Detail View

데이터 과학에서 중요한 것은 결코 데이터 분석 도구가 아니다. 통계 학습(statistical learning)과 기계 학습(machine learning)을 망라한 데이터 과학의 프레임워크를 이해하고, 데이터를 가공-분석-해석하는 방법론에 대해 이해하는 것이 중요하다.

이 책은 총 7개의 파트로 구성되어 있다. PART 1에서는 데이터 과학의 프레임워크를 이해하기 위한 다양한 관점을 학습한다. PART 2는 본격적인 데이터 분석에 앞서 통계 학습의 바탕이 되는 추정과 검정을 다루고 있다. PART 3에서는 변수 간 관계를 분석하기 위한 방법론을 학습한다. PART 4와 PART 5에서는 지도 학습의 양대 축인 회귀와 분류에 대해 다루며, PART 6과 PART 7에서는 비지도 학습의 틀을 구성하는 차원 축소와 그룹화에 대해 배우게 된다.

코딩 없이 누구나 쉽고 빠르게
훌륭한 데이터 분석가로 성장할 수 있다!

2022년 챗GPT의 등장이후 인공지능(AI)은 더 이상 우리의 관심 영역이 아니라 일상생활의 한 부분으로 자리 잡았다. 더불어 ‘코딩 없이 배우는 데이터 분석’은 대세가 되었다. 다양한 인공지능 도구들이 데이터 분석을 위한 프로그래밍을 대신해 주는 시대가 되었기 때문이다.
많은 전문가들은 훌륭한 데이터 과학자가 되기 위해 갖춰야 역량으로 분석(analytics) 역량, 비즈니스(business) 역량, 컴퓨팅(programming) 역량을 제시해왔다. 이제 이들 역량 중 컴퓨팅 역량은 우리가 직접 갖추지 않아도 인공지능을 활용해 갖출 수 있게 되었다. 한편, 비즈니스 역량은 우리가 노력한다고 해도 쉽게 획득할 수 없고, 최소 5~10년의 실무 경험이 있어야 얻을 수 있는 시간과 경험의 산물이다. 그렇다면 우리가 노력하여 갖출 수 있는, 그리고 현실적으로 획득할 수 있는 역량은 분석 역량이다. 우수한 데이터 과학자가 되기 위해 데이터 과학의 프레임워크를 이해하고, 다양한 데이터 분석 방법론을 학습해야 하는 이유이다. 우리는 현실의 복잡한 문제를 마주했을 때 무슨 데이터를 수집하여 가공하고, 어떤 분석 방법론을 적용하며, 결과물을 어떻게 해석할지가 중요하다.
데이터 과학에서 중요한 것은 결코 데이터 분석 도구가 아니다. 통계 학습(statistical learning)과 기계 학습(machine learning)을 망라한 데이터 과학의 프레임워크를 이해하고, 데이터를 가공-분석-해석하는 방법론에 대해 이해하는 것이 중요하다.
이 책은 총 7개의 파트로 구성되어 있다. PART 1에서는 데이터 과학의 프레임워크를 이해하기 위한 다양한 관점을 학습한다. PART 2는 본격적인 데이터 분석에 앞서 통계 학습의 바탕이 되는 추정과 검정을 다루고 있다. PART 3에서는 변수 간 관계를 분석하기 위한 방법론을 학습한다. PART 4와 PART 5에서는 지도 학습의 양대 축인 회귀와 분류에 대해 다루며, PART 6과 PART 7에서는 비지도 학습의 틀을 구성하는 차원 축소와 그룹화에 대해 배우게 된다.

데이터 과학의 프레임워크부터
데이터 분석의 주요 방법론의 이론 학습과 예제 실습까지
모두 수록한 단 한 권의 데이터 분석 바이블!

이 책을 통해 데이터 과학의 프레임워크를 이해하고, 지도 학습과 비지도 학습을 망라한 데이터 분석의 주요 방법론들을 학습할 수 있다. 구체적으로 통계 학습의 기초가 되는 추정과 검정, 변수 간 관계를 익힐 수 있으며, 회귀, 분류, 차원 축소, 그룹화의 주요 방법론에 대한 이론 학습과 예제 실습까지 다루고 있다.
이를 통해 독자 여러분은 인공지능 시대에 적합한 데이터 분석가가 될 수 있다. 이 책을 정독하고 나면 어떤 인공지능 도구를 사용하더라도 데이터 분석을 위한 적합한 지시를 내릴 수 있으며, 그 결과물을 해석할 수 있게 된다. 또한, 실무 경험을 통해 제조, 유통, 금융, 헬스케어 등 해당 산업분야에 대한 노하우를 더한다면 완벽한 데이터 과학자로 성장할 수 있다.

Information Provided By: :

추천의 글

머리말



PART 1. 왜 코딩 없이 배우는 데이터 과학인가?	

_Chapter 1. 인공지능의 무서운 발전 속도	

_Chapter 2. ‘도구’에서 ‘분석’으로 패러다임의 전환				

_Chapter 3. 무엇을 준비해야 하나?

_Chapter 4. 코딩 없이 데이터 과학을 배우려면

_Chapter 5. 코딩이 필요 없는 데이터 과학 도구

_Chapter 6. SoDA를 사용하는 방법



PART 2. 추정과 검정

_Chapter 1. 모집단과 표본

_Chapter 2. 확률 이론

_Chapter 3. 확률 분포

_Chapter 4. 표본 분포

_Chapter 5. 추정과 검정	



PART 3. 관계 분석

_Chapter 1. 범주와 수치 변수의 관계 Ⅰ

_Chapter 2. 범주와 수치 변수의 관계 Ⅱ

_Chapter 3. 수치형 변수의 관계

_Chapter 4. 범수형 변수의 관계



PART 4. 회귀

_Chapter 1. 회귀란?

_Chapter 2. 단순 선형 회귀

_Chapter 3. 다중 선형 회귀

_Chapter 4. 회귀 모형의 가정 진단

_Chapter 5. 모델 선택

_Chapter 6. 예측 회귀



PART 5. 분류

_Chapter 1. 분류란?

_Chapter 2. 로지스틱 회귀

_Chapter 3. 판별 분석

_Chapter 4. 분류 모형의 평가



PART 6. 차원 축소

_Chapter 1. 차원 축소란?

_Chapter 2. 주성분 분석

_Chapter 3. 요인 분석



PART 7. 그룹화

_Chapter 1. 그룹화란?

_Chapter 2. 군집 분석

_Chapter 3. 계층형 군집

_Chapter 4. k-평균 군집화



맺음말

Information Provided By: :