소득공제
- 베스트
- OS/데이터베이스 top100 6주
이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 문화비소득공제 가능
이 분야의 이벤트
제이펍-I♥A.I 시리즈
이 상품의 시리즈 알림신청
카드뉴스로 보는 책
상세 이미지
책소개
목차
|
PART 1 데이터 분석 시스템
CHAPTER 01 분석 준비를 위한 테크닉 10 3 테크닉 1 데이터를 모두 로딩하자 5 테크닉 2 데이터를 유니온(결합)하자 9 테크닉 3 폴더 안에 있는 파일을 확인하자 11 테크닉 4 여러 데이터를 유니온(결합)하자 13 테크닉 5 데이터 통계량을 확인하자 16 테크닉 6 불필요한 데이터를 제거하자 18 테크닉 7 마스터 데이터를 조인(결합)하자 20 테크닉 8 마스터가 존재하지 않는 코드에 이름을 설정하자 21 테크닉 9 분석 기초 테이블을 파일에 저장하자 24 테크닉 10 셀을 사용하기 쉽게 정리하자 25 CHAPTER 02 데이터를 시각화하고 분석하기 위한 테크닉 10 28 테크닉 11 데이터를 로딩하고 불필요한 항목을 제외하자 29 테크닉 12 데이터 전체 이미지를 파악하자 32 테크닉 13 월별 매출을 집계하자 34 테크닉 14 월별 추이를 시각화하자 37 테크닉 15 매출로부터 히스토그램을 만들자 39 테크닉 16 시/도/군/구별 매출을 집계해서 시각화하자 41 테크닉 17 클러스터링을 위해 데이터를 가공하자 43 테크닉 18 클러스터링을 이용해 매장을 그룹화하자 45 테크닉 19 그룹의 경향을 분석하자 47 테크닉 20 클러스터링 결과를 t-SNE로 시각화하자 48 CHAPTER 03 시각화 구조를 구축하기 위한 테크닉 10 51 테크닉 21 매장을 필터링해서 시각화하자 53 테크닉 22 여러 매장의 상세 정보를 시각화하자 58 테크닉 23 슬라이드바를 이용해 주문 건수를 조사하자 61 테크닉 24 토글 버튼을 이용해 지역 데이터를 추출하자 63 테크닉 25 날짜를 지정해 데이터를 추출하자 66 테크닉 26 스토리를 생각해서 데이터를 구축하자 69 테크닉 27 주문 취소 이유를 분석하자 75 테크닉 28 가설을 검증하자 76 테크닉 29 스토리를 기반으로 부속과 데이터를 조합해 대시보드를 만들자 80 테크닉 30 대시보드를 개선하자 87 CHAPTER 04 보고 구조를 만들기 위한 테크닉 10 91 테크닉 31 특정 매장의 매출을 엑셀로 출력하자 93 테크닉 32 엑셀 테이블을 정리해 출력하자 99 테크닉 33 매출 이외의 데이터도 출력하자 101 테크닉 34 문제가 있는 위치를 빨간색으로 출력하자 104 테크닉 35 엑셀의 셀 함수를 이용해 일 단위로 집계하자 105 테크닉 36 꺾은선 그래프로 출력하자 107 테크닉 37 보고서용 데이터를 준비하자 109 테크닉 38 데이터시트에 필요한 데이터를 출력하자 113 테크닉 39 요약 시트를 만들자 116 테크닉 40 매장별 보고서를 엑셀로 출력하자 121 CHAPTER 05 분석 시스템을 구축하기 위한 테크닉 10 123 테크닉 41 기본 폴더를 만들자 125 테크닉 42 입력 데이터 확인 구조를 만들자 127 테크닉 43 보고서(본부용) 작성 처리를 함수화하자 132 테크닉 44 보고서(매장용) 작성 처리를 함수화하자 136 테크닉 45 함수를 실행하고 동작을 확인하자 141 테크닉 46 데이터 업데이트에 대응해 폴더를 만들자 143 테크닉 47 시/도/군/구별로 폴더를 만들고 데이터를 출력하자 144 테크닉 48 지난달 데이터를 동적으로 로딩하자 146 테크닉 49 과거 데이터와 비교하자 151 테크닉 50 화면에서 실행할 수 있게 하자 153 PART 2 머신러닝 시스템 CHAPTER 06 머신러닝용 데이터를 가공하기 위한 테크닉 10 161 테크닉 51 데이터 가공을 위한 밑준비를 하자 162 테크닉 52 데이터를 로딩하고 데이터 가공 방향성을 검토하자 164 테크닉 53 1개월분 데이터로 기본적인 가공을 하자 166 테크닉 54 머신러닝용 변수를 만들자 168 테크닉 55 매장 단위로 집계해서 변수를 만들자 170 테크닉 56 데이터 가공과 매장별 집계를 함수로 실행하자 173 테크닉 57 모든 데이터를 로딩하고 데이터를 가공하자 176 테크닉 58 목적 변수를 만들자 178 테크닉 59 설명 변수와 목적 변수를 연결해 머신러닝용 데이터를 완성하자 181 테크닉 60 머신러닝용 데이터를 확인하고 출력하자 182 CHAPTER 07 머신러닝 모델을 구현하기 위한 테크닉 10 185 테크닉 61 폴더를 만들고 머신러닝용 데이터를 저장하자 186 테크닉 62 범주형 변수에 대응하자 187 테크닉 63 학습 데이터와 테스트 데이터를 나누자 189 테크닉 64 모델 하나를 구현하자 190 테크닉 65 모델을 평가하자 192 테크닉 66 모델의 중요도를 확인해 보자 196 테크닉 67 모델 구현부터 평가까지의 과정을 함수화하자 197 테크닉 68 모델 파일과 평가 결과를 출력하자 199 테크닉 69 알고리즘을 확장해 다각적으로 평가하자 200 테크닉 70 평일/휴일 모델을 한 번에 실행하자 203 CHAPTER 08 머신러닝 모델로 새로운 데이터를 예측하기 위한 테크닉 10 208 테크닉 71 폴더를 만들고 데이터 로딩을 준비하자 209 테크닉 72 예측할 신규 데이터를 로딩하자 210 테크닉 73 신규 데이터를 매장별로 집계하자 212 테크닉 74 신규 데이터의 범주형 변수에 대응하자 215 테크닉 75 모델 투입 직전의 형식으로 정리하자 216 테크닉 76 모델 파일을 로딩하자 217 테크닉 77 신규 데이터를 예측하자 218 테크닉 78 예측 결과를 히트맵으로 그리자 220 테크닉 79 실적 데이터를 만들자 222 테크닉 80 현장용 보고서를 만들어 출력하자 223 CHAPTER 09 소규모 머신러닝 시스템을 만들기 위한 테크닉 10 226 테크닉 81 폴더를 만들고 초기 변수를 정의하자 227 테크닉 82 신규 데이터를 로딩하고 매장별 데이터를 만들자 231 테크닉 83 월별 매장 데이터를 업데이트하자 235 테크닉 84 머신러닝용 데이터를 만들고 업데이트하자 236 테크닉 85 머신러닝 모델용 사전 데이터를 가공하자 239 테크닉 86 머신러닝 모델을 구현하고 평가하자 240 테크닉 87 신규 데이터 예측을 위한 밑준비를 하자 244 테크닉 88 신규 데이터를 예측하자 245 테크닉 89 현장용 보고서를 만들고 출력하자 246 테크닉 90 머신러닝 모델의 정밀도 추이를 시각화하자 249 CHAPTER 10 머신러닝 시스템 대시보드를 만들기 위한 테크닉 10 252 테크닉 91 단일 데이터를 로딩하자 253 테크닉 92 업데이트 데이터를 로딩해 매장별 데이터를 만들자 255 테크닉 93 머신러닝 모델의 중요 변수 데이터를 로딩하고 결합하자 256 테크닉 94 머신러닝 모델의 예측 결과를 로딩하고 결합하자 257 테크닉 95 머신러닝 모델용 사전 데이터를 가공하자 259 테크닉 96 매장 분석용 대시보드를 만들자 261 테크닉 97 머신러닝 모델의 정밀도 평가 대시보드를 만들자 264 테크닉 98 머신러닝 모델의 혼동 행렬 대시보드를 만들자 266 테크닉 99 머신러닝 모델의 변수 중요도 분석 대시보드를 만들자 269 테크닉 100 머신러닝 모델의 예측 결과를 시각화해서 검증하자 272 |
저자 소개 4
下山輝昌
일본전기주식회사(NEC)의 중앙연구소 하드웨어 연구 개발 부문에서 근무하였으며, 2017년에 아이큐베이터를 공동 창업하였다. 인공지능, 사물인터넷, 정보 디자인 부문에서 새로운 방향성과 가능성을 연구하며 비즈니스화를 진행하고 있으며, 머신러닝을 활용한 데이터 분석이나 대시보드 설계 등으로 업무 분야를 넓히면서 데이터 분석 컨설턴트로도 활동한다. 공저로 《파이썬 데이터 분석 실무 테크닉 100》(위키북스), 《Tableauデ?タ分析: ??から活用まで(Tableau 데이터 분석: 실전에서 활용까지)》(슈와시스템)가 있다.
三木孝行
소프트웨어 개발 회사에서 철도, 은행 등 대규모 기간 시스템 개발을 총괄하면서 시스템/IT의 요구사항 정의, 설계, 개발, 출시까지의 모든 과정을 경험했다. 2017년에 아이큐베이터를 공동 창업하였다. 독학으로 여러 언어를 습득해 C 언어보다 더 높은 수준의 언어를 주로 다룬다. 공저로 《파이썬 데이터 분석 실무 테크닉 100》(위키북스)이 있다.
伊藤淳二
휴대폰 회사의 백 오피스 부서에서 근무하면서 업무 효율화/정보 연동 도구를 직접 개발한 것을 계기로 시스템 개발의 즐거움을 깨달았다. 이후 시스템 엔지니어로 전직하여 철도 및 전력 계열의 기간 시스템 개발 등에 참여했다. 요구사항 정의에서 설계, 개발, 운용까지의 모든 과정에서 능력을 발휘했으며, 현장의 시선으로 제안하는 엔지니어이자 프로젝트 관리자로서 다양한 아이디어를 성공적으로 구현했다. 이후 AI 컨설팅, 데이터 분석을 수행하는 아이큐베이터에 합류하여 그간의 경험을 살려 현장의 시선을 중시한 AI 도입을 추진하고, AI 시스템 개발, 데이터 분석에 관한 여러 안건을 맡고 있다.
대학 졸업 후 소프트웨어 엔지니어, 소프트웨어 품질 엔지니어, 애자일 코치 등 다양한 부문에서 소프트웨어 개발에 참여했다. 재미있는 일, 나와 조직이 성장하도록 돕는 일에 보람을 느껴 2019년부터 번역을 시작했다. 옮긴 책으로는 『인간 vs. AI 정규표현식 문제 풀이 대결’(제이펍)』, 『애자일 개발의 기술 2판’(에이콘)』, 『타입스크립트, 리액트, Next.js로 배우는 실전 웹 애플리케이션 개발’(위키북스)』, 『추천 시스템 입문’(한빛미디어)』, 『웹 개발 리터러시’(정보문화사)』 등이 있다.
김모세의 다른 상품
관련 분류
품목정보
- 발행일
- 2021년 12월 14일
- 쪽수, 무게, 크기
- 300쪽 | 528g | 170*225*15mm
- ISBN13
- 9791191600438
책 속으로
|
각 장의 테크닉은 함께 일하는 선배 데이터 과학자가 보내는 조언이라 생각해도 좋습니다. 다른 생각을 하지 않고 조언을 그대로 따라가 보는 것도 좋습니다. ‘나라면 이렇게 하겠다’와 같이 다른 관점에서 분석을 수행해 대책을 세워 보는 것도 좋습니다. 선배 데이터 과학자가 경험은 풍부할지 모르나, 초보자에게서 현장에 대한 신선한 시각이 나오는 경우가 의외로 많습니다. 이 책에는 현장감을 높이기 위해 다소 긴 코드도 많이 실었습니다. 각자의 시점에서 개선안을 생각해 보는 것 역시 이 책을 읽으면서 느낄 수 있는 즐거움입니다. 분석 방법은 한 가지가 아니라는 점이 중요합니다. 이 책을 발판 삼아 동료 엔지니어와 의논의 장을 열어 보기 바랍니다.
--- p.xv 여기에서는 클러스터 수를 4로 했습니다. 특정한 값이 좋다고 단언할 수는 없으므로 클러스터 수를 바꿔 가면서 몇 차례 시도해 보기 바랍니다. 난수 시드를 고정하는 이유는 결과가 매번 달라지는 것을 방지하기 위함입니다. 난수 시드를 고정하지 않으면 매번 결과가 달라지므로 어느 정도 분석이 진행될 때까지는 고정하는 것이 좋습니다. 다음 행에서 모델을 구축하고, 다음 행에서 클러스터링 결과를 store_clustering['cluster']에 저장합니다. 이렇게 클러스터링 결과를 데이터로 가짐으로써 이후의 분석에 이용할 수 있습니다. 여기에서는 0, 1, 2, 3의 4개 클러스터로 나눴습니다. --- p.47 그래서 이번 장에서는 지속해서 반복할 수 있는 구조를 구축합니다. 데이터는 항상 업데이트됩니다. 이때 잘못된 데이터가 제공되지 않도록 폴더 구성도 함께 정리하면서 매달 원활하게 데이터를 업데이트할 수 있는 소규모 구조를 만들어 봅시다. 그리고 데이터 업데이트 시점에 지난달 데이터와 비교함으로써 개선이 이루어졌는지에 관한 검증도 함께 진행합니다. --- p.123 이것으로 머신러닝용 데이터를 가공하기 위한 테크닉 열 가지를 마쳤습니다. 실제로는 설명 변수를 만드는 과정에서 과거 1개월 데이터만으로 충분한지, 주문 취소 수 등도 평일/휴일을 나눠 집계해야 하는지 등 검토할 부분이 많이 남아 있습니다. 여기에서는 예제이기 때문에 다소 조잡한 설명 변수를 만들었지만 실제 프로젝트에서라면 더 다양한 설명 변수를 만들어야 할 것입니다. 시행착오를 통해 데이터에 적합한 설명 변수를 찾아내는 것이 좋습니다. 다음 장에서는 모델을 구현합니다. --- p.184 10_output_ml_result 폴더에 모델이 만들어집니다. 여기에서 models에 있는 모델 파일과 교환해도 되지만, 매달 업데이트해야 할 것인지는 숫자 또는 월별 모델의 정밀도를 보고 판단하는 것이 좋기 때문에 자동으로 업데이트하는 형태로 구현하지 않습니다. 의도치 못한 데이터가 들어왔을 때 역효과가 발생할 가능성도 있으므로 어떤 모델을 사용해 신규 데이터를 예측할 것인지 신중하게 검토합니다. --- p.244 |
출판사 리뷰
|
100개의 실전 예제를 풀며 익히는 머신러닝 & 데이터 활용법
이것이 현장에서 활용할 수 있는 데이터 활용술! 우리가 사는 세상은 그야말로 데이터로 가득한 세상입니다. 주위를 보면 데이터가 아닌 것이 없을 만큼, 우리 주위에는 수많은 데이터가 넘쳐납니다. 최근에는 이 데이터를 어떻게 활용하느냐가 개인과 비즈니스의 성과와 실적을 판가름하는 요인이 되었습니다. 하지만 실무 현장에서의 기술 활용이나 대처 방법과 같은 노하우는 입문서로 공부하는 것만으로는 결코 익힐 수 없습니다. 이 책은 큰 호평을 받았던 《파이썬 데이터 분석 실무 테크닉 100》을 잇는 것으로, 실제 실무 현장을 가정한 100개의 문제를 풀면서 현장의 관점과 응용력을 몸에 익히도록 구성한 활용서입니다. 데이터 활용 프로젝트를 시작하고, 회사 안에서 확실하게 정착시키기 위한 첫 걸음을 내딛으시기 바랍니다! 이 책의 대상 독자 · 처음으로 데이터 활용 프로젝트를 꾸려서 사내에 확실하게 정착시키고자 하는 분 · 기존의 프로젝트를 진행하는 데 어려움을 느끼는 분 |
22,500원
총 1개
22,500원
