장바구니 담기 close

장바구니에 상품을 담았습니다.

장바구니로 계속쇼핑하기
데이터 애널리틱스
미리보기

데이터 애널리틱스

  • 이재식
  • |
  • 위키북스
  • |
  • 2020-09-02 출간
  • |
  • 536페이지
  • |
  • 188 X 240 X 25 mm
  • |
  • ISBN 9791158391737
판매가

35,000원

즉시할인가

31,500 원

배송비

무료배송

(제주/도서산간 배송 추가비용:3,000원)

추가상품
상품선택
독서대 7,900원 독서대 선택안함 0원
수량
+ -
총주문금액
31,500원
장바구니 구매하기

※ 스프링제본 상품은 반품/교환/환불이 불가능하므로 신중하게 선택하여 주시기 바랍니다.

북스크린영상으로 만나보는 한 권의 책 이야기

목차


[01부] 기본 개념

▣ 01장: 서론
1. 인공지능, 머신러닝, 딥러닝
2. 데이터 사이언스와 데이터 애널리틱스
3. 데이터 마이닝과 데이터 애널리틱스
4. 이 책의 구성
5. 참고문헌

▣ 02장: 데이터 마이닝
1. 데이터, 정보, 지식
2. 데이터의 속성
____2.1 범주형 속성
____2.2 수치형 속성
____2.3 기타 속성
3. 데이터 마이닝의 탄생
4. 데이터 마이닝의 정의
____4.1 비즈니스 프로세스
____4.2 대량의 데이터
____4.3 의미 있는 패턴과 규칙
5. 데이터 마이닝의 유형
____5.1 가설 검정
____5.2 방향성 데이터 마이닝
____5.3 무방향성 데이터 마이닝
6. 데이터 마이닝의 단계
____6.1 KDD2.0
____6.2 CRISP-DM
____6.3 두 방법론의 비교
7. 참고문헌

▣ 03장: 머신러닝
1. 문제를 푸는 방법
2. 머신러닝의 정의
3. 머신러닝의 유형
____3.1 지도 학습
____3.2 비지도 학습
____3.3 준지도 학습
____3.4 강화 학습
4. 머신러닝의 기법들
____4.1 지도 학습 기법
____4.2 비지도 학습 기법
____4.3 준지도 학습 기법
____4.4 강화 학습 기법
5. 참고문헌

▣ 04장: 모델 구축
1. 모델의 정의
2. 모델의 구축 과정
____2.1 훈련 데이터 집합의 용도
____2.2 과대적합의 발생
____2.3 검증 데이터 집합의 용도
____2.4 테스트 데이터 집합의 용도
____2.5 스코어 데이터 집합의 용도
3. 편향되지 않은 모델의 구축
____3.1 반복적 무작위 서브샘플링 검증 방법
____3.2 K-폴드 교차 검증 방법
____3.3 단일 관측값 제거 교차 검증 방법
____3.4 부트스트랩 방법
4. 모델의 평가
____4.1 회귀 평가 척도
____4.2 분류 평가 척도
5. 편향과 편차 간의 상충 관계
____5.1 훈련 데이터 집합의 평균으로 만든 모델
____5.2 선형 회귀 모델
____5.3 2차 다항 회귀 모델
____5.4 6차 다항 회귀 모델
____5.5 네 개 모델의 비교
6. 과대적합의 방지 또는 제거
____6.1 속성 선정
____6.2 균등화
____6.3 조기 종료
____6.4 드롭아웃과 배치 정규화
____6.5 가지치기
____6.6 앙상블 방법
7. 모델 데이터 집합
____7.1 모델 데이터 집합의 크기와 밀도
____7.2 오버샘플링
____7.3 결측값
8. 모델의 비교 및 선정
____8.1 ROC 곡선의 비교
____8.2 통계적 검정에 의한 비교
9. 앙상블 방법에 의한 모델의 성능 향상
____9.1 앙상블 방법
____9.2 배깅 방법
____9.3 부스팅 방법
10. 참고문헌

[02부] 통계학 기반 기법

▣ 05장: 회귀분석
1. 회귀 분석
2. 단순 회귀 분석
____2.1 베타햇 값 구하기: 최소자승법
____2.2 결정계수 R2
____2.3 단순 회귀 분석의 예제
3. 다중 회귀 분석
____3.1 다중 회귀 분석의 예제
____3.2 단계별 회귀 분석
____3.3 조정된 결정계수
4. 다중 회귀 분석을 이용한 자동차 연비 추정
____4.1 A_Model: 모든 변수를 사용한 모델
____4.2 F_Model: 전방향 선택으로 선택한 변수를 사용한 모델
____4.3 B_Model: 역방향 제거로 선택한 변수를 사용한 모델
____4.4 S_Model: 양방향 선택과 제거로 선택한 변수를 사용한 모델
____4.5 P_Model: Pr(〉|t|)가 유의한 변수를 사용한 모델
____4.6 최종 모델의 선정
5. 참고문헌

▣ 06장: 로지스틱 회귀 분석
1. 로지스틱 회귀 분석
2. 이진형 문제의 선형 회귀 모델
3. 이진형 문제의 로지스틱 회귀 모델
4. 로지스틱 회귀 분석을 이용한 잡지 구독 예측
____4.1 A_loModel: 모든 변수를 사용한 모델
____4.2 S_loModel: 양방향 선택과 제거로 선택한 변수를 사용한 모델
____4.3 P_loModel: Pr(〉|z|)가 유의한 변수를 사용한 모델
____4.4 최종 모델의 선정
5. 참고문헌

▣ 07장: 선형 판별 분석
1. 선형 판별 분석
2. 선형 판별 분석 방법
____2.1 중심과의 거리를 이용하는 방법
____2.2 회귀를 이용하는 방법
____2.3 피셔의 선형 판별 방법
3. 선형 판별 분석을 이용한 대출 결정
4. 참고문헌

▣ 08장: 베이즈 분류기
1. 베이즈 분류기
2. 베이즈 정리
3. 베이즈 분류기의 이해
4. 베이즈 분류기의 예제
____4.1 수치형 변수가 없는 경우: 예제 8.1
____4.2 구매 여부 개수가 0일 경우
____4.3 수치형 변수가 있는 경우: 예제 8.2
5. 베이즈 분류기를 이용한 스팸 메일 판정
6. 참고문헌

[03부] 머신러닝 기반 기법

▣ 09장: 군집 분석
1. 군집 분석
2. 군집의 의미
3. 근접성
____3.1 수치형 속성
____3.2 범주형 속성
____3.3 군집 간의 거리 측정
4. 클러스터링 결과의 평가 척도
5. 클러스터링을 위한 데이터 준비
____5.1 속성값 조정
____5.2 가중치 부여
6. 계층적 클러스터링: 예제 9.1
____6.1 병합적 클러스터링
____6.2 분할적 클러스터링
____6.3 클러스터링 결과의 평가
7. K-평균 클러스터링
____7.1 K-평균 클러스터링의 단계
____7.2 K-평균 클러스터링: 예제 9.2
____7.3 초기 무작위 중심의 선택
____7.4 K값의 설정
8. K-평균 클러스터링을 이용한 피교육자 군집 분석
9. 참고문헌

▣ 10장: 연관 분석
1. 연관 분석
2. 연관 규칙
3. 연관 규칙의 도출 과정
____3.1 아이템의 상세화 수준 결정
____3.2 거래 데이터로부터 아이템집합 생성
____3.3 아이템집합이 판매된 거래 건수와 확률 산출
____3.4 아이템집합 가지치기
____3.5 연관 규칙 생성
____3.6 생성된 연관 규칙 평가
4. 연관 규칙 도출 연습
5. 연관 분석을 이용한 시장바구니 분석
6. 순차 패턴 분석
7. 유용한 순차 패턴의 발견
8. 순차 패턴 분석을 이용한 제품 구매 순서 분석
9. 참고문헌

▣ 11장: 의사결정 트리
1. 의사결정 트리
2. 의사결정 트리의 용도
____2.1 분류
____2.2 점수 부여
____2.3 추산
3. 의사결정 트리의 형태
4. 의사결정 트리의 구축
____4.1 기본 과정
____4.2 분지
____4.3 의사결정 트리의 구축 단계
____4.4 의사결정 트리의 평가
____4.5 의사결정 트리에서 규칙의 추출
5. 최상 분지 속성의 선정
____5.1 분지 속성 선정의 중요성
____5.2 최상 분지 속성의 선정 기준
____5.3 최상 분지 속성의 선정 과정
6. 의사결정 트리 구축 과정의 예제
____6.1 엔트로피 분지 방법
____6.2 지니 분지 방법
7. 의사결정 트리의 가지치기
____7.1 가지치기의 필요성
____7.2 오류 감소 가지치기
8. 의사결정 트리를 이용한 개인 신용 평가
9. 참고문헌

▣ 12장: 랜덤 포레스트
1. 랜덤 트리
2. 랜덤 포레스트
3. 랜덤 포레스트를 이용한 고객 이탈 예측
4. 참고문헌

▣ 13장: 새로운 회귀 분석 기법들
1. 균등화된 회귀 분석
____1.1 균등화
____1.2 균등화된 회귀 분석의 유형
____1.3 엑셀을 사용한 균등화된 회귀 분석
2. 균등화된 회귀 분석을 이용한 자동차 연비 추정
3. 베타햇 값 구하기: 기울기 하강법
4. 기울기 하강법을 이용한 회귀 모델 구축
____4.1 R을 사용한 기울기 하강법
____4.2 텐서플로를 사용한 기울기 하강법
5. 참고문헌

▣ 14장: 서포트 벡터 머신
1. 서포트 벡터 머신
2. 서포트 벡터 머신의 이해
3. 서포트 벡터 머신의 최적화 문제 수식화
4. 엑셀을 사용한 서포트 벡터 머신: 예제 14.1
5. 선형 분리 불가능 문제: 여유 변수의 도입
____5.1 여유 변수를 도입한 SVM의 최적화 문제 수식
____5.2 엑셀을 사용한 SVM: 예제 14.2
____5.3 균등화 파라미터
6. 선형 분리 불가능 문제: 커널 트릭의 사용
____6.1 엑셀을 사용한 SVM: 예제 14.3
____6.2 커널 함수
____6.3 엑셀을 사용한 SVM: 예제 14.4
7. 서포트 벡터 머신을 이용한 유방암 판정
8. 참고문헌

▣ 15장: 인공 신경망
1. 인공 신경망
2. 인공 신경망의 구성
____2.1 처리 요소
____2.2 처리 요소의 입력과 출력
____2.3 처리 요소의 결합과 계층의 결합
____2.4 가중치와 활성 함수
____2.5 학습 기능
3. 역전파 알고리즘
____3.1 전방향 단계
____3.2 역방향 단계
____3.3 역전파 알고리즘의 과정: 예제 15.1
____3.4 가중치 수정의 빈도
4. 활성 함수
5. 비선형 분류
6. XOR 문제를 푸는 인공 신경망: 예제 15.2
7. 범주형 속성의 인코딩
____7.1 N개-중-1개 인코딩
____7.2 N개-중-M개 인코딩
____7.3 온도계 인코딩
8. 인공 신경망을 이용한 심장질환 판정
9. 참고문헌

▣ 16장: 딥러닝
1. 딥러닝의 개요
____1.1 기울기 소실 현상
____1.2 기울기 소실 현상의 극복
____1.3 과대적합의 방지
2. 심층 신경망
____2.1 심층 신경망을 이용한 동물 유형 판정
3. 합성곱 신경망
____3.1 합성곱 계층
____3.2 풀링 계층
____3.3 합성곱 신경망의 차원 계산
____3.4 합성곱 신경망을 이용한 필기체 숫자 판독
4. 순환 신경망
____4.1 순환 신경망 구조의 유형
____4.2 초기 순환 신경망 모델의 단점 극복
____4.3 순환 신경망을 이용한 문장 예측
____4.4 순환 신경망을 이용한 감성 분석
5. 참고문헌

▣ 부록A: R 설치하기
▣ 부록B: R Studio 설치하기
▣ 부록C: Anaconda, R, R Studio, Tensorflow 설치하기
▣ 부록D: R 환경의 Tensorflow 2.0 버전 코드
추천포스트

교환 및 환불안내

도서교환 및 환불
  • ㆍ배송기간은 평일 기준 1~3일 정도 소요됩니다.(스프링 분철은 1일 정도 시간이 더 소요됩니다.)
  • ㆍ상품불량 및 오배송등의 이유로 반품하실 경우, 반품배송비는 무료입니다.
  • ㆍ고객님의 변심에 의한 반품,환불,교환시 택배비는 본인 부담입니다.
  • ㆍ상담원과의 상담없이 교환 및 반품으로 반송된 물품은 책임지지 않습니다.
  • ㆍ이미 발송된 상품의 취소 및 반품, 교환요청시 배송비가 발생할 수 있습니다.
  • ㆍ반품신청시 반송된 상품의 수령후 환불처리됩니다.(카드사 사정에 따라 카드취소는 시일이 3~5일이 소요될 수 있습니다.)
  • ㆍ주문하신 상품의 반품,교환은 상품수령일로 부터 7일이내에 신청하실 수 있습니다.
  • ㆍ상품이 훼손된 경우 반품 및 교환,환불이 불가능합니다.
  • ㆍ반품/교환시 고객님 귀책사유로 인해 수거가 지연될 경우에는 반품이 제한될 수 있습니다.
  • ㆍ스프링제본 상품은 교환 및 환불이 불가능 합니다.
  • ㆍ군부대(사서함) 및 해외배송은 불가능합니다.
  • ㆍ오후 3시 이후 상담원과 통화되지 않은 취소건에 대해서는 고객 반품비용이 발생할 수 있습니다.
반품안내
  • 마이페이지 > 나의상담 > 1 : 1 문의하기 게시판 또는 고객센터 1800-7327
교환/반품주소
  • 경기도 파주시 문발로 211 1층 / (주)북채널 / 전화 : 1800-7327
  • 택배안내 : CJ대한통운(1588-1255)
  • 고객님 변심으로 인한 교환 또는 반품시 왕복 배송비 5,000원을 부담하셔야 하며, 제품 불량 또는 오 배송시에는 전액을 당사에서부담 합니다.