±¹³»µµ¼
Àü°øµµ¼/´ëÇб³Àç
°øÇаè¿
ÄÄÇ»ÅÍ°øÇÐ
2013³â 9¿ù 9ÀÏ ÀÌÈÄ ´©Àû¼öÄ¡ÀÔ´Ï´Ù.
Á¤°¡ |
25,000¿ø |
---|
25,000¿ø
750P (3%Àû¸³)
ÇÒÀÎÇýÅÃ | |
---|---|
Àû¸³ÇýÅà |
|
|
|
Ãß°¡ÇýÅÃ |
|
À̺¥Æ®/±âȹÀü
¿¬°üµµ¼
»óÇ°±Ç
ÀÌ»óÇ°ÀÇ ºÐ·ù
Ã¥¼Ò°³
ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ÅäÇÈÀº ÃÑ 20°³·Î ¸ÞŸ ºÐ¼®¿¡¼ R Ä÷¯ ü°è±îÁö ´Ù¾çÇÏ´Ù. R¿¡¼ µ¥ÀÌÅͼ¼Æ®¸¦ ´Ù·ç´Â µ¥ ÀÖ¾î È¿°úÀûÀÎ ¸î °³ÀÇ ÆÑÅ°Áö¸¦ ºÎ·Ï¿¡ ¼Ò°³ÇÏ¿´´Ù. À̵鿡´Â ¾î¶² ¼ø¼µµ ¾øÀ¸¹Ç·Î ½Ã°£ ÀÖÀ» ¶§ ¿©±âÀú±â¸¦ µÚÀûÀ̰ųª ÇÊ¿ä¿¡ µû¶ó Áï½Ã ÀÍÈú ¼ö Àֱ⸦ ±â´ëÇÑ´Ù.
ÃâÆÇ»ç ¼Æò
"RÀÇ ÁÁÀº Á¡Àº Àß ¾Ë·ÁÁ® ÀÖ´Ù. RÀÌ ¿ÀǼҽºÀÌ°í ÃֽŠ±â¹ýÀÌ °ÅÀÇ ºüÁü¾øÀÌ ±¸ÇöµÇ¾î ÀÖ´Ù´Â °ÍÀÌ´Ù. ¶ÇÇÑ ¾àÁ¡µµ Àß ¾Ë·ÁÁ® ÀÖ´Ù. ÄÚµùÀ» ÇØ¾ß ÇÑ´Ù´Â ºÎ´ãÀÌ ÀÖ´Â °ÍÀÌ´Ù. ±×·±µ¥ R¿¡´Â ¿À·£ ÀüÅëÀÇ SPSS³ª SAS¿¡ ºñÇϸé 1°³ÀÇ ±¸¸ÛÀÌ ÀÖ´Ù. Ãʺ¸Àû ÀÔ¹®¼¸¦ Á¦¿ÜÇÏ°í´Â Áß±Þ ÀÌ»óÀÇ R ÆÑÅ°Áö¿Í ±× ±â´É¿¡ ´ëÇÑ ¹®¼È°¡ ºÎÁ·ÇÏ¿© ÇнÀÀÌ ½±Áö ¾Ê´Ù´Â Á¡ÀÌ´Ù. ÀÌ Ã¥ÀÇ ¸ñÇ¥´Â Áß»ó±Þ ¼öÁØÀÇ Åë°èÀû ¹æ¹ý·Ð°ú R ÆÑÅ°Áö¸¦ ½±°Ô ¼³¸íÇÏ´Â µ¥ ÀÖ´Ù.
Çö´ë »çȸ´Â Åë°èÀü¹®°¡¿¡°Ô ´õ ¸¹Àº Á¾·ùÀÇ ±â¹ýÀ» ´Ù·çµµ·Ï ¿ä±¸ÇÑ´Ù. °ú°Å¿¡´Â t-°ËÁ¤°ú ȸ±ÍºÐ¼®ºÐ»êºÐ¼®À¸·Îµµ »ó´çÈ÷ ÅëÇÏ¿´À¸³ª ÀÌÁ¦´Â ±â´ë¼öÁØÀÌ ³ô¾ÆÁø °ÍÀÌ´Ù. ÀÌ·± ¸Æ¶ô¿¡¼ ÀÀ¿ëÅë°èÀü¹®°¡(applied statistician)À» À§ÇÑ Ã¥À» °í¾ÈÇÏ°Ô µÇ¾ú´Ù. ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ÅäÇÈÀº ÃÑ 20°³·Î ¸ÞŸ ºÐ¼®¿¡¼ R Ä÷¯ ü°è±îÁö ´Ù¾çÇÏ´Ù. R¿¡¼ µ¥ÀÌÅͼ¼Æ®¸¦ ´Ù·ç´Â µ¥ ÀÖ¾î È¿°úÀûÀÎ ¸î °³ÀÇ ÆÑÅ°Áö¸¦ ºÎ·Ï¿¡ ¼Ò°³ÇÏ¿´´Ù. À̵鿡´Â ¾î¶² ¼ø¼µµ ¾øÀ¸¹Ç·Î ½Ã°£ ÀÖÀ» ¶§ ¿©±âÀú±â¸¦ µÚÀûÀ̰ųª ÇÊ¿ä¿¡ µû¶ó Áï½Ã ÀÍÈú ¼ö Àֱ⸦ ±â´ëÇÑ´Ù.
½Ç½ÀÆÄÀÏÀÌ ÃâÆÇ»ç ȨÆäÀÌÁö(http://www.freeaca.com)ÀÇ ÀÚ·á½Ç¿¡ ÀÖÀ¸¹Ç·Î, º¸±â·Î Á¦½ÃµÈ R ½ºÅ©¸³Æ®¸¦ ÇÊ¿ä¿¡ µû¶ó ¾à°£¸¸ º¯ÇüÇϸé ÄÚµù ÀÛ¾÷µµ º° °ÍÀÌ ¾Æ´Ò °ÍÀÌ´Ù. ¾î´À Á¤µµ ¹æ¹ý·Ð Çϳª°¡ ÀÌÇØ°¡ µÇ¸é ÇØ´ç R ÆÑÅ°ÁöÀÇ ¸Å´º¾ó°ú °ü·Ã vignette (ªÀº ¼³¸í¹®¼)¸¦ À¥¿¡¼ ã¾Æ Á¤µ¶Çϸé È®½ÇÇÑ ÇнÀÀÌ µÉ °ÍÀÌ´Ù."
¸ñÂ÷
"1Àå. ¸ÞŸºÐ¼® meta analysis
1. ºñÀ²ÀÇ ºñ±³
2. Ãâ°£ ÆíÇâ
3. Æò±ÕÀÇ ºñ±³
4. ¡°meta¡±ÀÇ ´Ù¸¥ ±â´É
2Àå. ÀáÀç Ãþ ºÐ¼® latent class analysis
1. ¹üÁÖÇü ÀÀ´ä°ú ÀÌ¿¡ ´ëÇÑ Åë°èÀû ¸ðÇü
2. values »ç·Ê¿Í ¸ðÇü ¼±ÅÃ
3. ÀáÀç Ãþ ȸ±Í ¸ðÇü
4. ÀÀ¿ë: ÀáÀç Ãþ¿¡ ´ëÇÑ ·ÎÁö½ºÆ½ ȸ±Í
5. ±× ¹ÛÀÇ È¥ÇÕºÐÆ÷ ¸ðÇü
3Àå. ¼ºÇâÁ¡¼ö ¸ÂÃß±â propensity score matching
1. ¹èÈÄ¿äÀÎÀÇ ¼öÁØ Â÷ÀÌ
2. ¼ºÇâÁ¡¼ö ¸ðÇü
3. ÃÖ±ÙÁ¢ ÀÌ¿ô ¸ÂÃß±â
4. ºÎ±¸°£ ¸ÂÃß±â
5. »ç·Ê: Lalonde ÀÚ·á
6. ±× ¹ÛÀÇ ¸ÂÃ߱⠱â¹ý°ú R ÆÑÅ°Áö
4Àå. ÃÖÀûÈ ¾Ë°í¸®Áò optimization algorithm
1. ÃÖ´ë°¡´Éµµ ÃßÁ¤
2. ºñ¼±Çü ȸ±Í
3. TSP (traveling salesman problem)
5Àå. °áÃø°ª ´ëü missing value imputation
1. °áÃø°ª ´ëü
2. ´ëü ÀÚ·áÀÇ È°¿ë
3. ´ëü ¹æ¹ý°ú ¼Õ½Ç
4. MAR »óȲ
6Àå. ´ÙÂ÷¿ø ôµµÈ multidimensional scaling
1. °Å¸® Çà·Ä
2. °íÀüÀû MDS
3. ºñ°è·®Çü MDS
4. iso map
5. Â÷¿øÀÇ °áÁ¤
7Àå. Ç¥º»Å©±â¿Í °ËÁ¤·Â sample size and power
1. Á¤±ÔºÐÆ÷ÀÇ Áß½É
2. t-°ËÁ¤
3. ºñÀ²ÀÇ °ËÁ¤
4. »ó°üÀÇ °ËÁ¤
5. ±× ¹ÛÀÇ °ËÁ¤
8Àå. º×½ºÆ®·¦ ¹æ¹ý bootstrap method
1. º×½ºÆ®·¦ ¹æ¹ýÀ̶õ?
2. º×½ºÆ®·¦ »ç·Ê: »ó°ü°è¼ö
3. º×½ºÆ®·¦ »ç·Ê: ·ÎÁö½ºÆ½ ȸ±Í
4. º×½ºÆ®·¦ »ç·Ê: µÎ µ¶¸³Ç¥º»ÀÇ Á᫐ °£ Â÷ÀÌ
9Àå. ·Î¹ö½ºÆ® ȸ±Í¿Í ºÐÀ§¼ö ȸ±Í robust and quantile regression
1. ·Î¹ö½ºÆ® ȸ±Í
2. ºÐÀ§¼ö ȸ±Í
10Àå. ÀϹÝȼ±Çü¸ðÇü generalized linear model
1. ÀϹÝȼ±Çü¸ðÇüÀ̶õ?
2. Æ÷¾Æ¼Û ȸ±Í
3. ·ÎÁö½ºÆ½ ȸ±Í
4. °¨¸¶ ȸ±Í
5. ¿ä¾à
11Àå. ±¹¼ÒÀû ȸ±Í LOESS
1. ±¹¼Ò °¡ÁßÄ¡
2. ±¹¼Ò ¼±ÇüÀÌÂ÷½ÄÀÇ ÀûÇÕ
3. Engine Exhaust Emissions »ç·Ê
4. Sulfate Deposits »ç·Ê
5. ±â¼úÀû ¼¼ºÎ »çÇ×
Âü°í¹®Çå
12Àå. ÀϹÝÈ°¡¹ý¸ðÇü generalized additive model
1. ±âº» »ç·Ê¿Í ¹æ¹ý·Ð
2. Áظð¼öÀû ȸ±Í¸ðÇü
3. ¸ðÀÇÀÚ·á »ç·Ê
Âü°í¹®Çå
13Àå. R Ä÷¯¿Í »êÁ¡µµ r colors and scatterplot
1. RÀÇ Ä÷¯
2. »êÁ¡µµ ÀÀ¿ë: Á¦3ÀÇ º¯¼ö
3. »êÁ¡µµ ÀÀ¿ë:
4. »êÁ¡µµ ÀÀ¿ë: lowess ÆòÈ°
14Àå. Åë°è ±×·¡ÇÁ 1 statistical graph
1. ³ª¹« Áöµµ
2. ¸ðÀÚÀÌÅ© Ç÷Ô
3. ¿ Áöµµ
15Àå. Åë°è ±×·¡ÇÁ 2 statistical graph
1. 2º¯·® ÀÚ·áÀÇ ¹Ðµµ
2. 3º¯·® ÀÚ·áÀÇ ½Ã°¢È
3. ´Ùº¯·® ÀÚ·áÀÇ ½Ã°¢È
16Àå. Çà·Äµµ¿Í ´ëÀÀºÐ¼® biplot and correspondence analysis
1. Çà·Äµµ
2. ´ëÀÀºÐ¼®
3. ´ÙÁß´ëÀÀºÐ¼®
17Àå. SVM (Support Vector Machine)
1. ¼±Çü SVM ºÐ·ù
2. ºñ¼±Çü SVM ºÐ·ù
3. ¼±Çü ¹× ºñ¼±Çü SVM ȸ±Í
18Àå. ³ª¹« ¾Ë°í¸®Áò tree algorithm
1. CART
2. ·£´ý Æ÷¸®½ºÆ®
19Àå. KPCA¿Í LLE (kernel PCA and locally linear embedding)
1. Ä¿³Î PCA
2. LLE
20Àå. ¿¹ÃøÇÔ¼öÀÇ ½Ã°¢È visualizing predictive functions
1. Á¶°ÇºÎ ¿¹Ãø ±×·¡ÇÁ
2. ȸ±Í¸ðÇüÀÇ °æ¿ì
3. ¼³¸íº¯¼ö°¡ ¸¹Àº °æ¿ì
ºÎ·Ï I. R¿¡¼ µ¥ÀÌÅͼ¼Æ® ´Ù·ç±â (ÃʱÞ) manipulating datasets in R
ºÎ·Ï II. R¿¡¼ µ¥ÀÌÅͼ¼Æ® ´Ù·ç±â (°í±Þ) manipulating datasets in R
Âü°í¹®Çå
½Ç½ÀÆÄÀÏ
ã¾Æº¸±â
"
ÁÖ°£·©Å·
´õº¸±â»óÇ°Á¤º¸Á¦°ø°í½Ã
À̺¥Æ® ±âȹÀü
Àü°øµµ¼/´ëÇб³Àç ºÐ¾ß¿¡¼ ¸¹Àº ȸ¿øÀÌ ±¸¸ÅÇÑ Ã¥
ÆǸÅÀÚÁ¤º¸
»óÈ£ |
(ÁÖ)±³º¸¹®°í |
---|---|
´ëÇ¥ÀÚ¸í |
¾Èº´Çö |
»ç¾÷ÀÚµî·Ï¹øÈ£ |
102-81-11670 |
¿¬¶ôó |
1544-1900 |
ÀüÀÚ¿ìÆíÁÖ¼Ò |
callcenter@kyobobook.co.kr |
Åë½ÅÆǸž÷½Å°í¹øÈ£ |
01-0653 |
¿µ¾÷¼ÒÀçÁö |
¼¿ïƯº°½Ã Á¾·Î±¸ Á¾·Î 1(Á¾·Î1°¡,±³º¸ºôµù) |
±³È¯/ȯºÒ
¹ÝÇ°/±³È¯ ¹æ¹ý |
¡®¸¶ÀÌÆäÀÌÁö > Ãë¼Ò/¹ÝÇ°/±³È¯/ȯºÒ¡¯ ¿¡¼ ½Åû ¶Ç´Â 1:1 ¹®ÀÇ °Ô½ÃÆÇ ¹× °í°´¼¾ÅÍ(1577-2555)¿¡¼ ½Åû °¡´É |
---|---|
¹ÝÇ°/±³È¯°¡´É ±â°£ |
º¯½É ¹ÝÇ°ÀÇ °æ¿ì Ãâ°í¿Ï·á ÈÄ 6ÀÏ(¿µ¾÷ÀÏ ±âÁØ) À̳»±îÁö¸¸ °¡´É |
¹ÝÇ°/±³È¯ ºñ¿ë |
º¯½É ȤÀº ±¸¸ÅÂø¿À·Î ÀÎÇÑ ¹ÝÇ°/±³È¯Àº ¹Ý¼Û·á °í°´ ºÎ´ã |
¹ÝÇ°/±³È¯ ºÒ°¡ »çÀ¯ |
·¼ÒºñÀÚÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¼Õ½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì ·¼ÒºñÀÚÀÇ »ç¿ë, Æ÷Àå °³ºÀ¿¡ ÀÇÇØ »óÇ° µîÀÇ °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·º¹Á¦°¡ °¡´ÉÇÑ »óÇ° µîÀÇ Æ÷ÀåÀ» ÈѼÕÇÑ °æ¿ì ·½Ã°£ÀÇ °æ°ú¿¡ ÀÇÇØ ÀçÆǸŰ¡ °ï¶õÇÑ Á¤µµ·Î °¡Ä¡°¡ ÇöÀúÈ÷ °¨¼ÒÇÑ °æ¿ì ·ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀÇ ¼ÒºñÀÚº¸È£¿¡ °üÇÑ ¹ý·üÀÌ Á¤ÇÏ´Â ¼ÒºñÀÚ Ã»¾àöȸ Á¦ÇÑ ³»¿ë¿¡ ÇØ´çµÇ´Â °æ¿ì |
»óÇ° Ç°Àý |
°ø±Þ»ç(ÃâÆÇ»ç) Àç°í »çÁ¤¿¡ ÀÇÇØ Ç°Àý/Áö¿¬µÉ ¼ö ÀÖÀ½ |
¼ÒºñÀÚ ÇÇÇغ¸»ó |
·»óÇ°ÀÇ ºÒ·®¿¡ ÀÇÇÑ ±³È¯, A/S, ȯºÒ, Ç°Áúº¸Áõ ¹× ÇÇÇغ¸»ó µî¿¡ °üÇÑ »çÇ×Àº¼ÒºñÀÚºÐÀïÇØ°á ±âÁØ (°øÁ¤°Å·¡À§¿øȸ °í½Ã)¿¡ ÁØÇÏ¿© ó¸®µÊ ·´ë±Ý ȯºÒ ¹× ȯºÒÁö¿¬¿¡ µû¸¥ ¹è»ó±Ý Áö±Þ Á¶°Ç, ÀýÂ÷ µîÀº ÀüÀÚ»ó°Å·¡ µî¿¡¼ÀǼҺñÀÚ º¸È£¿¡ °üÇÑ ¹ý·ü¿¡ µû¶ó ó¸®ÇÔ |
(ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º´Â ȸ¿ø´ÔµéÀÇ ¾ÈÀü°Å·¡¸¦ À§ÇØ ±¸¸Å±Ý¾×, °áÁ¦¼ö´Ü¿¡ »ó°ü¾øÀÌ (ÁÖ)ÀÎÅÍÆÄÅ©Ä¿¸Ó½º¸¦ ÅëÇÑ ¸ðµç °Å·¡¿¡ ´ëÇÏ¿©
(ÁÖ)KGÀ̴Ͻýº°¡ Á¦°øÇÏ´Â ±¸¸Å¾ÈÀü¼ºñ½º¸¦ Àû¿ëÇÏ°í ÀÖ½À´Ï´Ù.
¹è¼Û¾È³»
±³º¸¹®°í »óÇ°Àº Åùè·Î ¹è¼ÛµÇ¸ç, Ãâ°í¿Ï·á 1~2Àϳ» »óÇ°À» ¹Þ¾Æ º¸½Ç ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä »óÇ°À» ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
±ººÎ´ë, ±³µµ¼Ò µî ƯÁ¤±â°üÀº ¿ìü±¹ Åù踸 ¹è¼Û°¡´ÉÇÕ´Ï´Ù.
¹è¼Ûºñ´Â ¾÷ü ¹è¼Ûºñ Á¤Ã¥¿¡ µû¸¨´Ï´Ù.