시간기록 = 164
 6.3 캐시 오닐 = 170
 6.4 사고 실험 = 171
 6.5 금융 모형화 = 172
 6.6 연습문제: 티비태그와 시간기록 사건 데이터 = 189
CHAPTER 7 데이터에서 의미 추출하기
 7.1 윌리엄 커키어스키 = 191
 7.2 캐글모형 = 195
 7.3 사고 실험: 로봇 평가자의 윤리적 함축성은 무엇인가? = 199
 7.4 특징 선택 = 201
 7.5 데이비드 허페이커: 사회연구에 대한 구글의 하이브리드 접근법 = 220
CHAPTER 8 추천 엔진: 대규모 사용자 대면 데이터 상품
 8.1 현실 세계의 추천 엔진 = 226
 8.2 사고 실험: 필터 버블(Filter Bubble) = 239
 8.3 연습문제: 추천 시스템 만들기 = 239
CHAPTER 9 데이터 시각화와 사기 탐지
 9.1 데이터 시각화의 역사 = 243
 9.2 다시 한 번, 데이터과학이란 무엇인가? = 246
 9.3 데이터 시각화 프로젝트의 사례 = 248
 9.4 마크의 데이터 시각화 프로젝트 = 251
 9.5 데이터과학과 위험 = 259
 9.6 스퀘어의 데이터 시각화 = 272
 9.7 이언의 사고 실험 = 274
 9.8 참고사항 = 274
CHAPTER 10 소셜네트워크와 데이터 저널리즘
 10.1 모닝사이드 애널리틱스에서의 소셜네트워크 분석 = 278
 10.2 소셜네트워크 분석 = 280
 10.3 소셜네트워크의 용어들 = 280
 10.4 사고 실험 = 284
 10.5 모닝사이드 애널리틱스 = 285
 10.6 통계적 관점으로 본 소셜네트워크 분석의 배경 = 288
 10.7 데이터 저널리즘 = 294
CHAPTER 11 인과성
 11.1 상관은 인과관계를 함축하지 않는다 = 298
 11.2 OK 큐피트의 시도 = 301
 11.3 황금 기준: 확률적 임상실험 = 303
 11.4 A／B 검정 = 305
 11.5 차선책: 관찰 연구 = 307
 11.6 세 가지의 조언 = 313
CHAPTER 12 역학
 12.1 매디건의 배경 = 315
 12.2 사고 실험 = 316
 12.3 현대 학술 통계학 = 317
 12.4 의학 문헌과 관찰 연구 = 318
 12.5 층화는 교란변수 문제를 해결하지 않는다 = 318
 12.6 더 나은 방법은 없을까? = 321
 12.7 연구 실험(OMOP) = 322
 12.8 사고 실험을 마치며 = 327
CHAPTER 13 데이터경진대회의 교훈: 데이터 누출과 모형 평가
 13.1 클로디아의 데이터과학자 프로필 = 330
 13.2 데이터마이닝 경진대회 = 331
 13.3 좋은 모형 개발자가 되는 방법 = 333
 13.4 데이터 누출 = 333
 13.5 누출을 피하는 방법 = 339
 13.6 모형 평가하기 = 340
 13.7 알고리즘 선택 = 345
 13.8 마지막 예 = 345
 13.9 사고를 나누기 = 346
CHAPTER 14 데이터공학: 맵리듀스, 프리젤, 하둡
 14.1 데이비드 크로셔에 대해 = 348
 14.2 사고 실험 = 349
 14.3 맵리듀스 = 350
 14.4 단어빈도수 문제 = 351
 14.5 맵리듀스의 다른 예 = 356
 14.6 프리젤 = 357
 14.7 조시 윌스에 대해 = 358
 14.8 사고 실험 = 358
 14.9 데이터과학자가 된다는 것 = 359
 14.10 경제성 살펴보기: 하둡 = 360
 14.11 다시 조시에게: 워크플로 = 362
 14.12 하둡을 시작하려면? = 362
CHAPTER 15 수업에 대한 학생들의 소감
 15.1 과정적 사고 = 365
 15.2 더 이상 순진하지 않다 = 367
 15.3 도와주기 = 368
 15.4 여러분의 마일리지는 다를 수 있다 = 370
 15.5 다리와 터널을 잇는 길들 = 373
 15.6 우리 작업의 일부 = 373
CHAPTER 16 차세대 데이터과학자, 교만, 그리고 윤리
 16.1 지금까지 무엇을 학습했는가? = 375
 16.2 다시 한 번, 데이터과학이란 무엇인가? = 376
 16.3 차세대 데이터과학자란? = 378
 16.4 윤리적인 데이터과학자 되기 = 382
 16.5 경력에 관한 조언 = 386
찾아보기 = 389