데이터 분석에서 머신러닝까지 50가지 핵심 개념 파이썬과 R 코드를 실행해보며, 필요한 만큼만 배운다! 많은 데이터 과학자가 통계 개념을 이해하지 못해 한계에 부딪힌다. 문제가 조금만 복잡해도 어디서부터 어떻게 해결해야 할지 몰라 당황하거나, 출력한 결과를 이해하지 못해 난감해하기 일쑤다. 이 책은 통계 지식에 목마른 현업 데이터 과학자와 인공지능 개발자를 위해 쓰였다. 목표는 다음 두 가지다. ● 첫째, 데이터 과학과 관련된 통계의 핵심 개념을 소화하기 쉽고 따라 하기 쉽게 소개한다. ● 둘째, 데이터 과학의 관점에서 어떤 개념이 정말 중요하고 유용한지, 어떤 개념이 덜 중요한지 구분해 알게 한다. EDA, 표본분포, 유의성 검정, 회귀분석, 분류, 통계적 머신러닝, 비지도 학습 등 오늘날 데이터 분석과 머신러닝 분야에서 널리 사용하는 주제로 구성했고, 데이터 과학자가 꼭 알아야 하는 개념을 50여 가지만 ‘콕’ 집어 정리했다. 자유도, p 값, 상관계수 등 고전 통계에서 중요하게 생각하는 개념 중, 빅데이터를 다루는 데이터 과학자가 세부 사항까지 자세히 알 필요가 없는 것은 그에 맞게 안내한다. 주요 절마다 ‘용어 정리’와 ‘주요 개념’을 정리해 학습 편의를 높이고, 같은 용어라도 통계학, 데이터 과학, 컴퓨터 과학에서 저마다 다르게 쓰는 경우에는 그 차이점을 정리했다. 2판의 가장 큰 특징은 새로 제공하는 파이썬 코드다. 파이썬 코드를 싣기 위해 과학 계산과 데이터 과학 분야에서 30년 이상의 경력을 갖춘 저자가 새로 투입됐다. 파이썬이나 R, 둘 중 하나만 다룰 줄 알아도 책의 내용을 이해하고 코드를 실행해볼 수 있다. 모두 다룰 줄 안다면 두 언어 간의 구현 차이를 비교하는 재미가 쏠쏠할 것이다. 일반인 대상의 통계책은 시시하고 전공 수준의 통계학 교과서는 어려워 엄두가 안 난다면, 이 책을 징검다리 삼아 통계 지식과 통계적 사고력을 키워보길 바란다. 누구든 이 책을 끝까지 잘 마치면, 필요한 이론을 적재적소에 잘 활용하는 실력 있는 데이터 과학자로 거듭날 수 있다. 주요 내용 ● 데이터 과학의 초석인 탐색적 데이터 분석 시작하기 ● 임의표본추출로 편향을 줄이고 고품질 데이터셋을 얻는 방법 ● 실험설계 원칙을 적용해 타당한 결론을 도출하고 명확한 답을 찾는 방법 ● 회귀분석으로 결과를 추정하고 이상을 탐지하는 방법 ● 범주를 예측하고 찾아내는 주요 분류 기법 ● 데이터로 학습하는 통계적 머신러닝 기법 ● 레이블 없는 데이터에서 의미를 추출하는 비지도 학습 기법

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