위의 예에서 살펴보았듯이 데이터 과학자가 되기 위해서는 통계 능력, 컴퓨터 도구 활용 능력, 실무 지식이 필요함을 알 수 있다. 많은 사람이 이를 벤다이어그램으로 표현하였는데, 몇몇 예시를 함께 살펴보도록 하자(그림 1-4, 1-5, 1-6).
--- p.11

위에서 간략히 살펴보았듯이 베이스 R은 데이터 가공을 위한 강력한 기능을 제공한다. 하지만 필자는 데이터 가공 도구로 베이스 R보다는 dplyr 패키지를 가능한 한 많이 사용할 것을 강력하게 추천한다. dplyr(“디플라이어”라고 읽는다)는 데이터를 빨리 쉽게 가공할 수 있도록 도와주는 R 패키지다[Wickham & Francois (2015)]. dplyr는 베이스 R 데이터 가공에 비해 다음과 같은 차이점과 장점이 있다.
--- p.51

데이터 과학의 통계 분야 인터뷰에서 많이 물어보는 질문 중 하나가 P-값을 정의하라는 것과 다양한 가설검정 상황에서 비전문들을 이해하기 쉽게 P-값을 설명하라는 것이다. 즉, 데이터 과학자는 P-값을 정확히 이해하고 P-값의 의미를 ‘지식의 저주’를 피하여 비전문가들에게 전달해야 한다.
--- p.113

앞장에서 살펴보았듯이, 설명변수 중 범주형 변수가 있을 경우, glm( ) 함수는 자동으로 모형행렬을 생성해주었다. 이와 달리, glmnet( ) 함수는 모형행렬을 수동으로 만들어주어야 한다. 앞장에서 살펴본 model.matrix( ) 함수를 사용하면 된다. 절편항은 필요하지 않으므로 ‘-1’을 모형식(formula)에 지정하도록 한다.
--- p.199

분석 코드와 보고서의 괴리는 오랫 동안 데이터 분석가를 괴롭힌 문제 중 하나다. 분석 코드를 통하여 계산과 시각화를 한 후, 그 계산 결과와 차트를 보고서와 슬라이드에 붙여넣는 것이 전통적인 작업 방식이었다. 그러나 시간이 오래 걸리고, 노동 집약적일 뿐만 아니라 항상 분석 코드와 분석 문서를 함께 관리해야 하고, 분석이 바뀔 때마다 보고서도 수동으로 업데이트해야 하는 불편함과 오류의 위험성이 있었다.

가장 빠르게, 가장 제대로 배우는 데이터 과학 입문서!<br/><br/>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.<br/><br/>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.<br/><br/>이 책의 대상 독자<br/> ‘데이터 사이언스 입문’ 수업을 듣는 학원생, 학부생 및 대학원생<br/> 데이터 분석 업무를 하고자 하는 관련 분야 엔지니어<br/> 데이터 과학 팀을 구축하고자 하는 관련 분야 매니저<br/>

권재명 박사의 《따라 하며 배우는 데이터 과학》은 해들리 위컴(Hadley Wickham)의 ‘tidyverse’ 철학에 기반을 둔 데이터 가공에 관한 충실한 소개와 더불어 라쏘와 랜덤 포레스트와 같은 최신 머신러닝 기법, 그리고 기존의 R 서적에서 다루지 않은 유용한 R 관련 지식을 많이 소개하고 있다. 특히, ‘데이터 분석 환경 구성하기’, ‘코딩 스타일’과 ‘R 마크다운’에 관한 내용은 R을 처음 배
우는 입문자와 현장 실무자들이 반드시 알아야 할 내용으로, 학계와 실리콘밸리를 오가면서 쌓은 저자의 경험이 고스란히 담긴 부분이며, 마지막 ‘실리콘밸리에서 데이터 과학자 되기’에 관한 내용은 향후 차세대 데이터 과학자를 꿈꾸는 이들에게 훌륭한 지침이 되리라 생각한다. 이 책이 앞으로 데이터 과학자를 꿈꾸는 모든 이들의 필독서가 될 것을 믿어 의심치 않는다.
장원철 (서울대학교 통계학과 교수)