소득공제
데이터 과학을 위한 소프트웨어 엔지니어링
노트북에서 확장 가능한 시스템으로, 효율적이고 견고한 파이썬 데이터 과학 코드 작성하기
- 베스트
- OS/데이터베이스 top100 10주
이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 문화비소득공제 가능
이 분야의 이벤트
카드뉴스로 보는 책
책소개
목차
|
옮긴이 머리말 xi
베타리더 후기 xiii 시작하며 xvi 감사의 글 xxii 표지에 대하여 xxiii CHAPTER 1 좋은 코드란 무엇인가? 1 1.1 좋은 코드가 왜 중요한가? 2 1.2 변화하는 요구사항에 대응하기 3 1.3 간결성 3 __1.3.1 같은 일을 반복하지 말라(DRY 원칙) 5 __1.3.2 장황한 코드를 피하라 6 1.4 모듈성 7 1.5 가독성 9 __1.5.1 표준과 규칙 9 __1.5.2 이름 10 __1.5.3 코드 정리 11 __1.5.4 문서화 11 1.6 성능 12 1.7 안정성 12 __1.7.1 오류와 로깅 13 __1.7.2 테스트 13 1.8 요약 14 CHAPTER 2 코드 성능 분석 17 2.1 성능 개선 기법 18 2.2 코드 시간 측정 20 2.3 코드 프로파일링 23 __2.3.1 cProfile 23 __2.3.2 line_profiler 26 __2.3.3 Memray를 활용한 메모리 프로파일링 27 2.4 시간 복잡도 30 __2.4.1 시간 복잡도 추정 방법 30 __2.4.2 빅오 표기법 31 2.5 요약 34 CHAPTER 3 데이터 구조를 효율적으로 사용하기 35 3.1 파이썬 기본 데이터 구조 36 __3.1.1 리스트 36 __3.1.2 튜플 39 __3.1.3 딕셔너리 39 __3.1.4 집합 41 3.2 넘파이 배열 43 __3.2.1 넘파이 배열 기능 43 __3.2.2 넘파이 배열의 성능 고려사항 44 __3.2.3 대스크를 사용한 배열 연산 48 __3.2.4 머신러닝에서의 배열 50 3.3 팬더스 데이터프레임 51 __3.3.1 데이터프레임 기능 52 __3.3.2 데이터프레임의 성능 고려사항 53 3.4 요약 55 CHAPTER 4 객체지향 프로그래밍과 함수형 프로그래밍 57 4.1 객체지향 프로그래밍 58 __4.1.1 클래스, 메서드, 속성 58 __4.1.2 직접 클래스 정의하기 61 __4.1.3 OOP 원리 64 4.2 함수형 프로그래밍 68 __4.2.1 람다 함수와 map() 69 __4.2.2 함수를 데이터프레임에 적용하기 70 4.3 어떤 패러다임을 사용할 것인가? 71 4.4 요약 72 CHAPTER 5 오류, 로깅, 디버깅 73 5.1 파이썬에서의 오류 73 __5.1.1 파이썬 오류 메시지 읽기 74 __5.1.2 오류 처리 75 __5.1.3 오류 일으키기 79 5.2 로깅 81 __5.2.1 무엇을 로깅할 것인가? 81 __5.2.2 로깅 설정 82 __5.2.3 로그 남기는 방법 83 5.3 디버깅 85 __5.3.1 디버깅 전략 86 __5.3.2 디버깅 도구 87 5.4 요약 93 CHAPTER 6 코드 포매팅, 린팅, 타입 검사 95 6.1 코드 포매팅과 스타일 가이드 96 __6.1.1 PEP8 97 __6.1.2 임포트 포매팅 98 __6.1.3 블랙을 사용해 자동으로 코드 포매팅하기 100 6.2 린팅 102 __6.2.1 린팅 도구 103 __6.2.2 IDE에서 린팅하기 106 6.3 타입 검사 107 __6.3.1 타입 주석 108 __6.3.2 mypy로 타입 검사하기 110 6.4 요약 111 CHAPTER 7 코드 테스트 113 7.1 왜 테스트를 작성해야 하는가? 114 7.2 언제 테스트할까? 115 7.3 테스트 작성 및 실행 방법 116 __7.3.1 기본 테스트 116 __7.3.2 예상치 못한 입력 테스트 118 __7.3.3 Pytest로 자동화된 테스트 실행하기 120 7.4 테스트 종류 123 __7.4.1 단위 테스트 123 __7.4.2 통합 테스트 124 7.5 데이터 검증 125 __7.5.1 데이터 검증 예제 125 __7.5.2 Pandera를 사용해 데이터 검증하기 126 __7.5.3 Pydantic을 이용한 데이터 검증 128 7.6 머신러닝을 위한 테스트 130 __7.6.1 모델 학습 테스트 131 __7.6.2 모델 추론 테스트 131 7.7 요약 132 CHAPTER 8 설계와 리팩터링 133 8.1 프로젝트 설계와 구조 134 __8.1.1 프로젝트 설계 시 고려사항 134 __8.1.2 머신러닝 프로젝트 예제 136 8.2 코드 설계 138 __8.2.1 모듈식 코드 139 __8.2.2 코드 설계 프레임워크 140 __8.2.3 인터페이스와 계약 141 __8.2.4 결합도 141 8.3 노트북을 확장성 있는 스크립트로 144 __8.3.1 왜 노트북 대신 스크립트를 사용하는가? 144 __8.3.2 노트북에서 스크립트 생성하기 145 8.4 리팩터링 148 __8.4.1 리팩터링 전략 149 __8.4.2 리팩터링 작업 예제 150 8.5 요약 152 CHAPTER 9 문서화 153 9.1 코드베이스 내에서의 문서 154 __9.1.1 이름 155 __9.1.2 주석 157 __9.1.3 독스트링 159 __9.1.4 Readme, 튜토리얼, 기타 장문의 문서 162 9.2 주피터 노트북에서의 문서화 163 9.3 머신러닝 실험에 대해 문서화하기 165 9.4 요약 167 CHAPTER 10 코드 공유: 버전 관리, 종속성, 패키징 169 10.1 깃을 사용한 버전 관리 170 __10.1.1 깃의 작동 방식 171 __10.1.2 변경사항 추적 및 커밋 172 __10.1.3 원격과 로컬 174 __10.1.4 브랜치와 풀 리퀘스트 175 10.2 종속성과 가상 환경 179 __10.2.1 가상 환경 180 __10.2.2 pip를 사용한 종속성 관리 182 __10.2.3 Poetry를 사용한 종속성 관리 183 10.3 파이썬 패키징 185 __10.3.1 패키징 기초 186 __10.3.2 pyproject.toml 188 __10.3.3 패키지 빌드 및 업로드 189 10.4 요약 191 CHAPTER 11 API 193 11.1 API 호출 194 __11.1.1 HTTP 메서드와 상태 코드 194 __11.1.2 SDG API에서 데이터 받아오기 195 11.2 FastAPI를 사용해 API 생성하기 199 __11.2.1 API 구성 200 __11.2.2 API에 기능 추가하기 203 __11.2.3 API에 요청하기 207 11.3 요약 209 CHAPTER 12 자동화 및 배포 211 12.1 코드 배포 212 12.2 자동화 예제 213 __12.2.1 프리-커밋 훅 214 __12.2.2 깃허브 액션 217 12.3 클라우드 배포 222 __12.3.1 컨테이너와 도커 223 __12.3.2 도커 컨테이너 구축 223 __12.3.3 구글 클라우드에 API 배포하기 226 __12.3.4 다른 클라우드에 API 배포하기 228 12.4 요약 228 CHAPTER 13 보안 231 13.1 보안이란 무엇인가? 231 13.2 보안 위험 233 __13.2.1 자격 증명, 물리적 보안, 사회공학적 기법 234 __13.2.2 타사 패키지 234 __13.2.3 파이썬 pickle 모듈 235 __13.2.4 버전 관리 위험 235 __13.2.5 API 보안 위험 236 13.3 보안 수칙 236 __13.3.1 보안 리뷰 및 정책 236 __13.3.2 보안 코딩 도구 237 __13.3.3 간단한 코드 스캔 238 13.4 머신러닝을 위한 보안 241 __13.4.1 ML 시스템 공격 241 __13.4.2 ML 시스템에서의 보안 수칙 243 13.5 요약 244 CHAPTER 14 소프트웨어 업계에서 일하기 247 14.1 개발 원칙 및 실전 247 __14.1.1 소프트웨어 개발 생애주기 247 __14.1.2 폭포수 소프트웨어 개발 방법론 249 __14.1.3 애자일 소프트웨어 개발 방법론 249 __14.1.4 애자일 데이터 과학 250 14.2 소프트웨어 업계에서의 역할 251 __14.2.1 소프트웨어 엔지니어 251 __14.2.2 QA 혹은 테스트 엔지니어 253 __14.2.3 데이터 엔지니어 254 __14.2.4 데이터 분석가 254 __14.2.5 제품 관리자 255 __14.2.6 UX 연구원 256 __14.2.7 디자이너 257 14.3 커뮤니티 258 __14.3.1 오픈소스 258 __14.3.2 이벤트에서 연설하기 260 __14.3.3 파이썬 커뮤니티 261 14.4 요약 262 CHAPTER 15 다음 단계 265 15.1 코드의 미래 267 15.2 코드에 담긴 당신의 미래 270 15.3 감사의 말 270 찾아보기 272 |
저자 소개 2
Catherine Nelson
프리랜서 데이터 과학자. 이전에는 SAP Concur의 수석 데이터 과학자로서 프로덕션 머신러닝 애플리케이션을 작성했다. 머신러닝의 설명 가능성, 모델 분석, 개인정보보호 등에 관심이 많다. 『살아 움직이는 머신러닝 파이프라인 설계』(한빛미디어, 2021)를 공저했고, 시애틀 PyLadies의 조직자이기도 하다.
캐서린 넬슨의 다른 상품
플랫폼 기업의 빅데이터 서비스 조직에서 근무하고 있다. 업계 용어 중심으로 쓰면 나태하게 보일까 걱정되고, 모두 우리말로 바꾸자니 전문가들과 소통이 어렵지는 않을까 하는 걱정 사이에, 이제는 어떻게 하면 챗GPT보다 더 나은 가치를 제공할 수 있는지까지 고민을 하나 더 얹어 번역하고 있다. 이런 고민을 책 문장마다 잘 녹여내기 바라며 옮기지만, 그에 대한 인정은 독자들 몫이니 마음을 내려놓는 연습도 하고 있다. 옮긴 책으로는 『파이썬 데이터 사이언스 핸드북(개정판)』, 『실전! 파이토치 딥러닝 프로젝트』, 『강화학습/심층강화학습 특강』, 『실전! 텐서플로 2를 활용한 딥러닝 컴퓨
플랫폼 기업의 빅데이터 서비스 조직에서 근무하고 있다. 업계 용어 중심으로 쓰면 나태하게 보일까 걱정되고, 모두 우리말로 바꾸자니 전문가들과 소통이 어렵지는 않을까 하는 걱정 사이에, 이제는 어떻게 하면 챗GPT보다 더 나은 가치를 제공할 수 있는지까지 고민을 하나 더 얹어 번역하고 있다. 이런 고민을 책 문장마다 잘 녹여내기 바라며 옮기지만, 그에 대한 인정은 독자들 몫이니 마음을 내려놓는 연습도 하고 있다. 옮긴 책으로는 『파이썬 데이터 사이언스 핸드북(개정판)』, 『실전! 파이토치 딥러닝 프로젝트』, 『강화학습/심층강화학습 특강』, 『실전! 텐서플로 2를 활용한 딥러닝 컴퓨터 비전』 등이 있다.
김정인의 다른 상품
품목정보
- 발행일
- 2025년 02월 28일
- 쪽수, 무게, 크기
- 300쪽 | 718g | 188*245*19mm
- ISBN13
- 9791194587002
책 속으로
|
코드를 작성하는 것은 완벽하게 설계되고 계획이 확정된 다음 건설에 들어가는 다리를 건설하는 것과는 다르다. 데이터 과학 프로젝트 등에서 코드를 작성할 때 변하지 않는 한 가지 원칙은 프로젝트를 수행하는 동안 변경사항이 발생할 수 있다는 점을 예상해야 한다는 것이다. (…) 적응력은 코드베이스가 커질수록 더 중요해진다. 소규모 스크립트 하나라면 변경사항을 반영하기 간단하다. 그렇지만 프로젝트 규모가 커지고 여러 스크립트나 노트북으로 나뉘어 서로 의존하는 형태를 갖게 되면 변경하기 더 복잡하고 어려워질 수 있다. 처음부터 코드를 잘 짜두면 큰 프로젝트에서 코드를 수정하기 쉬워질 것이다.
--- p.3 리스트에 요소를 추가할 때마다 메모리에서 추가 공간을 차지한다. 파이썬은 원래 리스트 길이보다 여유 있게 메모리 공간을 할당하지만 이 공간이 가득 차면 전체 리스트는 연속된 공간을 더 확보할 수 있는 새로운 메모리 위치로 복사되어야 한다. 리스트의 마지막에 요소를 추가하는 것은 O(1)의 복잡도를 갖지만 추가 할당된 공간까지 가득 차면 리스트를 복사해야 하므로 약간의 오버헤드가 수반된다. (…) 리스트에 특정 길이까지 요소가 추가될 것을 안다면 .append()가 가장 효율적인 방법은 아닐 것이다. 리스트 컴프리헨션(list comprehension)을 사용하거나 초깃값으로 0을 채운 정확한 길이의 리스트를 생성한 다음 값을 업데이트하는 것이 더 나을 것이다. 리스트의 시작과 마지막에 아이템을 추가하고자 한다면 collections 모듈의 양방향큐 deque 데이터 구조를 사용할 수 있다. --- pp.37-38 다형성(polymorphism)은 서로 다른 클래스에 대해 동일한 인터페이스를 가질 수 있어 코드를 단순화하고 반복을 줄일 수 있음을 뜻한다. 즉, 두 개의 클래스가 유사한 결과를 만들지만 내부 동작은 서로 다른 같은 이름의 메서드를 가질 수 있다. 이 두 개의 클래스는 부모와 자식 클래스일 수도 있고 서로 아무 관계가 없을 수도 있다. / 사이킷런은 다형성의 대표적인 예다. 모든 분류기는 다른 클래스로 정의되었더라도, 특정 데이터에 분류기를 훈련시키는 fit이라는 같은 이름의 메서드가 있다. 다음은 특정 데이터에 두 개의 서로 다른 분류기를 훈련시키는 예제다. --- p.67 Pydantic을 사용하면 실행 시간에 데이터를 검증할 수 있다. 이 도구는 파이썬 커뮤니티에서 점점 인기를 얻고 있는 믿을 수 없을 만큼 유용한 라이브러리다. Pydantic은 데이터를 검증하기 위해 6.3절에서 소개했던 타입 주석을 사용한다. 그렇지만 mypy처럼 정적 분석 도구는 아니다. 대신 코드를 실행할 때 검증하기 때문에 별도의 도구를 실행시킬 필요가 없다. 이는 코드를 API에 배포할 경우 특히 유용하다. (…) Pydantic은 데이터를 검증하기 위해 데이터 스키마 개념을 사용한다. 먼저 데이터의 포맷을 기술한 스키마를 정의한다. 그런 다음 그 스키마를 사용해 새로운 데이터가 올바른 포맷인지 검사하면 된다. --- p.128 코드를 작성할 때마다 수많은 이름을 선택해야 한다. 변수, 함수, 노트북, 프로젝트, 이 모든 것은 이름이 필요하다. 좋은 이름을 짓는 것은 코드를 가독성 있게 만드는 데 중요한 부분이다. 누군가가 여러분의 코드를 사용하고자 한다면 코드를 변경하기 전에 전체를 훑어볼 것이다. 여러분이 사용하는 이름은 코드가 해야 할 일을 전달할 것이다. 예를 들어 download_and_clean_monthly_data라는 함수 이름이 process_data라는 이름의 함수보다 더 많은 정보를 전달한다. 주피터 노트북 이름을 untitled1.ipynb로 지으면 절대 안 된다. 이 이름은 노트북에 무엇이 담겨 있는지에 대해 어떤 정보도 전달하지 않기 때문이다. 나중에 그 노트북에서 필요한 것이 있더라도, 좋은 이름 없이는 찾을 수 없을 것이다. --- p.155 |
출판사 리뷰
|
데이터 과학은 코드에서 이뤄진다
협업이 필요한 대규모 프로젝트에서는 데이터 과학자에게도 유지보수성이 높은 코드를 작성하는 것이 요구된다. 그럼에도 데이터 과학자는 교육 과정에서 소프트웨어 엔지니어링 역량을 높일 기회가 많지 않고, 현업에서 배우고 싶더라도 마땅한 방법을 찾기 어려운 실정이다. 이 책은 소프트웨어 엔지니어링의 모범 사례를 데이터 과학에 적용하는 방법을 다룬다. 성능, 객체지향, 테스트, 오류 처리, 린팅, 문서화, 버전 관리, 패키징, API, 배포 등 일반적인 소프트웨어 엔지니어링 기술을 파이썬 예제를 통해 설명한다. 데이터 과학자에게 친숙한 예제를 통해 더 나은 파이썬 코드를 작성하는 방법을 배울 수 있고, 이는 개발자와의 협업 및 프로덕션 환경에서 작업하는 데에 큰 무기가 된다. 통계나 머신러닝 기법에 정통한 데이터 과학자조차 소프트웨어 엔지니어링에 대한 이해가 부족해 한계에 부딪히곤 한다. 대규모 프로젝트를 성공으로 싶다면, 이 책이 거대한 간극을 메워주는 미싱 링크 역할을 해줄 것이다. 대상 독자 ● 코딩 스킬을 향상하고자 하는 데이터 과학 유관 분야 종사자 ● 데이터 과학 학위를 막 마쳤거나 독학으로 배운 주니어 데이터 과학자 ● 수학/과학 등 다른 분야에서 데이터 과학으로 전환 중인 분야 입문자 ● 개발자와의 협업이나 교류가 잦은 관련 업무 종사자 주요 내용 ● 효율적이고 강력한 파이썬 코드 작성하기 ● 데이터 구조와 객체지향 프로그래밍 이해하기 ● 테스트, 오류 처리, 로깅 모범 사례 ● 안전한 코드 작성하기 ● 데이터 과학 코드를 더 큰 코드베이스와 통합하기 ● 코드를 명확하고 능숙하게 문서화하기 ● 코드 패키징 및 공유하기 ● API 작성 방법 배우기 ● 소프트웨어 엔지니어와 효과적으로 협업하기 ● 데이터 과학 프로젝트를 프로덕션 단계로 전환하기 |
추천평
|
이 책은 데이터 과학자들이 오랫동안 찾고 있던 미싱 링크로서, 데이터 과학과 소프트웨어 엔지니어링의 간극을 훌륭하게 메워준다. 데이터 과학자들이 소프트웨어 엔지니어링 측면에서 직면하는 중요한 기술 격차를 메워주고, 코딩 실력을 새로운 차원으로 끌어올릴 수 있는 명확하고 실행 가능한 지침을 제공한다. 정말로 우리가 기다려왔던 책이다. - 가브리엘라 드 케이로스 (Gabriela de Queiroz) (마이크로소프트 AI 이사)
|
|
개개인의 작업을 프로덕션 수준으로 확장하는 비법을 쉽게 설명해주는 책이다. 데이터 과학자이든, 개발자나 경영진이든 책을 통해 대규모 데이터 서비스를 이해할 수 있게 될 것이다. 스타트업에서 대규모 기업 데이터에 이르기까지 저자의 모범 사례를 따르면 데이터 프로젝트의 성공을 보장할 수 있다. - 캐럴 윌링 (Carol Willing) (파이썬 코어 개발자)
|
|
데이터 과학 기술을 아이디어 단계에서 완전히 구현된 시스템으로 발전시키고자 하는 사람이라면 반드시 읽어야 할 책. 코딩의 가장 중요한 엔지니어링 측면을 안내하는 훌륭한 가이드다. 이 책을 몇 년 전에 읽었더라면 수많은 시간을 절약할 수 있었을 것이다! 이 책을 강력히 추천한다. - 로런스 모로니(Laurence Moroney) (《개발자를 위한 머신러닝&딥러닝》 저자, 구글 AI 애드버커시 책임자)
|
26,100원
총 1개
26,100원
