소득공제
청년패스
파이썬으로 배우는 데이터 과학 2/e
파이썬의 주요 패키지부터 머신 러닝, 시각화에 이르기까지 데이터 과학의 핵심을 한번에
- 베스트
- 프로그래밍 언어 top100 1주
이미 소장하고 있다면 판매해 보세요.
- 해외배송 가능?
- 문화비소득공제 가능
이 상품의 태그
책소개
목차
|
1장. 첫 단계 __데이터 과학과 파이썬 소개 __파이썬 설치 ____파이썬 2 아니면 파이썬 3? ____차례로 설치하기 ____패키지 설치 ____패키지 업그레이드 ____과학 배포판 ________아나콘다 ________콘다를 활용해 패키지 설치하기 ________엔서트캐노피 ________파이썬XY ________윈파이썬 ____가상 환경이란? ________콘다로 환경 관리하기 ____핵심 패키지 맛보기 ________넘파이 ________싸이파이 ________판다스 ________싸이킷런 ________주피터 ________매트플롯립 ________Statsmodels ________Beautiful Soup ________NetworkX ________NLTK ________젠심 ________PyPy ________XGBoost ________티아노 ________케라스 __주피터 소개 ____빠른 설치 및 첫 테스트 ____주피터 마법 명령 ____주피터는 어떻게 데이터 과학자를 돕는가? ____주피터의 대안 __책에서 쓰는 데이터 세트 및 코드 ____싸이킷런 토이데이터 세트 ________MLdata.org 공공 저장소 ________LIBSVM 데이터 표본 ________CVS나 텍스트 파일에서 직접 데이터 불러오기 ________싸이킷런 샘플 생성기 __요약 2장. 데이터 개조 __데이터 과학의 과정 __데이터 불러오기와 판다스로 전처리하기 ____빠르고 쉬운 데이터 불러오기 ____문제가 있는 데이터 다루기 ____큰 데이터 다루기 ____다른 데이터 형식 접근하기 ____데이터 전처리 ____데이터 선택 __범주형 및 텍스트 데이터 작업 ____특별한 데이터 타입 - 텍스트 ____뷰티풀수프로 웹 스크래핑하기 __넘파이 데이터 처리 ____넘파이의 n차원 배열 ____넘파이 ndarray 객체 기초 __넘파이 배열 만들기 ____리스트에서 1차원 배열로 ____메모리 크기 제어 ____이종적인 리스트 ____리스트에서 다차원 배열로 ____배열 크기 재설정 ____넘파이 함수로부터 만들어진 배열 ____파일에서 직접 배열 얻기 ____판다스로부터 데이터 추출 __넘파이의 빠른 동작과 연산 ____행렬 연산 ____넘파이 배열 자르기와 색인하기 ____넘파이 배열 채우기 __요약 3장. 데이터 파이프라인 __EDA 소개 __새로운 특성 만들기 __차원 축소 ____공분산 행렬 ____주성분 분석 ____빅데이터를 위한 PCA - 확률적 PCA ____잠재요인분석(LFA) ____선형판별분석(LDA) ____잠재의미분석(LSA) ____독립요소분석(ICA) ____커널PCA ____T-SNE ____제한된 볼츠만 머신(RBM) __특이값 감지 및 처치 __일변량 특이값 탐색 ____EllipticEnvelope ____단일 클래스 SVM __검증 지표 ____멀티 라벨 분류 ____이진분류 ____회귀 __테스트와 검증 __교차 검증 ____교차 검증 반복기 사용 ____표본 추출과 부트 스트래핑 __초매개변수 최적화 ____사용자정의 채점 함수 구축 ____격자 검색 실행시간 단축 __특성 선택 ____특성 분산 기반 선택 ____일변량 선택 ____재귀적 제거 ____안정성과 L1 기반 선택 __모든 것을 파이프라인으로 감싸기 ____특성을 함께 결합하고 변환을 연결하기 ____사용자정의 변환 함수 만들기 __정리 4장. 머신 러닝 __도구와 데이터 세트 준비 __선형 및 로지스틱 회귀 __단순베이즈 __K유사 이웃 __비선형 알고리즘 ____분류를 위한 SVM ____회귀를 위한 SVM ____SVM 튜닝 __앙상블 전략 ____무작위 표본으로 붙이기 ____느슨한 분류기로 담기 ____무작위 하위 공간과 무작위 덧대기 ____랜덤 포레스트와 엑스트라 트리 ____앙상블로부터 확률 추정 ____연속적인 모형 - AdaBoost ____기울기 나무 강화 ____XGBoost __빅데이터 다루기 ____빅터이터 세트 예제 만들기 ____용량 확장성 ____속도 올리기 ____다양성 다루기 ____확률적 기울기 하강에 대한 개요 __딥러닝 만나기 __자연어 처리 엿보기(NLP) 단어 토큰화 스테밍 단어 태깅 개체명 인식 불용어 완전한 데이터 과학 예제 - 텍스트 분류 __비지도학습 개요 __요약 5장. 소셜 네트워크 분석 __그래프 이론 소개 __그래프 알고리즘 __그래프 읽기, 덤프하기, 추출하기 __요약 6장. 시각화, 통찰, 결과 __매트플롯립 기초 소개 ____곡선 그리기 ____패널 사용 ____데이터의 관계를 위한 산포도 ____히스토그램 ____막대그래프 ____이미지 시각화 ____판다스로 하는 그래픽적 선택 예제 ________박스플롯과 히스토그램 ____산포도 ____평행 좌표 __매트플롯립 명령 래핑하기 ____시본 소개 ____EDA 능력 강화 __보케로 양방향적 시각화하기 __더 나은 데이터학습 표현 ____학습 곡선 ____검증 곡선 ____랜덤 포레스트를 위한 특성의 중요성 ____GBT 부분 의존성 도표 ____ML-ASS를 위한 예측 서버 만들기 __요약 부록. 파이썬 기초 강화하기 __학습 리스트 ____리스트 ____딕셔너리 ____함수 정의 ____클래스, 객체, OOP ____예외 ____이터레이터와 제너레이터 ____조건문 ____리스트와 딕셔너리 내포 __보고, 읽고, 해보며 배우기 ____무크 ____파이콘과 파이데이터 ____양방향적 주피터 ____부끄러워 마라, 진정으로 도전하라 |
저자 소개 3
Alberto Boschetti
신호 처리와 통계 분야의 전문 지식을 갖춘 데이터 과학자로, 통신공학 박사 학위를 가지고 있다. 현재 런던에서 거주하며 일하고 있다. 자연어 처리 및 머신 러닝부터 분산 처리에 이르기까지 수많은 프로젝트에서 다양한 일상 문제에 직면하고 있다. 자신의 일에 매우 열정적이며 항상 데이터 과학 기술의 개발, 모임, 회의 및 기타 이벤트에 대해 최신 정보를 얻으려고 노력한다.
알베르토 보스체티의 다른 상품
Luca Massaron
데이터 과학자이며 마케팅 연구 책임자로, 다변량 통계 분석 및 머신 러닝을 전문으로 하며, 10년 이상의 경험을 바탕으로 추론, 통계, 데이터 마이닝 및 알고리즘을 적용해 실생활 문제를 해결하고 이해관계자의 가치를 창출하는 고객 통찰력을 제공해왔다. 이탈리아에서 웹 이용자 분석의 선구자가 된 이후, 캐글러(Kaggler)의 상위 10위를 달성하는 데 이르기까지 데이터와 분석에 관한 모든 것에 항상 열성적이었으며 전문가와 비전문가 모두에게 데이터 기반 지식 검색의 잠재력을 일깨워줬다. 불필요한 정교함보다는 단순함을 선호한다. 데이터 과학에서 본질적인 것만 수행해도 많은 것을 성취할
데이터 과학자이며 마케팅 연구 책임자로, 다변량 통계 분석 및 머신 러닝을 전문으로 하며, 10년 이상의 경험을 바탕으로 추론, 통계, 데이터 마이닝 및 알고리즘을 적용해 실생활 문제를 해결하고 이해관계자의 가치를 창출하는 고객 통찰력을 제공해왔다. 이탈리아에서 웹 이용자 분석의 선구자가 된 이후, 캐글러(Kaggler)의 상위 10위를 달성하는 데 이르기까지 데이터와 분석에 관한 모든 것에 항상 열성적이었으며 전문가와 비전문가 모두에게 데이터 기반 지식 검색의 잠재력을 일깨워줬다. 불필요한 정교함보다는 단순함을 선호한다. 데이터 과학에서 본질적인 것만 수행해도 많은 것을 성취할 수 있다고 믿는다.
루카 마싸론의 다른 상품
성균관대학교 통계학과를 졸업했으며, 한국 및 싱가포르에서 주로 금융업 및 소프트웨어 개발 분야에 종사했다. 머신러닝의 이론적 이해 및 금융 데이터 응용에 관심이 많다. 에이콘출판사에서 펴낸 『스칼라와 머신러닝』(2018), 『통계학으로 배우는 머신러닝』(2021), 『딥러닝 초보자를 위한 엔비디아 가이드북』(2023) 등을 번역했다. 현재는 국내에서 보안 솔루션의 엔지니어로서 많은 영어 화상회의를 하며 일하고 있다.
이판호 의 다른 상품
품목정보
- 발행일
- 2017년 12월 08일
- 쪽수, 무게, 크기
- 448쪽 | 858g | 188*235*23mm
- ISBN13
- 9791161750910
출판사 리뷰
|
이 책의 대상 독자
데이터 과학자가 되고자 하고, 데이터 분석과 파이썬에 대해 최소한의 실무 지식을 갖고 있다면, 이 책은 여러분이 데이터 과학을 시작하게 해줄 것이다. R이나 매트랩(MATLAB)을 사용한 데이터 분석 경험을 가진 데이터 분석가 또한 데이터 조작과 머신 러닝 기술을 키우기 위한 포괄적인 참고서로 활용할 수 있다 이 책의 구성 1장, ‘첫 단계’에서는 주피터 노트북을 소개하며 튜토리얼에서 동작되는 데이터에 어떻게 접근할 수 있는지를 보여준다. 2장, ‘데이터 개조’에서는 데이터 과학 파이프라인의 개요를 제공하며, 어떠한 러닝 알고리즘을 적용하든 사전에 데이터를 다루고 준비하는 데 필요한 주요 도구들을 살펴 본다. 그리고 가설 실험 스케줄을 설정한다. 3장, ‘데이터 파이프라인’에서는 결과를 잠재적으로 개선할 수 있거나 심지어 강화할 수도 있는 모든 작업을 다룬다. 4장, ‘머신 러닝’에서는 사이킷런 패키지가 제공하는 주요한 머신 러닝 알고리즘 중 선형 모형, 서포트 벡터 머신(support vector machines), 앙상블 트리, 클러스터링을 위한 비지도적인(unsupervised) 기술 등을 샅샅이 살펴본다. 5장, ‘소셜 네트워크 분석’에서는 예측 변수/목표 변수 플랫 행렬(predic-tors/target flat matrices)의 흥미로운 변형인 그래프를 소개한다. 이는 현재 데이터 과학에서 꽤 인기 있는 주제다. 매우 복잡하고 난해한 네트워크를 샅샅이 살펴본다. 6장, ‘시각화, 인사이트 그리고 결과’에서는 맷플롯립(Matplotlib)으로 하는 시각화의 기초, 판다스로 EDA를 조작하 방법, 시본과 보케(Bokeh)로 아름다운 시각화를 이뤄내는 방법 그리고 요구에 따른 정보를 제공하기 위해 어떻게 웹 서버를 설정할 수 있는지에 대해 소개한다. 부록, ‘파이썬 기초 강화하기’에서는 데이터 과학 프로젝트를 작업하는 데 필수적인 파이썬 언어의 주요 측면에 집중한 예제와 튜토리얼을 다룬다. 지은이의 말 데이터 과학은 선형 대수학, 통계적 모델링, 시각화, 컴퓨터 언어학, 그래프 분석, 머신 러닝, 비즈니스 인텔리전스, 데이터 저장과 검색의 성공적인 통합이 필요한 상대적으로 새로운 학문이다. 파이썬 프로그래밍 언어는 최근 10년간 과학계를 정복해오고 있으며, 이제는 데이터 과학 실무자에게는 필수 불가결한 도구이자 데이터 과학자가 되고자 하는 사람에게 반드시 필요한 도구가 됐다. 파이썬은 데이터 분석, 머신 러닝과 알고리즘적인 문제 풀이를 위한 빠르고, 신뢰할 수 있으며, 크로스 플랫폼하고 성숙된 환경을 제공해줄 것이다. 데이터 과학 애플리케이션을 위한 파이썬을 터득하는 데 여러분을 막았던 것이 무엇이든 실증적이면서도 현실 세계의 데이터 세트에 가장 직관적이며 효율적인 파이썬 도구를 적용하는 데 도움이 되는 쉽고 단계적이며 예제 중심적인 접근법이 이를 수월하게 극복하게 해줄 것이다. 이 책에서는 업데이트되고 확장된 내용을 제공한다. 최신의 주피터 노트북(Jupyter Notebooks)(교체 가능한 커널을 포함한 진정한 폴리글랏 데이터 과학 시스템)을 기반으로 하고 있으며, 넘파이(Numpy), 판다스(Pandas), 싸이킷런(Scikit-learn)의 주요 최신 개선 사항을 포함하고 있다. 게다가 딥러닝(떼아노(Theano)와 텐서플로(Tensorflow) 모두에 기반을 둔 케라스(Keras)를 보여줌으로써), 훌륭한 시각화(시본(seaborn)과 ggplot) 그리고 웹 배포(보틀(bottle)을 사용해) 형태의 새로운 내용을 제공한다. 단일 출처 접근법을 사용해 어떻게 파이썬의 최신 버전(3.5)에 핵심적인 데이터 과학 도구 상자를 설정하는지 보여주는 데서 시작한다(이는 책의 코드를 파이썬 2.7에서도 쉽게 재사용할 수 있음을 뜻한다). 그 후, 데이터 읽기, 변환, 분석을 위한 수정 그리고 이를 탐색/처리하는 것과 관련된 모든 데이터 과학의 핵심 활동을 설명하는 방식으로 데이터 개조 및 전처리 전체 단계에 걸쳐 여러분을 이끌어줄 것이다. 마지막으로 주요한 머신 러닝 알고리즘, 그래프 분석 기술 그리고 데이터 과학 전문가 및 기업 사용자 관객 모두에게 결과물을 더 쉽게 보여줄 수 있도록 하는 시각화 및 배포 도구 모두를 보여줌으로써 개요를 완성할 것이다. |
