로그인정보 입력 영역

아이디

비밀번호

• 홈
• 전자책

책소개

파이썬과 R로 필요한 만큼만 배우는 실용주의 통계학

통계 기법은 데이터 과학의 핵심이지만, 데이터 과학자가 고전 통계를 낱낱이 알아야 하는 것은 아니다. 이 책은 데이터 과학의 관점에서 통계 핵심 개념과 기법을 필요한 것만 골라 소개한다. 50가지 개념을 차근차근 정리하고 코드를 실행해보면, 필수 통계 지식을 빠르게 흡수할 수 있다. 2판에는 기존 R 코드와 호응하는 파이썬 코드를 새롭게 추가했다. 이 책으로 필요한 이론을 적재적소에 잘 활용하는 실력 있는 데이터 과학자로 거듭나길 바란다.

저자소개

저자 : 피터 브루스
저자 : 피터 브루스
Peter Bruce
통계 교육기관 Statistics.com 설립자. Statistics.com은 100여 개 통계 강의를 제공하며 그중 3할은 데이터 과학자가 대상이다. 치밀한 마케팅 전략을 수립해 최고 수준의 전문 데이터 과학자들을 강사로 모집해왔다. 이 과정에서 데이터 과학자를 위한 통계라는 주제에 대해 폭넓은 시야와 전문적 식견을 쌓았다.

저자 : 앤드루 브루스
Andrew Bruce
데이터 과학 실무 전문가. 30년 이상 학계, 정부, 기업계에서 통계학과 데이터 과학을 연구했다. 워싱턴 대학교에서 통계학 박사학위를 땄고 학술지에 여러 논문을 발표했다. 저명한 금융회사부터 인터넷 스타트업에 이르기까지 업계에서 발생하는 폭넓은 문제에 대해 통계 기반 솔루션을 개발했고, 데이터 과학의 실무 활용 측면에서 전문가로 인정받고 있다.

저자 : 피터 게데크
Peter Gedeck
데이터 과학자. 과학 계산과 데이터 과학 분야에서 30년 이상의 경험을 가지고 있다. 노바티스(Novartis)에서 계산화학자로 20년 동안 근무했고, 현재 컬래버레이티브 드러그 디스커버리(Collaborative Drug Discovery)에서 선임 데이터 과학자로 근무하며 약물 후보 물질의 생물학적, 물리화학적 특성을 예측하기 위한 머신러닝 알고리즘을 개발하는 일을 전문적으로 한다. 『Data Mining for Business Analytics』(Wiley, 2019)의 공동 저자이다. 프리드리히 알렉산더 대학교에서 화학 박사학위를 받았으며 독일 하겐 통신대학교(Fernuniversit?t in Hagen)에서 수학을 전공했다.

역자 : 이준용
인공지능과 빅데이터 기술에 관심이 많은 연구원. 한국과학기술원(KAIST)에서 전자공학 박사학위를 받고, 일본 ATR IRC 연구소에서 인간-로봇 상호작용 연구에 참여했으며, 미국 아이오와 주립 대학교에서 대사회로 관련 데이터베이스를 구축하는 일을 했다. 현재 미국 퍼시픽 노스웨스트 국립연구소에서 일한다. 다양한 프로그래밍 언어로 데이터 과학 실무 경력을 쌓고 있다. 역서로 『손에 잡히는 R 프로그래밍』(한빛미디어, 2015)과 『파이썬과 대스크를 활용한 고성능 데이터 분석』(한빛미디어, 2020)이 있다.

목차

CHAPTER 1 탐색적 데이터 분석
1.1 정형화된 데이터의 요소
1.2 테이블 데이터
1.3 위치 추정
1.4 변이 추정
1.5 데이터 분포 탐색하기
1.6 이진 데이터와 범주 데이터 탐색하기
1.7 상관관계
1.8 두 개 이상의 변수 탐색하기
1.9 마치며

CHAPTER 2 데이터와 표본분포
2.1 임의표본추출과 표본편향
2.2 선택편향
2.3 통계학에서의 표본분포
2.4 부트스트랩
2.5 신뢰구간
2.6 정규분포
2.7 긴 꼬리 분포
2.8 스튜던트의 t 분포
2.9 이항분포
2.10 카이제곱분포
2.11 F 분포
2.12 푸아송 분포와 그 외 관련 분포들
2.13 마치며

CHAPTER 3 통계적 실험과 유의성검정
3.1 A/B 검정
3.2 가설검정
3.3 재표본추출
3.4 통계적 유의성과 p 값
3.5 t 검정
3.6 다중검정
3.7 자유도
3.8 분산분석
3.9 카이제곱검정
3.10 멀티암드 밴딧 알고리즘
3.11 검정력과 표본크기
3.12 마치며

CHAPTER 4 회귀와 예측
4.1 단순선형회귀
4.2 다중선형회귀
4.3 회귀를 이용한 예측
4.4 회귀에서의 요인변수
4.5 회귀방정식 해석
4.6 회귀진단
4.7 다항회귀와 스플라인 회귀
4.8 마치며

CHAPTER 5 분류
5.1 나이브 베이즈
5.2 판별분석
5.3 로지스틱 회귀
5.4 분류 모델 평가하기
5.5 불균형 데이터 다루기
5.6 마치며

CHAPTER 6 통계적 머신러닝
6.1 k-최근접 이웃
6.2 트리 모델
6.3 배깅과 랜덤 포레스트
6.4 부스팅
6.5 마치며

CHAPTER 7 비지도 학습
7.1 주성분분석
7.2 k-평균 클러스터링
7.3 계층적 클러스터링
7.4 모델 기반 클러스터링
7.5 스케일링과 범주형 변수
7.6 마치며