| 000 | 00000nam c2200205 c 4500 | |
| 001 | 000046091241 | |
| 005 | 20210903095717 | |
| 007 | ta | |
| 008 | 210902s2021 ggkad 001c kor | |
| 020 | ▼a 9791158392680 ▼g 93000 | |
| 040 | ▼a 211009 ▼c 211009 ▼d 211009 | |
| 041 | 1 | ▼a kor ▼h jpn |
| 082 | 0 4 | ▼a 519.5 ▼2 23 |
| 085 | ▼a 519.5 ▼2 DDCK | |
| 090 | ▼a 519.5 ▼b 2021z5 | |
| 100 | 1 | ▼a 江崎貴裕 |
| 245 | 1 0 | ▼a 데이터 해석학 입문 : ▼b 올바른 데이터 분석을 위한 의사결정 성공 방정식 / ▼d 에자키 타카히로 지음 ; ▼e 손민규 옮김 |
| 246 | 1 9 | ▼a 分析者のためのデータ解釈学入門 : ▼b データの本質をとらえる技術 |
| 246 | 3 | ▼a Bunsekisha no tame no dēta kaishakugaku nyūmon : ▼b dēta no honshitsu o toraeru gijutsu |
| 246 | 3 | ▼a Dēta kaishakugaku nyūmon |
| 260 | ▼a 파주 : ▼b 위키북스, ▼c 2021 | |
| 300 | ▼a 240 p. : ▼b 천연색삽화, 도표 ; ▼c 24 cm | |
| 490 | 1 0 | ▼a 위키북스 데이터 사이언스 시리즈 |
| 500 | ▼a 색인수록 | |
| 700 | 1 | ▼a 손민규, ▼e 역 |
| 830 | 0 | ▼a 위키북스 데이터 사이언스 시리즈 |
| 900 | 1 0 | ▼a 에자키 타카히로, ▼e 저 |
| 900 | 1 0 | ▼a Ezaki, Takahiro, ▼e 저 |
| 945 | ▼a KLPA |
Holdings Information
| No. | Location | Call Number | Accession No. | Availability | Due Date | Make a Reservation | Service |
|---|---|---|---|---|---|---|---|
| No. 1 | Location Science & Engineering Library/Sci-Info(Stacks1)/ | Call Number 519.5 2021z5 | Accession No. 121258040 | Availability Available | Due Date | Make a Reservation | Service |
Contents information
Book Introduction
데이터를 분석해 배후에 있는 메커니즘을 해석하거나 데이터에 근거한 의사결정이나 문제 해결을 할 때 분석자가 알아둬야 할 지식을 알기 쉽게 설명한 책이다. 데이터 분석이 잘 되는지는 분석 기술뿐 아니라 데이터의 질이나 취급방법, 해석방법에도 크게 영향을 받는다. 그러나 실무에서 데이터나 분석의 질을 높게 유지하고 잘못된 해석을 하지 않기 위한 지식을 알기 쉽게 정리된 입문서는 아직 많지 않다.
이 책에서는 각종 분석기법뿐만 아니라 데이터의 편차나 편향에 관한 기초지식, 데이터에 다양한 편중을 발생시키는 행동심리학, 샘플링의 방법과 이론, 데이터 핸들링의 노하우, 각종 분석의 사고방식, 데이터 해석에서의 인지 편향이나 수리 모델링의 포인트, 시스템 운용 시 발생하는 문제 등 매우 폭넓은 시각에서 데이터 분석자가 꼭 알아둬야 할 지식을 정리해서 설명한다.
데이터 취득·분석·해석·활용의 각 단계에서 알아야 할 기술을 포괄적으로 설명합니다!
《데이터 해석학 입문》은 데이터를 분석해 배후에 있는 메커니즘을 해석하거나 데이터에 근거한 의사결정이나 문제 해결을 할 때 분석자가 알아둬야 할 지식을 알기 쉽게 설명한 책입니다. 데이터 분석이 잘 되는지는 분석 기술뿐 아니라 데이터의 질이나 취급방법, 해석방법에도 크게 영향을 받습니다. 그러나 실무에서 데이터나 분석의 질을 높게 유지하고 잘못된 해석을 하지 않기 위한 지식을 알기 쉽게 정리된 입문서는 아직 많지 않습니다.
이 책에서는 각종 분석기법뿐만 아니라 데이터의 편차나 편향에 관한 기초지식, 데이터에 다양한 편중을 발생시키는 행동심리학, 샘플링의 방법과 이론, 데이터 핸들링의 노하우, 각종 분석의 사고방식, 데이터 해석에서의 인지 편향이나 수리 모델링의 포인트, 시스템 운용 시 발생하는 문제 등 매우 폭넓은 시각에서 데이터 분석자가 꼭 알아둬야 할 지식을 정리해서 설명합니다.
기술에 대해서는 본질적인 생각의 부분에 특히 중점을 두어, 수학에 자신이 없는 독자분이라도 읽어 나갈 수 있도록 구성했습니다. 또 흥미로운 사례도 충분히 소개해 읽을거리로서의 재미도 추구했습니다. 데이터 사이언티스트를 목표로 하는 분은 물론, 연구로 데이터를 분석하고 싶은 학생, 데이터 분석에 대해 깊게 알고 싶은 비즈니스맨에게도 유용할 것입니다.
★ 이런 분께 추천합니다 ★
◎ 분석 결과에 자신이 없는 분
◎ 통계 분석이 무엇인지 알고 싶은 분
◎ 분석의 수학적 모델의 역할을 알고 싶은 분
Information Provided By: :
Author Introduction
에자키 타카히로(지은이)
동경대학첨단과학기술연구센터 특임강사. 2011년 동경대학 공학부 항공우주학과 졸업. 2015년 동 대학원 박사과정 수료(특례적용으로 1년 단축), 공학박사. 일본학술진흥회 특별연구원, 국립정보학연구소 특임연구원, JST선행연구원, 스탠포드대학 객원연구원을 거쳐 2020년부터 현직에 있음. 동경대학총장상, 이노우에 연구장려상 등 수상, 수리적인 해석기술을 무기로 통계물리학, 뇌과학, 행동경제학, 생화학, 교통공학, 물류과학 등 폭넓은 분야의 문제를 다루고 있다. 저서로 《데이터 분석을 위한 수리 모델 입문 - 데이터 뒤에 숨겨진 본질 파악하기(2020, 위키북스)》가 있다.
손민규(옮긴이)
소니 반도체에서 데이터 분석업무와 알고리즘 및 시스템 개발 업무와 사원 대상 통계 알고리즘 강의를 진행했으며, 현재 삼성전자에서 데이터 분석 업무를 하고 있다. 일본 큐슈대학교에서 인공지능의 한 분야인 강화학습(Reinforcement Learning) 알고리즘 개발로 박사학위를 받았으며, 관심분야는 강화학습, 인공신경망(Neural Network), 유전 알고리즘(Genetic Algorithm) 등 머신러닝(Machine Learning) 알고리즘을 활용한 시스템 개발이다. - 저서: 《데이터 분석을 떠받치는 수학(2018)》 《기초부터 시작하는 강화학습/신경망 알고리즘(2019)》 - 번역: 《가장 쉬운 딥러닝 입문 교실(2018)》 《실전! 딥러닝(2019)》 《파이썬 데이터 분석 실무 테크닉 100(2010)》 - 감수: 《정석으로 배우는 딥러닝(2017)》
Table of Contents
[1부] 데이터의 성질에 관한 기초지식 ▣ 1장: 관측은 간단하지 않다 1.1 데이터 관측 ___대상에서 정보 추출 ___쓰레기를 넣으면 쓰레기가 나온다 ___데이터의 제약과 표본추출 1.2 측정의 어려움 ___필요한 데이터가 전부 수집되는 것은 당연하지 않다 ___‘측정할 수 없는 것’을 측정할 때 ___측정에 따른 정보의 누락 ___관계가 있는 것처럼 보이는 지표를 혼용하지 않는다 ___‘표준화’에 따른 정보의 누락 ▣ 2장: 오차와 변동 2.1 오차의 분해 ___‘오차’란 ___오차가 크면 정보가 사라진다 ___우연오차와 편향 2.2 오차와 확률분포 ___데이터의 변동 파악 ___배후에 있는 참 분포를 생각하자 ___평균과 분산 2.3 ‘확률분포’ 정리 ___수학적 확률과 통계적 확률 ___확률분포와 확률밀도 ___가장 중요한 확률분포 ‘정규분포’ ___확률변수를 서로 더하면 나타나는 정규분포 ___경험분포와 이론분포 ___오차의 분포와 데이터의 분포 2.4 우연 오차의 변동 처리 ___관측값의 평균값을 이용한 변동 억제 ___통계적으로 평가한다 ___관측수를 늘리는 효과 ___편차가 작은 지표에 주목한다 ▣ 3장: 데이터에 포함된 편향 3.1 측정기준에 관한 편향 ___일관된 측정기준 ___일정한 기준의 어려움 ___시간적으로 변하는 기준 3.2 선택편향 ___‘데이터가 수집되고 있다’라는 의미 ___여러가지 선택편향 ___우연 3.3 관측 개입에 의한 편향 ___‘질문’은 어렵다 ___신뢰할 수 없는 대답 ___나중에 이유 붙이기 ___관측에 따른 개입의 영향 3.4 데이터 취급에 따른 편향 ___데이터를 왜곡시키는 동기 ___유리한 데이터만 수집 ___인위적인 실수 ▣ 4장: 중첩요인과 인과관계 4.1 두 변수 간의 관계 ___변수의 상관관계 ___변수 간의 인과관계란 ___상관관계와 인과관계 ___변수간의 관계성 정리 4.2 중첩을 처리한다 ___변수의 얽힘 ___개입과 그 한계 ___무작위 배정 임상시험(RCT) ___관찰 데이터와 실험 데이터 4.3 무작위 배정 임상시험을 할 수 없을 때 ___다중회귀분석 ___로지스틱 회귀 ___회귀불연속설계 ___성향점수 매칭 ___상황에 따른 방법의 선택 ▣ 5장: 데이터 표본추출 방법론 5.1 표본추출 개념 ___표본조사란 ___일부 데이터로 전체를 안다 ___표본크기 결정방법 5.2 여러 가지 표본추출법 ___무작위추출 ___집락추출로 표본추출 비용을 낮춘다 ___무작위가 아닌 추출법 ___결과를 일반화할 수 있는가 5.3 표본추출과 편향 ___범위오차 ___응답에 발생하는 편향 ___대상 집단에 의한 선택편향 [2부] 데이터의 분석에 관한 기초지식 ▣ 6장: 데이터 가공 6.1 수집한 데이터 확인 ___잘못된 데이터에 주의 ___단위와 자릿수 ___이상치 확인 ___제거해도 괜찮은 이상치인가 6.2 데이터의 분석ㆍ조작 ___데이터 해석까지의 흐름 ___각 처리에서 에러를 체크 ___처리 코드를 통일한다 ___분석 코드 관리 ___소프트웨어 이용 6.3 데이터의 보관ㆍ관리 ___데이터의 보관 ___보안관리 ___개인정보 취급 ___가명정보 활용 ▣ 7장: 일변수 데이터 7.1 기술통계량 ___양적 변수와 범주형 변수 ___대표적인 값을 계산한다 ___산포를 표현하는 기술통계량 ___기술통계량만으로 파악할 수 없다 7.2 데이터의 분포를 생각하자 ___분포를 보자 ___목적에 맞는 가시화 ___히스토그램의 함정 7.3 이론분포와 연결짓는다 ___이론분포를 생각하자 ___꼬리가 두꺼운 분포 ___누적분포함수로 경험분포와 이론분포를 비교 7.4 시계열 데이터란 ___동일한 양을 계속 관측한다 ___주기성분 분리 ___과거의 영향을 자기상관으로 본다 ▣ 8장: 변수 간의 관계를 조사한다 8.1 두 개의 양을 비교한다 ___어느쪽이 큰가 ___편차와 결과의 중요성 ___가설검정의 개념 ___가설검정 사용법 ___t 검정을 이용한 두 그룹 비교 ___대응 비교 8.2 두 개의 양의 상관관계를 조사한다 ___상관관계의 유무 ___상관계수의 함정 ___상관관계와 가설검정 ___효과크기와 p 값의 해석 ▣ 9장: 다변량 데이터 해석 9.1 탐색적 분석과 다중검정 ___쌍으로 놓고 생각하자 ___다중 검정이란 ___다중성을 보정하자 ___새로운 데이터를 수집한다 9.2 분산분석과 다중비교 ___3개 이상의 비교 ___여러개의 요인을 조사한다 ___어디에 차이가 있는지 알고 싶은 경우 ___분산분석과 다중비교 9.3 상관관계 구조를 파헤친다 ___편상관관계를 본다 ___요인분석 ___좀 더 복잡한 관계성 ___주성분분석 ___군집화 ___계층적 군집화 9.4 여러 가지 방법 정리 ___설명하는 변수ㆍ설명되는 변수 ___탐색적 분석을 하고 싶은 경우 ___설명변수로서 영향을 보고 싶은 경우 ▣ 10장: 수리 모델링 10.1 수리 모델링은 무엇을 하고 있는가 ___수리 모델이란 ___가정에서 도출된 이론 ___수리 모델의 타당성 10.2 목적에 맞는 모델링 ___이해지향적 모델링과 응용지향적 모델링 ___이해지향형 모델링의 포인트 ___응용지향형 모델링의 포인트 10.3 모델을 이용한 ‘예측’ ___‘예측’이란 ___예측하기 쉬운 문제, 어려운 문제 ___데이터에서 크게 동떨어진 상황은 예측하기 어렵다 ___선형과 비선형 ___메커니즘의 이해와 예측 ___데이터 부족과 이해지향형 모델링 ___이해지향형 모델링과 설명력 [3부] 데이터의 해석과 활용에 관한 기초지식 ▣ 11장: 데이터 분석의 함정 11.1 데이터 가공의 함정 ___실수와 비율 ___심슨의 역설 ___평균값의 동작 ___극단적인 값이 섞여있는 데이터 ___불필요한 제거 ___그래프를 왜곡하지 않는다 11.2 확보한 데이터에 의한 함정 ___다른 시점에서 데이터를 수집한다 ___질적 데이터가 중요한 경우도 11.3 분석 목적에 관련된 함정 ___결론이 없는 결론 ___목적에 따른 결과의 영향력 ___오류의 허용도 ___모델을 지나치게 신뢰한다 ___목적에 맞는 분석 디자인 ▣ 12장: 데이터 해석의 함정 12.1 분석결과의 신뢰성 ___재현성의 문제 ___같은 데이터에서 같은 결론이 나온다고 할 수 없다 ___데이터의 재현성 ___HARKing과 p-hacking ___힐의 기준 12.2 해석할 때 생기는 인지편향 ___인간은 마음대로 패턴을 만든다 ___시간과 인과의 함정 ___확률을 파악하는 것은 어렵다 ___실제 확률과 가용성 편향 ___확증편향 ___문맥의 효과 ___잘못된 데이터 해석의 예 ▣ 13장: 데이터 활용의 함정 13.1 목적에 근거한 평가ㆍ의사결정 ___상황이나 목적에 따라 기본적인 방침이 다르다 ___언제나 예측을 할 수 있는것은 아니다 ___수리 모델은 블랙박스인가 13.2 데이터의 수집과 활용 ___전처리 비용을 낮춘다 ___데이터 수집계획 ___데이터를 수집하는 부담을 생각하자 13.3 실제 세계와 데이터 분석 ___데이터에 의한 관리주의 ___조작된 평가 지표 ___AI에 의한 차별 조장 ___피드백이 있는 시스템 구축
