추가 적립 안내

[Microsoft Azure Machine Learning]은 예측 모델의 구축과 배포에 초점을 맞춰서 데이터 사이언스와 머신 러닝을 소개하고 실용적인 예제를 제공한다. 또 2015년 초반에 공개된 마이크로소프트 애저 머신 러닝 서비스의 완벽한 개요와 함께 추천 및 성향 모델과 이탈 및 예측 관리 모델 구축을 위한 실용적인 가이드를 제공한다.

바로 구축하고 배포 가능한 솔루션

이 책은 예측 모델의 구축과 배포에 초점을 맞춰서 데이터 과학과 머신 러닝을 소개하고 실용적인 예제를 제공한다. 또 2015년 초반에 공개된 마이크로소프트 애저 머신 러닝 서비스의 완벽한 개요와 함께 추천 및 성향 모델과 이탈 및 예측 관리 모델 구축을 위한 실용적인 가이드를 제공한다.

또한, 즉시 새로운 서비스를 사용할 수 있도록 업무 중심적인 설명과 구체적이면서 완벽한 예제들을 사용해 독자들의 이해를 돕고 있다. 이 책은 이 새로운 머신 러닝 서비스로 데이터 입력부터 시작해서 머신 러닝을 적용하고, 모델을 평가하며, 웹 서비스로 배포하는 모든 관점과 과정을 두루 설명하고 있다. 이를 통해 마이크로소프트의 애저 머신 러닝으로 복잡한 예측 모델을 얼마나 빨리 구축하고 배포하는지 살펴보면서 방법을 이해하기 쉽게 설명한다.

2판에서는 어떤 부분이 바뀌었을까? 새롭게 추가된 여섯 개의 장을 통해 다음 주제에 관한 실용적이고 자세한 내용을 살펴볼 수 있다:

- 코타나 분석 스위트
- 파이썬 통합
- 데이터 준비와 피처 선택
- Power BI로 데이터 시각화
- 추천 엔진
- 애저 마켓플레이스에 본인들의 모델 판매하기

이 책에서 다루는 주요 내용은 다음과 같다:

- 데이터 과학과 모범 사례들의 구조화된 소개
- 새로운 마이크로소프트 애저 머신 러닝 서비스의 소개와 예측 모델의 효율적 구축 및 배포 방법 설명
- 성향 모델링, 이탈 분석, 제품 추천과 Power BI를 이용한 시각화 같은 일반적인 예측 분석 문제의 해결을 위한 실용적인 기술들
- 본인이 직접 제작한 예측 모델들을 애저 마켓플레이스에 판매하는 실용적인 방법

독자대상
중고급

출판사 리뷰

이 책은 데이터 과학에 대한 소개와 함께 현재 코타나 해석 수트(이후 CAS)의 일부인 마이크로소프트 애저 머신 러닝에 관해 깊이 있는 정보를 제공한다. CAS는 기업체들이 데이터를 지능적으로 작업을 변환할 수 있도록 하는 완전히 관리되는 빅데이터 및 선진적 분석 수트다. 데이터 과학에 대한 구조적인 접근 방법과 구매 경향 분석, 고객 이탈 분석, 예측 관리와 제품 추천과 같은 실제 업무에서 발생하는 문제를 해결하기 위한 실무적인 가이드를 제공한다. 마이크로소프트 애저 머신 러닝 서비스의 간결성은 더 많은 관객과 같은 영역의 기존 제품을 데이터 과학과 머신 러닝에 적용되도록 해준다. 애저 머신 러닝을 이용해서 복잡한 예측 모델을 머신 러닝 웹 서비스로 빠르게 구축하고 배포하는 것을 볼 수 있다.

이 책은 다음과 내용을 제공한다

- 데이터 과학에 대한 깊은 기초 지식과 함께 구조적인 접근법과 성공 사례 등을 통해서 실제 문제를 해결하는 방법
- 머신 러닝 웹 서비스와 같은 예측 모델을 효율적으로 구축, 배포하기 위해 마이크로소프트 애저 머신 러닝을 사용하는 방법
- 구매 예측 모델링, 이탈 예측 및 제품 추천과 같은 대표적인 예측 분석 문제들을 어떻게 해결하는지에 대한 실제적 예제들

책의 마지막 페이지를 읽을 때쯤이면 기본적인 데이터 과학의 필수적인 기술과 데이터 마이닝 프로세스와 새로운 마이크로소프트 애저 머신 러닝 등을 이해할 수 있게 될 것이다.

누구를 위한 책인가

지금 막 데이터 과학자의 길을 걷기 시작한 사람과 BI 전문가와 개발자를 위한 책이다. 책을 읽고 이해하기 위해서 통계 및 데이터 분석에 대한 기초적인 기술이 있으면 도움이 될 것이다. 하지만 책에서 본 내용에서 무언가를 얻기 위해 데이터 과학자이어야 하거나 데이터 마이닝에 대한 심도 있는 능력이 필요하지는 않다.

1부. 데이터 과학과 마이크로소프트 애저 머신 러닝 소개

1장. 데이터 과학 소개
- 데이터 과학이란 무엇인가?
- 분석 범위
- 왜 주목을 받았고 계속 주목받고 있는가?
- 데이터 과학의 공통 기술
- 데이터 과학은 어디까지 발전했나?
- 요약
- 참고 자료

2장. 마이크로소프트 애저 머신 러닝 소개
- 안녕, 머신 러닝 스튜디오!
- 실험의 구성 요소들
- 갤러리 소개
- 간단한 5단계 학습 실험 제작
- 모델을 실제 환경에 배포하기
- 요약

3장. 데이터 준비
- 데이터 청소와 처리
- 피처 선택
- 피처 엔지니어링
- 요약

4장. R과의 통합
- R 간보기
- 처음 R 스크립트를 만들고 배포하기
- 데이터 전처리에 R 이용하기
- 스크립트 묶음 사용(ZIP)
- R을 이용해 의사 결정 트리를 만들고 배포하기
- 요약

5장. 파이썬과의 통합
- 개요
- 파이썬 처음 맛보기
- 애저 머신 러닝 실험에서 파이썬 사용
- 파이썬을 이용한 데이터 전처리
- 요약

2부. 통계와 머신 러닝 알고리즘들

6장. 통계와 머신 러닝 알고리즘들 소개
- 회귀 분석 알고리즘
- 분류 알고리즘
- 클러스터링 알고리즘
- 요약

3부. 실 예제들

7장. 고객 성향 분석 모델 구축
- 사업 관련 문제
- 데이터 확보와 준비
- 모델 학습시키기
- 모델의 테스트와 검증
- 모델 성능
- 평가 지표 우선순위 결정
- 요약

8장. Power BI로 모델 시각화
- 개요
- Power BI 소개
- Power BI로 시각화하는 세 가지 방법
- 애저 머신 러닝에서 예측 실행한 결과를 엑셀에서 시각화하기
- 엑셀에서 예측과 시각화 실행하기
- 애저 머신 러닝에서 예측된 결과를 powerbi.com에서 시각화하기
- 요약

9장. 이탈 탐지 모델 구축
- 이탈 탐지에 대한 간단한 소개
- 고객 이탈 예측 모델의 구축과 배포
- 요약

10장. 고객 분할
- 고객 분할 모델들의 간단한 소개
- 첫 번째 K-평균 클러스터링 모델 구축과 배포
- 도매 고객의 분할
- 요약

11장. 예측 관리 모델의 구축
- 개요
- 예측 관리 시나리오들
- 업무 관련 문제
- 데이터 수집과 준비
- 모델 학습시키기
- 모델 테스트와 확인
- 모델 성능
- 모델 성능 향상 기술
- 모델 배포
- 요약

12장. 추천 시스템
- 개요
- 추천 시스템의 접근 방식과 시나리오
- 사업 관련 문제
- 데이터 수집과 준비
- 모델 학습시키기
- 모델 테스트와 확인
- 요약

13장. 애저 마켓플레이스의 모델을 사용하고 모델을 출판하기
- 머신 러닝 API란 무엇인가?
- 애저 마켓플레이스 API 사용 방법
- 애저 마켓플레이스에 자신의 모델 게시하기
- 제작된 머신 러닝 모델을 웹 서비스로 게시하기
- API 키와 OData 엔드포인트 주요 정보 입수
- 모델을 애저 마켓플레이스에 API로 게시하기
- 요약

14장. 코타나 분석 시스템
- 코타나 분석 스위트는 무엇인가?
- 코타나 분석 스위트의 기능들
- 예제 시나리오
- 요약