소득공제
분철
- 베스트
- OS/데이터베이스 top100 9주
이미 소장하고 있다면 판매해 보세요.
- 국내배송만 가능
- 분철옵션 선택 시, 배송일이 변경될 수 있습니다.
- 분철상품은 해외배송이 불가합니다.
- 문화비소득공제 가능
이 분야의 이벤트
에이콘 데이터 과학 시리즈
이 상품의 태그
책소개
목차
|
1장. 데이터에 기반을 둔 의사 결정
__많은 유사한 의사 결정 __데이터 엔지니어의 역할 __클라우드는 데이터 엔지니어를 능력자로 만든다. __클라우드는 데이터 과학을 급속도로 변화시킨다 __사례 연구로 확고한 사실을 얻을 수 있다 __확률론적 결정 __데이터와 도구 ____코드로 시작 __요약 2장. 클라우드에 데이터 입수 __항공사 정시 도착 데이터 ____알 수 있어야 함 ____학습-제공 간 왜곡 ____다운로드 절차 ____데이터셋 속성 __데이터를 한곳에 저장하지 않는 이유 ____수직 확장 ____수평 확장 ____콜로수스와 주피터에 함께하는 데이터 __데이터 입수 ____웹 양식 리버스 엔지니어링 ____데이터셋 다운로드 ____탐색 및 정리 ____구글 클라우드 스토리지에 데이터 업로드 __월주기로 다운로드 스케줄링 ____파이썬으로 입수 ____플라스크 웹 애플리케이션 ____앱 앤진 실행 ____URL 보호 ____크론 작업 스케줄링 __요약 __코드 휴게소 3장. 혁신적인 대시보드 생성 __대시보드로 모델 설명 __대시보드를 먼저 만들어야 하는 이유 __정확성, 정직성 및 좋은 설계 __구글 클라우드 SQL에 데이터 탑재 __구글 클라우드 SQL 인스턴스 생성 __구글 클라우드 플랫폼과의 상호작용 __MySQL에 대한 접근 제어 __테이블 생성 __테이블 채우기 __첫 번째 모델 작성 ____분할표 ____임계값 최적화 ____머신 러닝 __대시보드 작성 __데이터 스튜디오로 시작 ____다이어그램 생성 ____최종 사용자 제어 기능 추가 ____파이 다이어그램으로 비율 표시 ____분할표 설명 __요약 4장. 스트리밍 데이터: 송신 및 입수 __이벤트 피드 설계 __시간 보정 __아파치 빔/클라우드 데이터플로우 ____공항 데이터 파싱 ____시간대 정보 추가 ____시간을 UTC로 변환 ____시간 보정 ____이벤트 생성 ____클라우드에서 파이프라인 실행 __이벤트 스트림을 클라우드 pub/sub에 전송 ____전송할 기록 얻기 ____기록에 대한 분할 ____이벤트 일괄처리 구축 ____이벤트 일괄처리 전송 __실시간 스트리밍 처리 ____자바 데이터플로우 기반 스트리밍 ____스트리밍 처리 실행 ____빅쿼리로 스트리밍 데이터 분석 ____실시간 대시보드 __요약 5장. 대화형 데이터 탐색 __탐색적 데이터 분석 __빅쿼리에 항공 운항 데이터 탑재 ____서비리스 칼럼 기반 데이터베이스의 이점 ____클라우드 스토리지에 준비 ____접근 제어 ____연합 쿼리 ____csv 파일 입수 __클라우드 데이터랩을 이용한 탐색적 데이터 분석 ____주피터 노트북 ____클라우드 데이터랩 ____클라우드 데이터랩에 패키지 설치 ____구글 클라우드 플랫폼의 주피터 매직 __품질 제어 ____이상한 값 ____이상치 제거: 빅데이터는 다르다 ____발생 빈도에 대한 데이터 필터링 __출발 지연 시 도착 지연 조건 ____확률적 결정 임계값 적용 ____경험 확률 분포 함수 ____정답은... __모델 평가 ____무작위로 뒤섞기 ____날짜로 분할 ____학습과 테스트 __요약 6장. 클라우드 데이터프록상의 베이즈 분류 __맵리듀스와 하둡 생태계 ____맵리듀스 동작 방식 ____아파치 하둡 ____구글 클라우드 데이터프록 ____고급 도구 필요 ____클러스터가 없는 작업 ____초기화 작업 __스파크 SQL을 이용한 양자화 ____클라우드 데이터프록상의 구글 클라우드 데이터랩 ____빅쿼리를 이용한 개별성 검사 ____구글 클라우드 데이터랩의 스파크 SQL ____히스토그램 균일화 ____동적으로 클러스터 크기 조절 __피그를 이용한 베이즈 분류법 ____클라우드 데이터프록상에서 피그 작업 실행 ____훈련일자로 제한 ____의사 결정 기준 ____베이지안 모델 평가 __요약 7장. 머신 러닝: 스파크에서 로지스틱 회귀 분석 __로지스틱 회귀 분석 ____스파크 ML 라이브러리 ____스파크 머신 러닝으로 시작 ____스파크 로지스틱 회귀 분석 ____학습 데이터셋 생성 ____코너 케이스 다루기 ____학습 예제 생성 ____학습 ____모델을 사용해 예측 ____모델 평가 __피처 엔지니어링 ____실험 프레임워크 ____보류 데이터셋 생성 ____피처 선택 ____피처 크기 조정과 클리핑 ____피처 변환 ____범주형 변수 ____확장 가능, 반복 가능, 실시간 __요약 8장. 시간-윈도우 집계 피처 __시간 평균의 필요성 __자바상의 데이터플로우 ____개발 환경 구성 ____빔으로 필터링 ____파이프라인 옵션 및 문자열 I/O ____클라우드에서 실행 ____객체로 파싱 __시간 평균 계산 ____그룹화 및 조합 ____측면 입력으로 병렬 처리 ____디버깅 ____BigQueryIO ____항공편 객체 변형 ____일괄 모드로 슬라이딩 윈도우 계산 ____클라우드에서 실행 __모니터링, 트러블 슈팅, 성능 튜닝 ____파이프라인 트러블 슈팅 ____측면 입력 제한 사항 ____파이프라인 재설계 ____중복 제거 __요약 9장. 텐서플로를 이용한 머신 러닝 분류기 __좀 더 복잡한 모델을 향해 __텐서플로에서 데이터 읽기 __Experiment 구성 ____선형 분류기 ____학습 및 평가 입력 함수 ____서빙 입력 함수 ____Experiment 작성 ____학습 실행 수행 ____클라우드에서의 분산 학습 __ML 모델 개선 ____심층 신경망 모델 ____임베딩 ____와이드앤딥 모델 ____하이퍼파라미터 튜닝 __모델 배포 ____모델로 예측 ____모델 설명 __요약 10장. 실시간 머신 러닝 __예측 서비스 호출 ____요청 및 응답에 대한 자바 클래스 ____요청 전송과 응답 파싱 ____예측 서비스 클라이언트 __항공편 정보에 예측 추가 ____일괄처리 입력 및 출력 ____데이터 처리 파이프라인 ____비효율성 식별 ____일괄처리 요청 __스트리밍 파이프라인 ____PCollection 평탄화 ____스트리밍 파이프라인 실행 ____지연되고 비순차적인 기록 ____워터마크와 트리거 __트랜잭션, 처리량, 대기 시간 ____가능한 스트리밍 싱크 ____클라우드 빅테이블 ____테이블 설계 ____행의 키 설계 ____클라우드 빅테이블로 스트리밍 ____클라우드 빅테이블에서 쿼리 __모델 성능 평가 ____지속적인 학습의 필요성 ____파이프라인 평가 ____성능 평가 ____한계 분포 ____모델 동작 확인 ____동작 변화 식별 __요약 __책 요약 부록 A. 머신 러닝 데이터셋 내에서 민감한 데이터의 고려 |
저자 소개 2
Valliappa Lakshmanan
구글 클라우드의 데이터와 머신 러닝 전문 서비스에 대한 기술 책임자다. 머신 러닝을 민주화해서 어느 곳에서 어느 사용자가 사용하든 하드웨어를 많이 갖고 있지 않아도, 통계나 프로그래밍을 깊이 있게 알지 못해도 구글의 놀라운 인프라를 사용할 수 있게 돕는다. 구글에서 근무하기 전에는 클라이미트 코퍼레이션(Climate Corporation)에서 데이터 과학자 팀을 이끌었고, NOAA 국립 폭풍 연구소의 연구 과학자로 혹독한 날씨의 진단 및 예측을 위한 머신 러닝 애플리케이션을 운영했다.
빅쿼리를 비롯한 구글 클라우드 데이터 분석 및 머신러닝 제품을 사용한 비즈니스 문제에 대한
구글 클라우드의 데이터와 머신 러닝 전문 서비스에 대한 기술 책임자다. 머신 러닝을 민주화해서 어느 곳에서 어느 사용자가 사용하든 하드웨어를 많이 갖고 있지 않아도, 통계나 프로그래밍을 깊이 있게 알지 못해도 구글의 놀라운 인프라를 사용할 수 있게 돕는다. 구글에서 근무하기 전에는 클라이미트 코퍼레이션(Climate Corporation)에서 데이터 과학자 팀을 이끌었고, NOAA 국립 폭풍 연구소의 연구 과학자로 혹독한 날씨의 진단 및 예측을 위한 머신 러닝 애플리케이션을 운영했다.
빅쿼리를 비롯한 구글 클라우드 데이터 분석 및 머신러닝 제품을 사용한 비즈니스 문제에 대한 소프트웨어 솔루션을 구축하는 팀을 이끌고 있다. 『구글 클라우드 플랫폼상의 데이터 과학』(에이콘출판, 2019)을 집필했다.
빅쿼리를 비롯한 구글 클라우드 데이터 분석 및 머신러닝 제품을 사용한 비즈니스 문제에 대한 소프트웨어 솔루션을 구축하는 팀을 이끌고 있다. 『구글 클라우드 플랫폼상의 데이터 과학』(에이콘출판, 2019)을 집필했다.
발리아파 락쉬마난의 다른 상품
서울대학교를 졸업하고 숭실대학원에서 소프트웨어 공학을 전공했다. Open API 플랫폼, IPTV 콘텐츠 관리 플랫폼, UCC 콘텐츠 서비스 플랫폼을 설계, 구축, 운영했으며 IPTV 플랫폼에 대한 진단과 개선 관련 컨설팅을 진행했다. 넥슨 코리아에 입사해 AWS 기반의 게임 서비스 플랫폼을 설계 구축했고, 클라우드 포메이션, 테라폼, 앤서블, 깃을 활용해 AWS 관리형 쿠버네티스 플랫폼인 EKS에 데브옵스화 된 게임 서비스 인프라 구축을 진행했다. 회사 내에 데브옵스 문화를 전파하는 역할을 하고 있으며 빅데이터 플랫폼 운영을 총괄하고 있다. 대학원에서 머신러닝 활용 장애 탐지
서울대학교를 졸업하고 숭실대학원에서 소프트웨어 공학을 전공했다. Open API 플랫폼, IPTV 콘텐츠 관리 플랫폼, UCC 콘텐츠 서비스 플랫폼을 설계, 구축, 운영했으며 IPTV 플랫폼에 대한 진단과 개선 관련 컨설팅을 진행했다. 넥슨 코리아에 입사해 AWS 기반의 게임 서비스 플랫폼을 설계 구축했고, 클라우드 포메이션, 테라폼, 앤서블, 깃을 활용해 AWS 관리형 쿠버네티스 플랫폼인 EKS에 데브옵스화 된 게임 서비스 인프라 구축을 진행했다. 회사 내에 데브옵스 문화를 전파하는 역할을 하고 있으며 빅데이터 플랫폼 운영을 총괄하고 있다. 대학원에서 머신러닝 활용 장애 탐지 관련 논문으로 학위를 취득했으며 관련 연구를 지속하고 있다.
이준호의 다른 상품
관련 분류
품목정보
- 발행일
- 2019년 11월 29일
- 쪽수, 무게, 크기
- 576쪽 | 188*235*27mm
- ISBN13
- 9791161753737
출판사 리뷰
|
추천의 글
“락(Lak)은 현대 데이터 과학자의 기술과 도구, 기법을 명확하게 알려줌과 동시에 실용적이고 유용한 가이드를 제시한다. 데이터 분석 분야를 시작할 때 이보다 더 좋은 방법을 생각할 수 없을 것이다. 구글이 제공해야 하는 지침을 쉽게 선보이며, 이 책을 보지 않을 때에 비해 데이터에서 10배 이상의 가치와 통찰력을 얻을 수 있을 것으로 생각한다. ” - 마일즈 워드(Miles Ward)/ 구글 클라우드, 솔루션 디렉터 이 책에서 다루는 내용 ■ 앱 엔진 애플리케이션을 이용한 자동화되고 스케줄된 데이터 입수 ■ 구글 데이터 스튜디오에서의 대시보드 생성과 구성 ■ 스트리밍 분석을 수행하기 위한 실시간 분석 파이프라인 구축 ■ 구글 빅쿼리를 이용한 대화형 데이터 탐색 수행 ■ 클라우드 데이터프록 클러스터상에서 베이지안 모델 생성 ■ 스파크를 이용한 로지스틱 회기 머신 러닝 모델 구축 ■ 클라우드 데이터프록 파이프라인으로 시간-집계 피처 계산 ■ 텐서플로를 이용한 고성능 예측 모델 생성 ■ 배치 및 실시간 파이프라인으로부터 일반인이 접근할 수 있도록 마이크로서비스 모델 배포와 사용 이 책의 대상 독자 데이터 분석을 하는 독자 모두에게 적합한 책이다. 여러분은 시스템 프로그래머, 데이터 과학자, 데이터 엔지니어, 데이터베이스 관리자 또는 데이터 분석가일 것이다. 오늘날은 역할이 더 세분화될 수도 있지만(데이터 분석만 하든지, 모델 작성만 하든지, 데브옵스만 수행할 것이다), 업무 영역을 조금 늘리고 싶을 것이다. 데이터 과학 모델의 작성법뿐 아니라 상용 시스템에 대규모로 데이터 과학 모델을 구현하는 방법도 배우고 싶을 것이다. 지은이의 말 나는 구글에서 다양한 산업 분야에서 데이터 과학자와 데이터 엔지니어와 함께 일하면서 그들이 데이터 처리 및 분석 방법을 퍼블릭 클라우드로 이전하도록 돕고 있다. 그들 중에는 온프레미스에서 하던 것과 동일한 작업을 컴퓨팅 자원을 임대해서 동일한 방식으로 시도하는 이도 있다. 그러나 비전을 가진 사용자는 그들의 시스템을 다시 고민하고, 데이터로 일하는 방식을 변화시킴으로써 혁신을 더 빠르게 실현하고 있다. 2011년 초반, [하버드 비즈니스 리뷰]의 기사에 따르면 전에는 가능하지 않았던 방식으로 그룹과 커뮤니티가 협력할 수 있기 때문에 일부 클라우드 컴퓨팅이 대성공할 수 있었다고 한다. 이제는 이와 같은 성공 사례를 훨씬 더 많이 볼 수 있다. 2017년의 MIT 조사에 따르면 클라우드로 전환한 이유에 대해 전보다 많은 응답자가 비용 절감(34%)보다는 민첩성의 증가(45%)라고 답변했다. 이 책에서는 데이터 과학을 수행할 때 좀 더 혁신적이고, 협력적인 방법을 살펴본다. 또한 엔드 투 엔드 파이프라인을 구현하는 방법을 알아본다. 서버리스 방식으로 데이터를 입수하는 것에서 시작해 데이터 탐색, 대시보드, 관계형 데이터베이스 및 데이터 스트리밍으로 머신 러닝 모델을 학습시켜 운영하는 것에 이르는 모든 방법을 연구할 것이다. 데이터 기반 서비스의 모든 측면을 다룰 것이다. 데이터 엔지니어는 서비스를 설계하고, 통계적 및 머신 러닝 모델을 개발하고, 대규모 상용 및 실시간 구현에 참여해야 하기 때문이다. 옮긴이의 말 처음 이 책을 접했을 때는 참 어려웠다. 데이터 과학과 머신 러닝을 막연하게 이해하고 있는 수준에 머물러 있어서 번역하는 데 1년 이상 소요됐다. 1년 내내 이 책의 내용을 이해하고자 소스를 배포하고 애플리케이션을 실행하고 결과를 확인하는 작업을 쉬지 않고 진행했다. 그 덕분에 적어도 머신 러닝, 딥러닝의 기초 지식은 어느 정도 이해하는 수준이 됐다. 게다가 구글 클라우드라는 특별한 클라우드 플랫폼 덕분에 하둡 같은 빅데이터 시스템을 별도로 구축하지 않고도 이 책에 나오는 모든 소스를 실행해보고 결과를 쉽게 확인할 수 있었고, 좀 더 빠르게 머신 러닝의 실체에 다가갈 수 있었다. 이제는 이해의 수준을 넘어서 사내에 구축돼 있는 빅데이터를 기반으로 본격적인 머신 러닝/딥러닝을 시도하려고 준비 중이다. 그것도 구글 클라우드 플랫폼에서 추진할 예정이다. 하둡 클러스터 등을 구축할 필요도 없고 데이터를 샤딩 처리하는 등의 수고도 필요 없기 때문이다. 게다가 타사 클라우드 대비 비용이 저렴하기까지 하다. 이 책을 접하기 전에 유튜브나 다른 책을 통해 머신 러닝/딥러닝의 기초적인 사항은 파악하길 바란다. 기초 지식 없이 내용을 접하면 정말 어려울 것이기 때문이다. 최근에 이 책의 주제로 사내에서 세미나를 진행했다. 물론 다수의 청중이 머신 러닝/딥러닝에 이해도가 거의 없는 상태였다. 머신 러닝/딥러닝이 워낙 뜨거운 주제인 관계로 관심은 많았지만 내용을 이해하는 사람은 전체의 5%도 안됐다. 주로 나온 반응은 “신기하다”, “무슨 얘기인지 하나도 모르겠다”, “머신 러닝 절차는 왜 이런 식인지 잘 모르겠다” 등이었다. 따라서 이 책을 읽기 전에 머신 러닝의 기초가 없다면 꼭 사전 공부를 하기를 간곡히 당부 드린다. 끝으로 이제 머신 러닝/딥러닝은 데이터 과학자만 할 수 있는 특화된 분야가 아니라고 생각한다. 적어도 데이터에 대한 통찰력이 있다면 누구나 할 수 있는 분야다. 또한 머신 러닝을 쉽게 실행할 수 있는 클라우드 플랫폼이 계속 나오고 있어서 누구든지 배우고자 한다면 어렵지 않게 실행을 해볼 수 있는 환경이 됐다. 여러분을 이 경이롭고 흥미로운 세계로 초청한다. 꼭 동참해 소기의 성과를 이루기 바란다. |
