추가 적립 안내

시계열 분석의 모든 것
실제 환경에 특화된 시계열 데이터 분석 및 모범 사례를 다루는 실무 지침서다. ARIMA 및 베이즈 상태 공간 같은 표준적인 통계 모델과 계층형 모델을 폭넓게 다루고, 시계열 데이터 모델링의 현대적인 파이프라인 전체를 실용적인 관점에서 안내한다. 이 책에 담긴 통계와 머신러닝 기술을 활용하면 데이터 엔지니어링 및 분석 과제를 해결하는 방법을 익히고, 시계열 데이터의 핵심을 꿰뚫어볼 수 있는 시각을 얻을 수 있을 것이다.

아마존 데이터 웨어하우스 분야 1위
시계열 데이터 분석을 A부터 Z까지 다루는 실전 가이드

시계열 분석은 기상청, 금융ㆍ정부 기관 등 우리 실생활과 밀접한 곳에서 미래를 예측하고 대비하기 위해 사용됩니다. 시계열 데이터는 사물인터넷으로 인한 데이터 대량 생산, 헬스케어 분야의 디지털 전환, 스마트 도시의 부상 등으로 중요성이 더 커지고 있으며, 그 영향력이 모든 산업 분야로 확장될 것입니다.

이 책은 정확한 시계열 분석과 예측을 위해 시계열 데이터와 모델링의 파이프라인 전체(획득, 정리, 시뮬레이션, 저장, 모델링)를 실용적인 관점에서 폭넓게 바라보고 R과 파이썬 코드를 곁들여 설명합니다. 전반부에서는 시계열 예측의 전체 과정을 이해하는 데 기본이 되는 개념을 소개합니다. 시계열 데이터의 탐색, 수집, 정리와 ARIMA, SARIMA 모델 등을 다룹니다. 후반부에서는 MXNet과 텐서플로를 활용하여 헬스케어, 금융, 정부 데이터의 연구 사례에 시계열 기법을 대입하는 방법을 배우고 저자의 풍부한 경험을 녹여낸 다양한 예제도 소개합니다.

마지막으로 각 장에 해당하는 주제와 필수 기법에 대한 튜토리얼을 제공하는 링크를 수록했습니다. 이 책 한 권이면 실세계에서 시계열 데이터를 활용하여 시계열을 분석하고 예측하기 위한 준비를 마칠 수 있습니다. 이 실전 가이드로 시계열 예측의 정확도를 높일 수 있길 바랍니다.

주요 내용
● 시계열 데이터 탐색 및 정리
● 탐색적 시계열 데이터 분석 수행
● 시간 데이터 저장
● 시계열 데이터 시뮬레이션
● 시계열 기능 생성 및 선택
● 측정 오류
● 머신러닝과 딥러닝을 활용한 시계열 예측 및 분류
● 정확도 및 성능 평가

예제 코드
github.com/deep-diver/practical-time-series-analysis-korean

임대경(P&G Korea 데이터 사이언티스트)
파이썬과 R 코드를 번갈아 가며 사용합니다. 두 언어 중 한 언어에만 익숙한 독자도 이 책을 볼 수 있습니다. R 코드가 전반적으로 많지만 상세한 설명 덕분에 파이썬으로 쉽게 적용할 수 있습니다. 시계열 분석의 기본적인 부분을 전반적으로 잘 다룹니다. 매우 구조적이고 이해하기 쉽게 쓰였으며 디테일도 놓치지 않았습니다. 원서를 읽을 때는 좀 장황하다는 느낌을 받았지만 역자가 우리말로 옮길 때 이런 부분을 최대한 분명하게 표현하고자 노력했고, 번역서에서 흔히 발견되는 번역 투 표현을 최대한 깔끔하게 다듬었습니다. 마치 국내 저자가 저술한 서적처럼 깔끔하게 읽힙니다. 시계열 분석의 개념을 실무에 적용할 때 참조하기 위한 첫 번째 실전서로 추천합니다.

이제현(한국에너지기술연구원)
누구나 잘못된 일기예보 때문에 낭패를 겪고 짜증을 낸 경험이 있을 것입니다. 하지만 시계열 모델을 한 번쯤 만든 경험이 있는 사람이라면 미래를 예측하는 일이 얼마나 어려운지 알기에 기상청에서 일하는 분들을 응원할 것입니다. 이 책은 회귀부터 딥러닝까지의 기법들을 숨 가쁘게 몰아치며 설명합니다. 오차를 다루는 대목쯤 되면 지칠 수도 있지만, 이 책의 역할은 방대한 시계열의 입구라는 사실을 명심하기 바랍니다. 여느 책과 달리 참고 문헌을 인용하는 것으로 그치지 않고 R과 파이썬을 MXNet과 텐서플로를 넘나들며 내용을 하나하나 설명합니다. 이 책을 덮는 순간부터 본격적인 시계열 공부가 시작될 겁니다. 시계열에 발을 딛는 모든 분의 무운(武運)을 기원합니다.

시한(VAIS 인공지능 커뮤니티 운영진)
인터넷 시대가 도래한 이후, 우리는 무수하게 쏟아지는 데이터 속에 살고 있습니다. 이 중에는 이미지 같은 정형 데이터도 있고 매일 겪는 날씨, 계절, 교통량 등 정해진 형태는 없지만 시간에 인과를 가진 데이터들도 있습니니다. 알파고에서 시작된 인공지능 붐 속에서 주류는 정형 데이터였고, 이후 정형 데이터를 가공하는 법을 알려주는 많은 책이 출간되었습니다. 하지만 시계열 데이터는 책의 한 챕터만 다루는 등 아쉬움이 많았습니다. 우리에게 중요한 것은 어떤 모델의 사용이 아니라 데이터에 맞는 가공법을 찾는 것입니다. 이 책은 시계열 형태라는 공통점만 가진 자료들을 데이터에 맞게 가공하고 사용하는 직관을 키우는 가이드입니다.

heroseo(캐글 마스터)
시계열 문제를 처음 접하는 시린이(시계열 분석 어린이)라면 시계열 데이터라는 개념 자체가 굉장히 생소하게 느껴질 겁니다. 이 책에서 제공하는 시계열 데이터의 기본 개념과 코드를 실전에 활용하면 시계열 문제에 대한 감을 익힐 수 있습니다. 시계열 입문자라면 이 책이 좋은 길잡이가 될 수 있으리라 생각합니다.

김정민(GS ITM 기술전략팀 부장)
이 책은 데이터를 준비하는 과정부터 데이터 탐색, 데이터 가공, 머신러닝과 딥러닝을 이용한 모델 개발의 전반적인 과정을 소개합니다. 또한 의료, 금융, 정부 사례와 함께 시계열 분석 및 예측을 적용하는 데 필요한 아이디어도 제공합니다. 시계열 분석 및 예측을 수행하는 모든 비즈니스 의사결정자나 분석가에게 훌륭한 안내서가 되리라 확신합니다.

문선홍(GS ITM 기술전략팀 부장)
시계열 예측을 구현하는 것은 어렵지 않으나, 높은 정확도로 좋은 예측 결과를 내는 것은 매우 어렵습니다. 아무리 훌륭하고 복잡한 알고리즘으로 구현하더라도 예측이 정확하지 않다면 쓸모없는 작업이 됩니다. 이 책에서는 정확한 미래 예측을 위한 데이터 가공 방법부터 다양한 예측 모델링 개발 및 적용 방법까지 체계적으로 설명합니다.

정용우(GS ITM 기술전략팀 부장)
파이썬과 R 두 가지 언어로 시계열 데이터를 설명합니다. 특히 딥러닝의 경우 MXNet으로 처리한 과정을 눈여겨볼 필요가 있습니다. 기본적인 이론은 물론, 데이터 전처리부터 일반적인 시계열, 헬스케어, 주식시장 데이터까지 다룹니다. 시계열 데이터를 집중적으로 공부하고자 하는 독자에게 좋은 참고 자료가 될 것입니다.

CHAPTER 1 시계열의 개요와 역사
1.1 다양한 응용 분야의 시계열 역사
1.2 시계열 분석의 도약
1.3 통계적 시계열 분석의 기원
1.4 머신러닝 시계열 분석의 기원
1.5 보충 자료

CHAPTER 2 시계열 데이터의 발견 및 다루기
2.1 시계열 데이터는 어디서 찾는가
2.2 테이블 집합에서 시계열 데이터 집합 개선하기
2.3 타임스탬프의 문제점
2.4 데이터 정리
2.5 계절성 데이터
2.6 시간대
2.7 사전관찰의 방지
2.8 보충 자료

CHAPTER 3 시계열의 탐색적 자료 분석
3.1 친숙한 방법
3.2 시계열에 특화된 탐색법
3.3 유용한 시각화
3.4 보충 자료

CHAPTER 4 시계열 데이터의 시뮬레이션
4.1 시계열 시뮬레이션의 특별한 점
4.2 코드로 보는 시뮬레이션
4.3 시뮬레이션에 대한 마지막 조언
4.4 보충 자료

CHAPTER 5 시간 데이터 저장
5.1 요구 사항 정의
5.2 데이터베이스 솔루션
5.3 파일 솔루션
5.4 보충 자료

CHAPTER 6 시계열의 통계 모델
6.1 선형회귀를 사용하지 않는 이유
6.2 시계열을 위해 개발된 통계 모델
6.3 시계열 통계 모델의 장단점
6.4 보충 자료

CHAPTER 7 시계열의 상태공간 모델
7.1 상태공간 모델의 장단점
7.2 칼만 필터
7.3 은닉 마르코프 모델
7.4 베이즈 구조적 시계열
7.5 보충 자료

CHAPTER 8 시계열 특징의 생성 및 선택
8.1 입문자를 위한 예제
8.2 특징 계산 시 고려 사항
8.3 특징의 발견에 영감을 주는 장소 목록
8.4 생성된 특징들 중 일부만 선택하는 방법
8.5 마치며
8.6 보충 자료

CHAPTER 9 시계열을 위한 머신러닝
9.1 시계열 분류
9.2 클러스터링
9.3 보충 자료

CHAPTER 10 시계열을 위한 딥러닝
10.1 딥러닝 개념
10.2 신경망 프로그래밍
10.3 학습 파이프라인 만들기
10.4 순전파 네트워크
10.5 합성곱 신경망
10.6 순환 신경망
10.7 복합 구조
10.8 마치며
10.9 보충 자료

CHAPTER 11 오차 측정
11.1 예측을 테스트하는 기본 방법
11.2 예측하기 좋은 시점
11.3 시뮬레이션으로 모델의 불확실성 추정
11.4 여러 단계를 앞선 예측
11.5 모델 검증 시 주의 사항
11.6 보충 자료

CHAPTER 12 시계열 모델의 학습과 배포에 대한 성능 고려 사항
12.1 일반 사례를 위해 만들어진 도구로 작업하기
12.2 데이터 스토리지 형식의 장단점
12.3 성능 고려 사항에 맞게 분석 수정
12.4 보충 자료

CHAPTER 13 헬스케어 애플리케이션
13.1 독감 예측
13.2 혈당치 예측
13.3 보충 자료

CHAPTER 14 금융 애플리케이션
14.1 금융 데이터의 취득과 탐색
14.2 딥러닝을 위한 금융 데이터 전처리
14.3 RNN의 구축과 학습
14.4 보충 자료

CHAPTER 15 정부를 위한 시계열
15.1 정부 데이터 취득
15.2 대규모 시계열 데이터의 탐색
15.3 시계열 데이터에 대한 실시간 통계 분석
15.4 보충 자료

CHAPTER 16 시계열 패키지
16.1 대규모 예측
16.2 이상 감지
16.3 그 밖의 시계열 패키지
16.4 보충 자료

CHAPTER 17 시계열 예측의 미래 전망
17.1 서비스형 예측
17.2 딥러닝으로 확률적 가능성 향상
17.3 통계적 방법보다 중요성이 더 커진 머신러닝 방법
17.4 머신러닝과 통계를 결합한 방법론의 증가
17.5 일상으로 스며든 더 많은 예측