HOME > 상세정보

상세정보

파이썬 데이터 사이언스 핸드북 : IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn 라이브러리를 활용한 데이터 과학과 머신러닝

자료유형
단행본
개인저자
Vanderplas, Jacob T. 김정인, 역
서명 / 저자사항
파이썬 데이터 사이언스 핸드북 : IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn 라이브러리를 활용한 데이터 과학과 머신러닝 / 제이크 밴더플래스 지음 ; 김정인 옮김
발행사항
파주 : 위키북스, 2017
형태사항
xxiii, 588 p. : 삽화, 도표 ; 25 cm
총서사항
DS ;005
원표제
Python data science handbook : essential tools for working with data
ISBN
9791158390730
일반주기
색인수록
일반주제명
Python (Computer program language) Data mining
000 00000nam c2200205 c 4500
001 000045917637
005 20171014152248
007 ta
008 171013s2017 ggkad 001c kor
020 ▼a 9791158390730 ▼g 93000
040 ▼a 211009 ▼c 211009 ▼d 211009
041 1 ▼a kor ▼h eng
082 0 4 ▼a 006.312 ▼2 23
085 ▼a 006.312 ▼2 DDCK
090 ▼a 006.312 ▼b 2017z7
100 1 ▼a Vanderplas, Jacob T.
245 1 0 ▼a 파이썬 데이터 사이언스 핸드북 : ▼b IPython, Jupyter, NumPy, Pandas, Matplotlib, Scikit-Learn 라이브러리를 활용한 데이터 과학과 머신러닝 / ▼d 제이크 밴더플래스 지음 ; ▼e 김정인 옮김
246 1 9 ▼a Python data science handbook : ▼b essential tools for working with data
260 ▼a 파주 : ▼b 위키북스, ▼c 2017
300 ▼a xxiii, 588 p. : ▼b 삽화, 도표 ; ▼c 25 cm
440 0 0 ▼a DS ; ▼v 005
500 ▼a 색인수록
650 0 ▼a Python (Computer program language)
650 0 ▼a Data mining
700 1 ▼a 김정인, ▼e
900 1 0 ▼a 밴더플래스, 제이크, ▼e
945 ▼a KLPA

No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 중앙도서관/제2자료실(3층)/ 청구기호 006.312 2017z7 등록번호 111793106 도서상태 대출가능 반납예정일 예약 서비스 B M
No. 2 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2017z7 등록번호 121241865 도서상태 대출중 반납예정일 2021-04-01 예약 서비스 M
No. 3 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2017z7 등록번호 121242270 도서상태 대출가능 반납예정일 예약 서비스 B M
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 중앙도서관/제2자료실(3층)/ 청구기호 006.312 2017z7 등록번호 111793106 도서상태 대출가능 반납예정일 예약 서비스 B M
No. 소장처 청구기호 등록번호 도서상태 반납예정일 예약 서비스
No. 1 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2017z7 등록번호 121241865 도서상태 대출중 반납예정일 2021-04-01 예약 서비스 M
No. 2 소장처 과학도서관/Sci-Info(1층서고)/ 청구기호 006.312 2017z7 등록번호 121242270 도서상태 대출가능 반납예정일 예약 서비스 B M

컨텐츠정보

책소개

위키북스 데이터 사이언스 시리즈. 초보자부터 전문가까지 아우르는 넓은 사용자층을 가진 매력적인 언어인 파이썬 언어가 제공하는 과학 스택을 이용해 실제 데이터 과학 분야에서 자주 만나는 상황을 해결해 나감으로써 이론부터 실전까지 설명한다.

같은 데이터 타입을 가진 배열 기반의 데이터를 처리하기 위한 NumPy, 여러 가지 데이터 타입의 레이블이 붙은 데이터를 처리하는 Pandas, 보편적인 과학 계산 작업을 위한 SciPy, 게재 가능한 수준의 시각화를 위한 MatPlotlib, 대화형 코드 실행과 공유를 위한 IPython, 머신러닝을 위한 Scikit-Learn 라이브러리를 집중적으로 다루어 실전 감각을 익히기에 부족함이 없도록 했다.

≪파이썬 데이터 사이언스 핸드북≫은 데이터 과학에 대한 갈증을 해소하기에 좋은 입문서다. 초보자부터 전문가까지 아우르는 넓은 사용자층을 가진 매력적인 언어인 파이썬 언어가 제공하는 과학 스택을 이용해 실제 데이터 과학 분야에서 자주 만나는 상황을 해결해 나감으로써 이론부터 실전까지 적절하게 아우르고 있다.

이 책에서는 같은 데이터 타입을 가진 배열 기반의 데이터를 처리하기 위한 NumPy, 여러 가지 데이터 타입의 레이블이 붙은 데이터를 처리하는 Pandas, 보편적인 과학 계산 작업을 위한 SciPy, 게재 가능한 수준의 시각화를 위한 MatPlotlib, 대화형 코드 실행과 공유를 위한 IPython, 머신러닝을 위한 Scikit-Learn 라이브러리를 집중적으로 다루며, 특히 5장에서는 머신러닝 전체를 조망하고 각 기법을 어떻게 응용할 수 있는지 살펴볼 수 있어 실전 감각을 익히기에 부족함이 없도록 구성하고 있다.

출판사 리뷰
많은 연구원에게 파이썬은 데이터를 저장, 가공하고 데이터에서 통찰력을 얻을 수 있는 라이브러리 덕분에 데이터를 다루기에 최고의 도구로 여겨진다. 여러 참고 자료에서 파이썬 라이브러리를 소개하지만, 대부분은 각 라이브러리를 개별적으로 다룬다. 하지만 ≪파이썬 데이터 사이언스 핸드북≫은 IPython, NumPy, Pandas, Matplotlib, Scikit-Learn을 비롯한 관련 도구를 모두 다룬다.

파이썬 코드를 읽고 작성하는 데 익숙한 과학자나 데이터 분석가라면 이 책이 데이터의 가공, 변환, 정제와 다른 유형의 데이터 시각화, 통계 모델이나 머신러닝 모델 구축을 위한 데이터 활용 면에서 흔히 발생하는 문제를 해결하기에 가장 이상적인 종합 참고서가 될 것이다. 간단히 말해, 이 책은 파이썬으로 과학 컴퓨팅을 하기 위해서 반드시 소장해야 할 책이다.

이 핸드북을 통해 다음 도구의 사용법을 학습할 수 있다.
◎ IPython과 Jupyter: 파이썬을 이용하는 데이터 과학자를 위한 컴퓨팅 환경 제공
◎ NumPy: 파이썬의 복잡한 데이터 배열을 효율적으로 저장하고 가공할 수 있는 ndarray(n 차원 배열 객체) 제공
◎ Pandas: 파이썬에서 레이블이 붙거나 칼럼 형식의 데이터를 효율적으로 저장하고 가공하기 위한 DataFrame 자료구조 제공
◎ Matplotlib: 파이썬을 이용한 유연한 데이터 시각화 기능 제공
◎ Scikit-Learn: 기존 머신러닝 알고리즘 중 가장 중요한 것을 파이썬으로 효율적이고 깔끔하게 구현한 라이브러리


정보제공 : Aladin

저자소개

제이크 밴더플래스(지은이)

파이썬 과학 스택의 장기 사용자이자 개발자다. 현재 워싱턴 대학교의 학제간 연구 부장으로 근무하면서 독자적인 천문학 연구를 수행하고 있으며 다양한 분야의 과학자와 함께 상담 및 컨설팅을 진행하고 있다.

김정인(옮긴이)

현재 기업 빅데이터 전략팀에서 근무하고 있다. 옮긴 책으로는 《케라스로 구현하는 고급 딥러닝 알고리즘》 《실전! Core ML을 활용한 머신러닝 iOS 앱 개발》 《실전활용! 텐서플로 딥러닝 프로젝트》 《마이크로소프트 봇 프레임워크 프로그래밍》 《애자일 데이터 과학 2.0》 《구글 애널리틱스 완벽 가이드》 《파이썬 데이터 사이언스 핸드북》 《러닝 스칼라》가 있다.

정보제공 : Aladin

목차

▣ 01장: IPython - 파이썬에 날개를 달자 

셸과 노트북, 어느 것을 사용할까? 
___IPython 셸 실행하기 
___Jupyter 노트북 실행하기 
IPython의 도움말과 문서 
___?로 문서 확인하기 
___??로 소스코드에 접근하기 
___탭 자동 완성으로 모듈 탐색하기 
IPython 셸에서 사용할 수 있는 키보드 단축키 
___탐색 단축키 
___텍스트 입력 단축키 
___명령어 이력 단축키 
___기타 단축키 
IPython 매직 명령어 
___코드 블록 붙여넣기: %paste와 %cpaste 
___외부 코드 실행: %run 
___코드 실행 시간 측정: %timeit 
___매직 함수에 관한 도움말: ?, %magic, %lsmagic 
입력/출력 이력 
___IPython의 In과 Out 객체 
___밑줄 표시 단축키와 이전 출력값 
___출력값 숨기기 
___관련 매직 명령어 
IPython과 셸 명령어 
___셸이란? 
___IPython에서의 셸 명령어 
___셸에 값 전달하기 및 셸의 값 전달받기 
셸 관련 매직 명령어 
에러와 디버깅 
___예외 제어: %xmode 
___디버깅: 역추적 내용을 확인하는 것으로 충분하지 않을 경우 
코드 프로파일링 및 시간 측정 
___코드 조각의 실행 시간 측정하기: %timeit과 %time 
___전체 스크립트 프로파일링하기: %prun 
___%lprun으로 라인 단위 프로파일링하기 
메모리 사용 프로파일링: %memit과 %mprun 
IPython 추가 참고 자료 
___웹 자료 
___책 

▣ 02장: NumPy 소개 

파이썬의 데이터 타입 이해하기 
___파이썬 정수는 정수 이상이다 
___파이썬 리스트는 리스트 이상이다 
___파이썬의 고정 타입 배열 
___파이썬 리스트에서 배열 만들기 
___처음부터 배열 만들기 
___NumPy 표준 데이터 타입 
NumPy 배열의 기초 
___NumPy 배열 속성 지정 
___배열 인덱싱: 단일 요소에 접근하기 
___배열 슬라이싱: 하위 배열에 접근하기 
___배열 재구조화 
___배열 연결 및 분할 
NumPy 배열 연산: 유니버설 함수 
___루프는 느리다 
___UFuncs 소개 
___NumPy 유니버설 함수(UFuncs) 
___고급 Ufunc 기능 
___Ufuncs: 더 알아보기 
집계: 최솟값, 최댓값, 그리고 그사이의 모든 것 
___배열의 값의 합 구하기 
___최솟값과 최댓값 
___예제: 미국 대통령의 평균 신장은 얼마일까? 
배열 연산: 브로드캐스팅 
___브로드캐스팅 소개 
___브로드캐스팅 규칙 
___실전 브로드캐스팅 
비교, 마스크, 부울 로직 
___예제: 비온 날 세기 
___ufunc으로서의 비교 연산자 
___부울 배열로 작업하기 
___마스크로서의 부울 배열 
팬시 인덱싱 
___팬시 인덱싱 알아보기 
___결합 인덱싱 
___예제: 임의의 점 선택하기 
___팬시 인덱싱으로 값 변경하기 
___예제: 데이터 구간화 
___배열 정렬 
___NumPy의 빠른 정렬: np.sort와 np.argsort 
___부분 정렬: 파티션 나누기 
___예제: k 최근접 이웃 알고리즘 
구조화된 데이터: NumPy의 구조화된 배열 
___구조화된 배열 만들기 
___고급 복합 타입 
___레코드 배열: 트위스트를 가진 구조화된 배열 
___Pandas로 넘어가며 

▣ 03장: Pandas로 데이터 가공하기 

Pandas 설치 및 사용 
Pandas 객체 소개 
___Pandas Series 객체 
___Pandas DataFrame 객체 
___Pandas Index 객체 
데이터 인덱싱과 선택 
___Series에서 데이터 선택 
___DataFrame에서 데이터 선택 
___Pandas에서 데이터 연산하기 
___유니버설 함수: 인덱스 보존 
___유니버설 함수: 인덱스 정렬 
___유니버설 함수: DataFrame과 Series 간의 연산 
누락된 데이터 처리하기 
___누락된 데이터 처리 방식의 트레이드오프 
___Pandas에서 누락된 데이터 
___널 값 연산하기 
계층적 인덱싱 
___다중 인덱스된 Series 
___MultiIndex 생성 메서드 
___MultiIndex 인덱싱 및 슬라이싱 
___다중 인덱스 재정렬하기 
___다중 인덱스에서 데이터 집계 
데이터세트 결합: Concat과 Append 
___복습: NumPy 배열 연결 
___pd.concat을 이용한 간단한 연결 
데이터세트 결합하기: 병합과 조인 
___관계 대수 
___조인 작업의 분류 
___병합 키 지정 
___조인을 위한 집합 연산 지정하기 
___열 이름이 겹치는 경우: suffixes 키워드 
___예제: 미국 주 데이터 
집계와 분류 
___행성 데이터 
___Pandas의 간단한 집계 연산 
___GroupBy: 분할, 적용, 결합 
피벗 테이블 
___피벗 테이블 시작 
___피벗 테이블 등장 배경 
___피벗 테이블 구문 
___예제: 출생률 데이터 
벡터화된 문자열 연산 
___Pandas 문자열 연산 소개 
___Pandas 문자열 메서드 목록 
___예제: 조리법 데이터베이스 
시계열 다루기 
___파이썬에서의 날짜와 시간 
Pandas 시계열: 시간으로 인덱싱하기 
___Pandas 시계열 데이터 구조 
___주기와 오프셋 
___리샘플링, 시프팅, 윈도잉 
___추가 학습 자료 
___예제: 시애틀 자전거 수 시각화 
고성능 Pandas: eval()과 query() 
___query()와 eval()의 등장 배경: 복합 표현식 
___효율적인 연산을 위한 pandas.eval() 
___열 단위의 연산을 위한 DataFrame.eval() 
___DataFrame.query() 메서드 
___성능: 이 함수를 사용해야 하는 경우 
추가 자료 

▣ 04장: Matplotlib을 활용한 시각화 

일반적인 Matplotlib 사용법 
___matplotlib 임포트하기 
___스타일 설정하기 
___show()를 사용할 것인가, 말 것인가 - 플롯 표현 방법 
___그림을 파일로 저장하기 
하나 가격에 인터페이스 두 개 
간단한 라인 플롯 
___플롯 수정하기: 선 색상과 스타일 
___플롯 조정하기: 축 경계 
___플롯에 레이블 붙이기 
간단한 산점도 
___plt.plot을 사용한 산점도 
___plt.scatter를 활용한 산점도 
___plot과 scatter의 차이: 효율성 측면에서 유의할 점 
오차 시각화하기 
___기본 오차 막대 
___연속 오차 
밀도 플롯과 등고선 플롯 
___3차원 함수 시각화하기 
히스토그램, 구간화, 밀도 
___2차원 히스토그램과 구간화 
플롯 범례 맞춤 변경하기 
___범례에 사용할 요소 선택하기 
___점 크기에 대한 범례 
___다중 범례 
___색상 막대 맞춤 변경하기 
___색상 막대 맞춤 변경하기 
___예제: 손으로 쓴 숫자 
다중 서브플롯 
___plt.axes: 직접 만든 서브플롯 
___plt.subplot: 간단한 서브플롯의 그리드 
___plt.subplots: 한 번에 전체 그리드 만들기 
___plt.GridSpec: 복잡한 배치 
텍스트와 주석 
___예제: 미국 출생률에 휴일이 미치는 영향 
___변환 및 텍스트 위치 
___화살표와 주석 
눈금 맞춤 변경하기 
___주 눈금과 보조 눈금 
___눈금 또는 레이블 숨기기 
___눈금 개수 줄이기와 늘리기 
___팬시 눈금 포맷 
포맷 지시자와 위치 지시자 요약 
Matplotlib 맞춤변경하기: 설정과 스타일시트 
___직접 플롯 변경하기 
___기본값 변경하기: rcParams 
___스타일시트 
Matplotlib에서 3차원 플로팅하기 
3차원 점과 선 
___3차원 등고선 플롯 
___와이어프레임과 표면도 
___표면 삼각측량법 
Basemap을 활용한 지리 데이터 
___지도 투영법(Map Projections) 
___지도 배경 그리기 
___지도상에 데이터 플로팅하기 
___예제: 캘리포니아 도시 
___예제: 표면 온도 데이터 
Seaborn을 활용한 시각화 
___Seaborn과 Matplotlib의 차이 
___Seaborn 플롯 탐색하기 
___예제: 마라톤 완주 시간 탐색 
기타 자료 
___Matplotlib 자료 
___기타 파이썬 그래픽 라이브러리 

▣ 05장: 머신러닝 

머신러닝이란 무엇인가? 
___머신러닝의 범주 
___머신러닝 응용의 정성적 사례 
___정리 
Scikit-Learn 소개 
___Scikit-Learn에서의 데이터 표현 방식 
___Scikit-Learn의 Estimator API 
___응용: 손으로 쓴 숫자 탐색 
초모수와 모델 검증 
___모델 검증에 대한 고려사항 
___최적의 모델 선택하기 
___학습 곡선 
___실제 검증: 그리드 검색 
특징 공학 
___범주 특징 
___텍스트 특징 
___이미지 특징 
___유도 특징 
___누락 데이터의 대체 
___특징 파이프라인 
심화 학습: 나이브 베이즈 분류 
___베이즈 분류 
___가우스 나이브 베이즈 
___다항분포 나이브 베이즈 
___언제 나이브 베이즈 모델을 사용할 것인가 
심화학습: 선형 회귀 
___단순 선형 회귀 
___기저 함수 회귀 
___예제: 자전거 통행량 예측 
심화 학습: 서포트 벡터 머신 
___서포트 백터 머신의 동기 
___서포트 벡터 머신: 마진 최대화 
___예제: 안면 인식 
___서포트 벡터 머신 정리 
심화 학습: 의사결정 트리와 랜덤 포레스트 
___랜덤 포레스트 등장 배경: 의사결정 트리 
___추정 모델의 앙상블: 랜덤 포레스트 
___랜덤 포레스트 회귀 
___예제: 랜덤 포레스트를 사용한 숫자 분류 
랜덤 포레스트 정리 
심화 학습: 주성분 분석 
___주성분 분석 소개 
___PCA 응용: 노이즈 필터링 
___예제: 고유얼굴 
___주성분 분석 정리 
심화 학습: 다양체 학습 
___다양체 학습: ‘HELLO’ 
___다차원 척도법(MDS, Multidimensional Sacling) 
___다양체 학습으로서의 MDS 
___비선형 임베딩: MDS가 실패한 경우 
___비선형 다양체 학습: 국소 선형 임베딩 
___다양체 방식에 대한 몇 가지 생각 
___예제: 얼굴 데이터에 아이소맵 적용 
___예제: 숫자 데이터의 구조 시각화 
심화 학습: k-평균 군집화 
___k-평균 소개 
___예제 
심화 학습: 가우스 혼합 모델 
___GMM 등장 배경: k-평균의 약점 
___E-M 단계 일반화하기: 가우스 혼합 모델 
___밀도 추정에 GMM 사용하기 
___예제: 새로운 데이터를 생성하는 GMM 
심화 학습: 커널 밀도 추정 
___KDE 등장 배경: 히스토그램 
___커널 밀도 추정의 실제 적용 
___예제: 구(球)에 KDE 적용하기 
___예제: 나이브하지 않은 베이즈(Not-So-Naive Bayes) 
응용: 안면 인식 파이프라인 
___HOG 특징 
___실제 HOG: 간단한 안면 인식기 
___주의사항 및 개선사항 
머신러닝 관련 추가 자료 
___파이썬에서의 머신러닝 
___일반적인 머신러닝

관련분야 신착자료

Taulli, Tom (2020)