서브메뉴
검색
본문
Powered by NAVER OpenAPI
-
비즈니스 데이터 과학 (비즈니스 의사결정을 위한 통계학, 경제학, 인공지능의 만남)
저자 : 맷 태디
출판사 : 한빛미디어
출판년 : 20220629
ISBN : 9791162245729
책소개
더 나은 의사결정을 위한 필수 통계학, 경제학 개념부터 핵심 머신러닝 알고리즘까지
실무자를 위한 비즈니스 빅데이터 기술
비즈니스 분야에서 자주 언급되는 문제와 관련된 통계학, 경제학 개념 및 빅데이터 기술을 소개합니다. 이 책에는 아마존과 마이크로소프트에서 데이터 과학팀을 이끌고 시카고 대학교에서 계량경제학 및 통계학 교수로 재직하면서 데이터 과학 커리큘럼을 개발한 저자의 경험이 고스란히 담겨있습니다. 통계학, 경제학 개념부터 머신러닝 알고리즘까지 실무자가 알아야 하는 필수적인 내용들을 친절하게 설명하며 이를 R 프로그래밍 언어로 직접 구현하면서 모델링 기법의 목적과 사용법을 더 자세히 이해할 수 있게 돕습니다. 데이터 과학자, 데이터 엔지니어, 인공지능 개발자, 비즈니스 의사결정자 그리고 고급 통계학 지식을 얻고자 하는 사람에게 유용한 책입니다.
실무자를 위한 비즈니스 빅데이터 기술
비즈니스 분야에서 자주 언급되는 문제와 관련된 통계학, 경제학 개념 및 빅데이터 기술을 소개합니다. 이 책에는 아마존과 마이크로소프트에서 데이터 과학팀을 이끌고 시카고 대학교에서 계량경제학 및 통계학 교수로 재직하면서 데이터 과학 커리큘럼을 개발한 저자의 경험이 고스란히 담겨있습니다. 통계학, 경제학 개념부터 머신러닝 알고리즘까지 실무자가 알아야 하는 필수적인 내용들을 친절하게 설명하며 이를 R 프로그래밍 언어로 직접 구현하면서 모델링 기법의 목적과 사용법을 더 자세히 이해할 수 있게 돕습니다. 데이터 과학자, 데이터 엔지니어, 인공지능 개발자, 비즈니스 의사결정자 그리고 고급 통계학 지식을 얻고자 하는 사람에게 유용한 책입니다.
[교보문고에서 제공한 정보입니다.]
출판사 서평
아마존 수석 이코노미스트(부사장)의 노하우와 사례로 가득한 실무 중심의 비즈니스 데이터 과학
오늘날에는 머신러닝과 통계학, 데이터 기반의 사회과학 및 경제학과 같은 분야에서 끊임없는 지적 융합이 일어나고 있으며, 이러한 융합은 데이터 분석의 질을 높여줍니다.이 책은 최선의 데이터 분석 방법을 설명하기 위해 머신러닝과 통계학 그리고 경제학을 융합합니다. 머신러닝과 통계학으로 자동화 및 확장 방법을 배우고, 경제학에서 인과관계 및 구조 모델링을 위한 도구를 가져오며, 이러한 방법들이 비즈니스 의사결정과 어떤 관련이 있는지 설명합니다. ‘무슨’ 일이 일어났는지가 아니라 ‘왜’ 이런 일이 발생했는지에 초점을 맞추어 설명하기 때문에 다양한 모델의 핵심 개념을 쉽게 이해할 수 있습니다. 저자가 학생들을 가르치며 얻은 노하우와 이베이, 마이크로소프트, 아마존에서 경험한 사례를 여러분의 실무에 적용해보세요!
주요 내용
● 비즈니스 의사결정에 필요한 통계학, 경제학 이론과 머신러닝 알고리즘
● 텍스트 분석, 가격 결정 및 수요 추정, A/B 실험, 고객 행동 분석의 사례
● 머신러닝 도구를 사용하여 비즈니스 의사결정을 내리는 방법
● 인공지능으로 비즈니스 문제를 해결하는 방법
오늘날에는 머신러닝과 통계학, 데이터 기반의 사회과학 및 경제학과 같은 분야에서 끊임없는 지적 융합이 일어나고 있으며, 이러한 융합은 데이터 분석의 질을 높여줍니다.이 책은 최선의 데이터 분석 방법을 설명하기 위해 머신러닝과 통계학 그리고 경제학을 융합합니다. 머신러닝과 통계학으로 자동화 및 확장 방법을 배우고, 경제학에서 인과관계 및 구조 모델링을 위한 도구를 가져오며, 이러한 방법들이 비즈니스 의사결정과 어떤 관련이 있는지 설명합니다. ‘무슨’ 일이 일어났는지가 아니라 ‘왜’ 이런 일이 발생했는지에 초점을 맞추어 설명하기 때문에 다양한 모델의 핵심 개념을 쉽게 이해할 수 있습니다. 저자가 학생들을 가르치며 얻은 노하우와 이베이, 마이크로소프트, 아마존에서 경험한 사례를 여러분의 실무에 적용해보세요!
주요 내용
● 비즈니스 의사결정에 필요한 통계학, 경제학 이론과 머신러닝 알고리즘
● 텍스트 분석, 가격 결정 및 수요 추정, A/B 실험, 고객 행동 분석의 사례
● 머신러닝 도구를 사용하여 비즈니스 의사결정을 내리는 방법
● 인공지능으로 비즈니스 문제를 해결하는 방법
[교보문고에서 제공한 정보입니다.]
목차정보
CHAPTER 0 들어가며
두 도표에 대한 이야기
빅데이터와 머신러닝
계산
CHAPTER 1 불확실성
1.1 빈도주의 관점에서의 불확실성과 부트스트랩
_알고리즘 1 | 비모수 부트스트랩
_심화학습 | 편향된 추정량과 부트스트랩 사용
_알고리즘 2 | 신뢰구간을 위한 비모수 부트스트랩
1.2 가설 검정과 거짓 발견 비율 조절
_알고리즘 3 | BH FDR 제어
_심화학습 | BH 알고리즘이 작동하는 이유
1.3 베이지안 추론
CHAPTER 2 회귀
2.1 선형 모델
2.2 로지스틱 회귀
2.3 편차와 가능도
2.4 회귀 불확실성
2.5 공간과 시간
CHAPTER 3 정규화
3.1 표본 외 성능
_알고리즘 4 | K-폴드 표본 외 검증
3.2 정규화 경로
_알고리즘 5 | 전진 단계별 회귀
_알고리즘 6 | lasso 정규화 경로
3.3 모델 선택
_알고리즘 7 | K-폴드 CV
_알고리즘 8 | K-폴드 CV lasso
3.4 lasso에 대한 불확실성 정량화
_알고리즘 9 | lasso 신뢰구간을 위한 모수적 부트스트랩
_알고리즘 10 | √n 학습에서 서브샘플링 CI
CHAPTER 4 분류
4.1 최근접 이웃
_알고리즘 11 | K 최근접 이웃
4.2 확률, 비용, 분류
_알고리즘 12 | 맵리듀스 프레임워크
4.3 다항 로지스틱 회귀
4.4 분산 다항 회귀
4.5 분산과 빅데이터
CHAPTER 5 실험
5.1 무작위 대조 시험
5.2 유사 실험 설계
5.3 도구 변수
_알고리즘 13 | 2SLS
CHAPTER 6 제어
6.1 조건부 무시가능성과 선형 처리 효과
6.2 고차원 교란 조정
_알고리즘 14 | LTE lasso 회귀
6.3 표본 분할과 직교 머신러닝
_알고리즘 15 | LTE를 위한 직교 머신러닝
6.4 이종 처리 효과
6.5 합성 제어
_알고리즘 15 | 합성 제어
CHAPTER 7 인수분해
7.1 클러스터링
_알고리즘 17 | K-평균
7.2 요인 모델과 PCA
_알고리즘 18 | 주성분 분석
7.3 주성분 회귀
_알고리즘 19 | 주성분 (lasso) 회귀
7.4 부분 최소제곱법
_알고리즘 20 | 주변 회귀
_알고리즘 21 | 부분 최소제곱법(PLS)
CHAPTER 8 데이터로서의 테스트
8.1 토큰화
8.2 텍스트 회귀
8.3 토픽 모델
_알고리즘 22 | 희소 데이터를 위한 PCA
8.4 다항 역회귀
8.5 협업 필터링
8.6 워드 임베딩
CHAPTER 9 비모수
9.1 의사결정트리
_알고리즘 23 | CART 알고리즘
9.2 랜덤 포레스트
_알고리즘 24 | 랜덤 포레스트(RF)
_알고리즘 25 | 경험적 베이지안 포레스트(EBF)
9.3 인과 트리
_알고리즘 26 | 인과 트리(CT)
9.4 반모수와 가우스 프로세스
CHAPTER 10 인공지능
10.1 인공지능이란 무엇인가?
10.2 범용 머신러닝
10.3 딥러닝
10.4 확률적 경사하강법
10.5 강화 학습
10.6 상황에 따른 인공지능
두 도표에 대한 이야기
빅데이터와 머신러닝
계산
CHAPTER 1 불확실성
1.1 빈도주의 관점에서의 불확실성과 부트스트랩
_알고리즘 1 | 비모수 부트스트랩
_심화학습 | 편향된 추정량과 부트스트랩 사용
_알고리즘 2 | 신뢰구간을 위한 비모수 부트스트랩
1.2 가설 검정과 거짓 발견 비율 조절
_알고리즘 3 | BH FDR 제어
_심화학습 | BH 알고리즘이 작동하는 이유
1.3 베이지안 추론
CHAPTER 2 회귀
2.1 선형 모델
2.2 로지스틱 회귀
2.3 편차와 가능도
2.4 회귀 불확실성
2.5 공간과 시간
CHAPTER 3 정규화
3.1 표본 외 성능
_알고리즘 4 | K-폴드 표본 외 검증
3.2 정규화 경로
_알고리즘 5 | 전진 단계별 회귀
_알고리즘 6 | lasso 정규화 경로
3.3 모델 선택
_알고리즘 7 | K-폴드 CV
_알고리즘 8 | K-폴드 CV lasso
3.4 lasso에 대한 불확실성 정량화
_알고리즘 9 | lasso 신뢰구간을 위한 모수적 부트스트랩
_알고리즘 10 | √n 학습에서 서브샘플링 CI
CHAPTER 4 분류
4.1 최근접 이웃
_알고리즘 11 | K 최근접 이웃
4.2 확률, 비용, 분류
_알고리즘 12 | 맵리듀스 프레임워크
4.3 다항 로지스틱 회귀
4.4 분산 다항 회귀
4.5 분산과 빅데이터
CHAPTER 5 실험
5.1 무작위 대조 시험
5.2 유사 실험 설계
5.3 도구 변수
_알고리즘 13 | 2SLS
CHAPTER 6 제어
6.1 조건부 무시가능성과 선형 처리 효과
6.2 고차원 교란 조정
_알고리즘 14 | LTE lasso 회귀
6.3 표본 분할과 직교 머신러닝
_알고리즘 15 | LTE를 위한 직교 머신러닝
6.4 이종 처리 효과
6.5 합성 제어
_알고리즘 15 | 합성 제어
CHAPTER 7 인수분해
7.1 클러스터링
_알고리즘 17 | K-평균
7.2 요인 모델과 PCA
_알고리즘 18 | 주성분 분석
7.3 주성분 회귀
_알고리즘 19 | 주성분 (lasso) 회귀
7.4 부분 최소제곱법
_알고리즘 20 | 주변 회귀
_알고리즘 21 | 부분 최소제곱법(PLS)
CHAPTER 8 데이터로서의 테스트
8.1 토큰화
8.2 텍스트 회귀
8.3 토픽 모델
_알고리즘 22 | 희소 데이터를 위한 PCA
8.4 다항 역회귀
8.5 협업 필터링
8.6 워드 임베딩
CHAPTER 9 비모수
9.1 의사결정트리
_알고리즘 23 | CART 알고리즘
9.2 랜덤 포레스트
_알고리즘 24 | 랜덤 포레스트(RF)
_알고리즘 25 | 경험적 베이지안 포레스트(EBF)
9.3 인과 트리
_알고리즘 26 | 인과 트리(CT)
9.4 반모수와 가우스 프로세스
CHAPTER 10 인공지능
10.1 인공지능이란 무엇인가?
10.2 범용 머신러닝
10.3 딥러닝
10.4 확률적 경사하강법
10.5 강화 학습
10.6 상황에 따른 인공지능
[교보문고에서 제공한 정보입니다.]