HOME > 상세정보

상세정보

실리콘밸리(Silicon valley) 데이터 과학자(data scientist)가 알려주는 따라 하며 배우는 데이터 과학(data science)

자료유형
단행본
개인저자
권재명
서명 / 저자사항
실리콘밸리(Silicon valley) 데이터 과학자(data scientist)가 알려주는 따라 하며 배우는 데이터 과학(data science) / 권재명 지음
발행사항
파주 :   제이펍,   2017   (2019 3쇄)  
형태사항
xv, 347 p. : 삽화 ; 25 cm
ISBN
9791185890869
일반주기
색인수록  
000 00000nam c2200205 c 4500
001 000045911985
005 20190308132137
007 ta
008 170814s2017 ggka 001c kor
020 ▼a 9791185890869
040 ▼a 211009 ▼c 211009 ▼d 211009
082 0 4 ▼a 006.312 ▼2 23
085 ▼a 006.312 ▼2 DDCK
090 ▼a 006.312 ▼b 2017z4
100 1 ▼a 권재명
245 1 0 ▼a 실리콘밸리(Silicon valley) 데이터 과학자(data scientist)가 알려주는 따라 하며 배우는 데이터 과학(data science) / ▼d 권재명 지음
246 3 ▼a 실리콘밸리 데이터 과학자가 알려주는 따라 하며 배우는 데이터 과학
246 3 ▼a Silicon valley data scientist가 알려주는 따라 하며 배우는 data science
246 3 0 ▼a 따라 하며 배우는 데이터 과학
246 3 0 ▼a 데이터 과학
260 ▼a 파주 : ▼b 제이펍, ▼c 2017 ▼g (2019 3쇄)
300 ▼a xv, 347 p. : ▼b 삽화 ; ▼c 25 cm
500 ▼a 색인수록
945 ▼a KLPA

No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 중앙도서관/지정도서실/ 청구기호 006.312 2017z4 등록번호 111806058 도서상태 지정도서 반납예정일 예약 서비스 M
No. 2 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2017z4 등록번호 121241188 도서상태 대출중 반납예정일 2021-05-10 예약 예약가능 R 서비스 M
No. 3 소장처 의학도서관/자료실(3층)/ 청구기호 006.312 2017z4 등록번호 131052158 도서상태 대출가능 반납예정일 예약 서비스 B
No. 4 소장처 세종학술정보원/과학기술실/ 청구기호 006.312 2017z4 등록번호 151337901 도서상태 대출가능 반납예정일 예약 서비스
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 중앙도서관/지정도서실/ 청구기호 006.312 2017z4 등록번호 111806058 도서상태 지정도서 반납예정일 예약 서비스 M
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2017z4 등록번호 121241188 도서상태 대출중 반납예정일 2021-05-10 예약 예약가능 R 서비스 M
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 의학도서관/자료실(3층)/ 청구기호 006.312 2017z4 등록번호 131052158 도서상태 대출가능 반납예정일 예약 서비스 B
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 세종학술정보원/과학기술실/ 청구기호 006.312 2017z4 등록번호 151337901 도서상태 대출가능 반납예정일 예약 서비스

컨텐츠정보

책소개

‘실무’에 초점을 맞춘 데이터 사이언스 ‘입문서’다. 다양한 배경을 가진 독자들이 가장 짧은 시간에 기본적인 데이터 사이언스 분석을 시작할 수 있도록 하였다. '가장 짧은 시간'에 배워야 하므로 필수적이지 않은 내용은 과감히 생략하고, 설명은 최대한 간략히 하였다.

‘다양한 배경’을 가진 독자들을 위해 통계나 컴퓨터 전공 지식이 없더라도 읽을 수 있도록 하였으나, 통계의 핵심인 기초통계와 선형모형(회귀분석과 분산분석 포함)은 반드시 제대로 배울 것을 권장한다. ‘기본적인’ 데이터 분석은 텍스트 자료, 그래프 모형, 시계열 분석, 공간자료 분석 등 개별적인 자료 형태보다는 다양한 분석에 공통적으로 적용되는 방법들을 다룬다.

“데이터를 지배하는 자가 앞으로의 IT 패권을 가져갈 가능성이 높다.”

알리바바의 마윈 회장의 말이다. 현대는 그야말로 데이터의 시대다. 따라서 데이터 과학이 중요해진 이유도 자명하다. 다양한 분야에서 다양한 형태로 많은 양의 데이터가 생성되고 저장되고 있다. 이러한 데이터들을 처리하고 해석하기 위해서는 데이터들을 추출하고 가공하는 코딩 능력과 의미 있는 결론을 끌어낼 수 있는 통계적 능력이 필요하다. ‘프로그래머보다는 통계를 잘하고, 통계학자보다는 코딩을 잘하는’ 데이터 과학자가 필요한 이유일 것이다.

가장 빠르게, 가장 제대로 배우는 데이터 과학 입문서!

이 책은 ‘실무’에 초점을 맞춘 데이터 사이언스 ‘입문서’다. 다양한 배경을 가진 독자들이 가장 짧은 시간에 기본적인 데이터 사이언스 분석을 시작할 수 있도록 하였다. '가장 짧은 시간'에 배워야 하므로 필수적이지 않은 내용은 과감히 생략하고, 설명은 최대한 간략히 하려고 노력하였다. 또한, ‘다양한 배경’을 가진 독자들을 위해 통계나 컴퓨터 전공 지식이 없더라도 읽을 수 있도록 하였으나, 통계의 핵심인 기초통계와 선형모형(회귀분석과 분산분석 포함)은 반드시 제대로 배울 것을 권장한다. ‘기본적인’ 데이터 분석은 텍스트 자료, 그래프 모형, 시계열 분석, 공간자료 분석 등 개별적인 자료 형태보다는 다양한 분석에 공통적으로 적용되는 방법들을 다룬다.

이 책은 대학이나 학원의 강의 교재 혹은 자습서로 사용할 수도 있다. 강의 교재로는 학부 및 대학원 수준의 데이터 과학, 통계학, 자료분석 등의 강의에 주교재 혹은 부교재로 사용할 수 있다. 몇 주간의 단기 과정에서 일부 장만을 다루어도 좋다. R과 유닉스 코드 예를 따라 하고, 각 장 끝의 연습문제를 반드시 풀어 보도록 하자.

이 책의 대상 독자
- ‘데이터 사이언스 입문’ 수업을 듣는 학원생, 학부생 및 대학원생
- 데이터 분석 업무를 하고자 하는 관련 분야 엔지니어
- 데이터 과학 팀을 구축하고자 하는 관련 분야 매니저


정보제공 : Aladin

저자소개

권재명(지은이)

데이터 분석이 취미이자 직업인 통계학자 출신의 실리콘밸리 데이터 과학자. 1972년에 서울에서 태어났다. 어려서부터 컴퓨터를 좋아해서 전산학을 공부하고자 서울대학교 계산통계학과에 입학했다(1990년). 하지만 대학 2학년 때 들은 통계수업에 매료되어 통계를 전공하기로 결심하여 서울대 통계학 학사(1994년), 석사(1996년)를 거쳐 버클리대학교(UC Berkeley)에서 박사(2000년) 학위를 받았다. 졸업 후 같은 대학에서 교통 데이터 분석 연구원으로 활동했고, 이후 이스트베이 캘리포니아주립대학교(Cal State East Bay)에서 통계학과 조교수를 지냈다. 2009년부터 지금까지 실리콘밸리의 인터넷, 테크 기업에서 데이터 과학자로, 그리고 분석 팀 리더로 활동 중이다.

정보제공 : Aladin

목차

1장 데이터 과학이란? _ 1 
1.1 데이터 과학의 정의 1 
1.2 데이터 과학 프로세스 8 
1.3 데이터 과학자가 갖춰야 할 능력 11 

2장 데이터 분석 환경 구성하기 _ 15 
2.1 데이터 과학의 연장, 컴퓨터, 기타 도구들 15 
2.2 R 설치와 팁 18 
2.3 R 스튜디오 설치와 팁 18 
2.4 R 라이브러리 설치 20 
2.5 파이썬 24 
2.6 서브라임 텍스트 26 
2.7 깃 버전 관리 소프트웨어와 깃허브 26 
2.8 유닉스 활용하기 28 
2.9 구글 독스/스프레드시트/슬라이드 31 

3장 데이터 취득과 데이터 가공: SQL과 dplyr _ 33 
3.1 데이터 취득과 데이터 가공이란 무엇이며, 왜 중요한가? 33 
3.2 데이터 취득 34 
3.3 데이터 출력 44 
3.4 데이터 가공 44 
3.5 데이터 가공을 위한 도구 46 
3.6 R의 dplyr 패키지 51 

4장 데이터 시각화 I: ggplot2 _ 63 
4.1 시각화의 중요성 63 
4.2 베이스 R 그래픽과 ggplot2 69 
4.3 변수의 종류에 따른 시각화 기법 74 
4.4 시각화 과정의 몇 가지 유용한 원칙 87 

5장 코딩 스타일 _ 91 
5.1 스타일 가이드와 협업 91 
5.2 R 코딩 스타일 94 
5.3 파이썬 스타일 가이드와 도구 98 
5.4 SQL 코딩 스타일 100 
5.5 코딩 스타일 이외의 베스트 프랙티스 100 

6반 통계의 기본 개념 복습 _ 102 
6.1 통계, 올바른 분석을 위한 틀 102 
6.2 첫째, 통계학은 숨겨진 진실을 추구한다 105 
6.3 둘째, 통계학은 불확실성을 인정한다 107 
6.4 셋째, 통계학은 관측된 데이터가 가능한 여러 값 중 하나라고 생각한다 107 
6.5 스튜던트 t-분포와 t-검정이란? 111 
6.6 P-값을 이해하면 통계가 보인다 113 
6.7 P-값의 오해와 남용 114 
6.8 신뢰구간의 의미 119 
6.9 넷째, 통계학은 어렵다 122 
6.10 모집단, 모수, 표본 123 
6.11 모수추정의 정확도는 sqrt(n)에 비례한다 126 
6.12 모든 모형은 틀리지만 일부는 쓸모가 있다 128 
6.13 이 장을 마치며 129 

7장 데이터 종류에 따른 분석 기법 _ 131 
7.1 데이터형, 분석 기법, R 함수 131 
7.2 모든 데이터에 행해야 할 분석 133 
7.3 수량형 변수의 분석 134 
7.4 성공-실패값 범주형 변수의 분석 138 
7.5 설명변수와 반응변수 142 
7.6 수량형 X, 수량형 Y 의 분석 142 
7.7 범주형 x , 수량형 y 154 
7.8 수량형 x, 범주형 y (성공-실패) 159 
7.9 더 복잡한 데이터의 분석, 머신러닝, 데이터 마이닝 167 

8장 빅데이터 분류분석 I: 기본 개념과 로지스틱 모형 _ 170 
8.1 분류분석이란? 170 
8.2 환경 준비 179 
8.3 분류분석 예제: 중산층 여부 예측하기 180 
8.4 훈련, 검증, 테스트세트의 구분 185 
8.5 시각화 186 
8.6 로지스틱 회귀분석 188 
8.7 이 장을 마치며 195 

9장 빅데이터 분류분석 II: 라쏘와 랜덤 포레스트 _ 197 
9.1 glmnet 함수를 통한 라쏘 모형, 능형회귀, 변수 선택 197 
9.2 나무 모형 205 
9.3 랜덤 포레스트 209 
9.4 부스팅 214 
9.5 모형 비교, 최종 모형 선택, 일반화 능력 평가 218 
9.6 우리가 다루지 않은 것들 220 

10장 빅데이터 분류분석 III: 암 예측 _ 225 
10.1 위스콘신 유방암 데이터 225 
10.2 환경 준비와 기초 분석 226 
10.3 데이터의 시각화 229 
10.4 훈련, 검증, 테스트세트의 구분 231 
10.5 로지스틱 회귀분석 232 
10.6 라쏘 모형 적합 234 
10.7 나무 모형 236 
10.8 랜덤 포레스트 238 
10.9 부스팅 239 
10.10 최종 모형 선택과 테스트세트 오차 계산 240 

11장 빅데이터 분류분석 IV: 스팸 메일 예측 _ 244 
11.1 스팸 메일 데이터 244 
11.2 환경 준비와 기초 분석 247 
11.3 데이터의 시각화 250 
11.4 훈련, 검증, 테스트세트의 구분 254 
11.5 로지스틱 회귀분석 255 
11.6 라쏘 모형 적합 258 
11.7 나무 모형 260 
11.8 랜덤 포레스트 262 
11.9 부스팅 263 
11.10 최종 모형 선택과 테스트세트 오차 계산 264 

12장 분석 결과 정리와 공유, R 마크다운 _ 268 
12.1 의미 있는 분석과 시각화 268 
12.2 분석의 타당성 271 
12.3 보고서 작성과 구성 272 
12.4 분석 결과의 공유 275 
12.5 R 마크다운 278 

13장 빅데이터 회귀분석 I: 부동산 가격 예측 _ 281 
13.1 회귀분석이란? 281 
13.2 회귀분석 예제: 부동산 가격 예측 283 
13.3 환경 준비와 기초 분석 284 
13.4 훈련, 검증, 테스트 세트의 구분 286 
13.5 선형회귀 모형 286 
13.6 라쏘 모형 적합 291 
13.7 나무 모형 293 
13.8 랜덤 포레스트 295 
13.9 부스팅 296 
13.10 최종 모형 선택과 테스트세트 오차 계산 297 

14장 빅데이터 회귀분석 II: 와인 품질 예측 _ 300 
14.1 와인 품질 데이터 소개 300 
14.2 환경 준비와 기초 분석 301 
14.3 데이터의 시각화 302 
14.4 훈련, 검증, 테스트세트의 구분 304 
14.5 선형회귀 모형 305 
14.6 라쏘 모형 적합 309 
14.7 나무 모형 311 
14.8 랜덤 포레스트 313 
14.9 부스팅 314 
14.10 최종 모형 선택과 테스트세트 오차 계산 315 

15장 데이터 시각화 II: 단어 구름을 사용한 텍스트 데이터의 시각화 _ 318 
15.1 제퍼디! 질문 데이터 318 
15.2 자연어 처리와 텍스트 마이닝 환경 준비 320 
15.3 단어 구름 그리기 320 
15.4 자연어 처리 예 323 
15.5 고급 텍스트 마이닝을 향하여 323 
15.6 한국어 자연어 처리 324 

16장 실리콘밸리에서 데이터 과학자 되기 _ 326 
16.1 데이터 과학자에게 요구되는 자질들 326 
16.2 데이터 과학자 고용 과정 327 
16.3 인터뷰 준비 329 
16.4 행동질문과 상황질문 330 
16.5 취업의 패러독스 332 

찾아보기 334

관련분야 신착자료

Stevens, Eli (2020)