추가 적립 안내

≪파이썬 데이터 사이언스 핸드북≫은 데이터 과학에 대한 갈증을 해소하기에 좋은 입문서다. 초보자부터 전문가까지 아우르는 넓은 사용자층을 가진 매력적인 언어인 파이썬 언어가 제공하는 과학 스택을 이용해 실제 데이터 과학 분야에서 자주 만나는 상황을 해결해 나감으로써 이론부터 실전까지 적절하게 아우르고 있다.

이 책에서는 같은 데이터 타입을 가진 배열 기반의 데이터를 처리하기 위한 NumPy, 여러 가지 데이터 타입의 레이블이 붙은 데이터를 처리하는 Pandas, 보편적인 과학 계산 작업을 위한 SciPy, 게재 가능한 수준의 시각화를 위한 MatPlotlib, 대화형 코드 실행과 공유를 위한 IPython, 머신러닝을 위한 Scikit-Learn 라이브러리를 집중적으로 다루며, 특히 5장에서는 머신러닝 전체를 조망하고 각 기법을 어떻게 응용할 수 있는지 살펴볼 수 있어 실전 감각을 익히기에 부족함이 없도록 구성하고 있다.

많은 연구원에게 파이썬은 데이터를 저장, 가공하고 데이터에서 통찰력을 얻을 수 있는 라이브러리 덕분에 데이터를 다루기에 최고의 도구로 여겨진다. 여러 참고 자료에서 파이썬 라이브러리를 소개하지만, 대부분은 각 라이브러리를 개별적으로 다룬다. 하지만 ≪파이썬 데이터 사이언스 핸드북≫은 IPython, NumPy, Pandas, Matplotlib, Scikit-Learn을 비롯한 관련 도구를 모두 다룬다.

파이썬 코드를 읽고 작성하는 데 익숙한 과학자나 데이터 분석가라면 이 책이 데이터의 가공, 변환, 정제와 다른 유형의 데이터 시각화, 통계 모델이나 머신러닝 모델 구축을 위한 데이터 활용 면에서 흔히 발생하는 문제를 해결하기에 가장 이상적인 종합 참고서가 될 것이다. 간단히 말해, 이 책은 파이썬으로 과학 컴퓨팅을 하기 위해서 반드시 소장해야 할 책이다.

이 핸드북을 통해 다음 도구의 사용법을 학습할 수 있다.

◎ IPython과 Jupyter: 파이썬을 이용하는 데이터 과학자를 위한 컴퓨팅 환경 제공
◎ NumPy: 파이썬의 복잡한 데이터 배열을 효율적으로 저장하고 가공할 수 있는 ndarray(n 차원 배열 객체) 제공
◎ Pandas: 파이썬에서 레이블이 붙거나 칼럼 형식의 데이터를 효율적으로 저장하고 가공하기 위한 DataFrame 자료구조 제공
◎ Matplotlib: 파이썬을 이용한 유연한 데이터 시각화 기능 제공
◎ Scikit-Learn: 기존 머신러닝 알고리즘 중 가장 중요한 것을 파이썬으로 효율적이고 깔끔하게 구현한 라이브러리

“파이썬으로 데이터 과학을 배우고자 하는 독자에게 이 책은 환상적인 출발점이 될 것이다. 이 책으로 컴퓨터 과학 및 통계학 전공자들을 성공적으로 가르쳤다. 저자는 오픈소스 도구의 기본을 훨씬 넘어서는 내용을 명확한 언어와 이해하기 쉬운 설명으로 데이터 과학의 기본 개념과 패턴, 사상을 설명하고 있다.” (캘리포니아 폴리테크닉 주립 대학교 물리학부 교수이자 주피터 프로젝트 공동 설립자)

▣ 01장: IPython - 파이썬에 날개를 달자

셸과 노트북, 어느 것을 사용할까?
___IPython 셸 실행하기
___Jupyter 노트북 실행하기
IPython의 도움말과 문서
___?로 문서 확인하기
___??로 소스코드에 접근하기
___탭 자동 완성으로 모듈 탐색하기
IPython 셸에서 사용할 수 있는 키보드 단축키
___탐색 단축키
___텍스트 입력 단축키
___명령어 이력 단축키
___기타 단축키
IPython 매직 명령어
___코드 블록 붙여넣기: %paste와 %cpaste
___외부 코드 실행: %run
___코드 실행 시간 측정: %timeit
___매직 함수에 관한 도움말: ?, %magic, %lsmagic
입력/출력 이력
___IPython의 In과 Out 객체
___밑줄 표시 단축키와 이전 출력값
___출력값 숨기기
___관련 매직 명령어
IPython과 셸 명령어
___셸이란?
___IPython에서의 셸 명령어
___셸에 값 전달하기 및 셸의 값 전달받기
셸 관련 매직 명령어
에러와 디버깅
___예외 제어: %xmode
___디버깅: 역추적 내용을 확인하는 것으로 충분하지 않을 경우
코드 프로파일링 및 시간 측정
___코드 조각의 실행 시간 측정하기: %timeit과 %time
___전체 스크립트 프로파일링하기: %prun
___%lprun으로 라인 단위 프로파일링하기
메모리 사용 프로파일링: %memit과 %mprun
IPython 추가 참고 자료
___웹 자료
___책

▣ 02장: NumPy 소개

파이썬의 데이터 타입 이해하기
___파이썬 정수는 정수 이상이다
___파이썬 리스트는 리스트 이상이다
___파이썬의 고정 타입 배열
___파이썬 리스트에서 배열 만들기
___처음부터 배열 만들기
___NumPy 표준 데이터 타입
NumPy 배열의 기초
___NumPy 배열 속성 지정
___배열 인덱싱: 단일 요소에 접근하기
___배열 슬라이싱: 하위 배열에 접근하기
___배열 재구조화
___배열 연결 및 분할
NumPy 배열 연산: 유니버설 함수
___루프는 느리다
___UFuncs 소개
___NumPy 유니버설 함수(UFuncs)
___고급 Ufunc 기능
___Ufuncs: 더 알아보기
집계: 최솟값, 최댓값, 그리고 그사이의 모든 것
___배열의 값의 합 구하기
___최솟값과 최댓값
___예제: 미국 대통령의 평균 신장은 얼마일까?
배열 연산: 브로드캐스팅
___브로드캐스팅 소개
___브로드캐스팅 규칙
___실전 브로드캐스팅
비교, 마스크, 부울 로직
___예제: 비온 날 세기
___ufunc으로서의 비교 연산자
___부울 배열로 작업하기
___마스크로서의 부울 배열
팬시 인덱싱
___팬시 인덱싱 알아보기
___결합 인덱싱
___예제: 임의의 점 선택하기
___팬시 인덱싱으로 값 변경하기
___예제: 데이터 구간화
___배열 정렬
___NumPy의 빠른 정렬: np.sort와 np.argsort
___부분 정렬: 파티션 나누기
___예제: k 최근접 이웃 알고리즘
구조화된 데이터: NumPy의 구조화된 배열
___구조화된 배열 만들기
___고급 복합 타입
___레코드 배열: 트위스트를 가진 구조화된 배열
___Pandas로 넘어가며

▣ 03장: Pandas로 데이터 가공하기

Pandas 설치 및 사용
Pandas 객체 소개
___Pandas Series 객체
___Pandas DataFrame 객체
___Pandas Index 객체
데이터 인덱싱과 선택
___Series에서 데이터 선택
___DataFrame에서 데이터 선택
___Pandas에서 데이터 연산하기
___유니버설 함수: 인덱스 보존
___유니버설 함수: 인덱스 정렬
___유니버설 함수: DataFrame과 Series 간의 연산
누락된 데이터 처리하기
___누락된 데이터 처리 방식의 트레이드오프
___Pandas에서 누락된 데이터
___널 값 연산하기
계층적 인덱싱
___다중 인덱스된 Series
___MultiIndex 생성 메서드
___MultiIndex 인덱싱 및 슬라이싱
___다중 인덱스 재정렬하기
___다중 인덱스에서 데이터 집계
데이터세트 결합: Concat과 Append
___복습: NumPy 배열 연결
___pd.concat을 이용한 간단한 연결
데이터세트 결합하기: 병합과 조인
___관계 대수
___조인 작업의 분류
___병합 키 지정
___조인을 위한 집합 연산 지정하기
___열 이름이 겹치는 경우: suffixes 키워드
___예제: 미국 주 데이터
집계와 분류
___행성 데이터
___Pandas의 간단한 집계 연산
___GroupBy: 분할, 적용, 결합
피벗 테이블
___피벗 테이블 시작
___피벗 테이블 등장 배경
___피벗 테이블 구문
___예제: 출생률 데이터
벡터화된 문자열 연산
___Pandas 문자열 연산 소개
___Pandas 문자열 메서드 목록
___예제: 조리법 데이터베이스
시계열 다루기
___파이썬에서의 날짜와 시간
Pandas 시계열: 시간으로 인덱싱하기
___Pandas 시계열 데이터 구조
___주기와 오프셋
___리샘플링, 시프팅, 윈도잉
___추가 학습 자료
___예제: 시애틀 자전거 수 시각화
고성능 Pandas: eval()과 query()
___query()와 eval()의 등장 배경: 복합 표현식
___효율적인 연산을 위한 pandas.eval()
___열 단위의 연산을 위한 DataFrame.eval()
___DataFrame.query() 메서드
___성능: 이 함수를 사용해야 하는 경우
추가 자료

▣ 04장: Matplotlib을 활용한 시각화

일반적인 Matplotlib 사용법
___matplotlib 임포트하기
___스타일 설정하기
___show()를 사용할 것인가, 말 것인가 - 플롯 표현 방법
___그림을 파일로 저장하기
하나 가격에 인터페이스 두 개
간단한 라인 플롯
___플롯 수정하기: 선 색상과 스타일
___플롯 조정하기: 축 경계
___플롯에 레이블 붙이기
간단한 산점도
___plt.plot을 사용한 산점도
___plt.scatter를 활용한 산점도
___plot과 scatter의 차이: 효율성 측면에서 유의할 점
오차 시각화하기
___기본 오차 막대
___연속 오차
밀도 플롯과 등고선 플롯
___3차원 함수 시각화하기
히스토그램, 구간화, 밀도
___2차원 히스토그램과 구간화
플롯 범례 맞춤 변경하기
___범례에 사용할 요소 선택하기
___점 크기에 대한 범례
___다중 범례
___색상 막대 맞춤 변경하기
___색상 막대 맞춤 변경하기
___예제: 손으로 쓴 숫자
다중 서브플롯
___plt.axes: 직접 만든 서브플롯
___plt.subplot: 간단한 서브플롯의 그리드
___plt.subplots: 한 번에 전체 그리드 만들기
___plt.GridSpec: 복잡한 배치
텍스트와 주석
___예제: 미국 출생률에 휴일이 미치는 영향
___변환 및 텍스트 위치
___화살표와 주석
눈금 맞춤 변경하기
___주 눈금과 보조 눈금
___눈금 또는 레이블 숨기기
___눈금 개수 줄이기와 늘리기
___팬시 눈금 포맷
포맷 지시자와 위치 지시자 요약
Matplotlib 맞춤변경하기: 설정과 스타일시트
___직접 플롯 변경하기
___기본값 변경하기: rcParams
___스타일시트
Matplotlib에서 3차원 플로팅하기
3차원 점과 선
___3차원 등고선 플롯
___와이어프레임과 표면도
___표면 삼각측량법
Basemap을 활용한 지리 데이터
___지도 투영법(Map Projections)
___지도 배경 그리기
___지도상에 데이터 플로팅하기
___예제: 캘리포니아 도시
___예제: 표면 온도 데이터
Seaborn을 활용한 시각화
___Seaborn과 Matplotlib의 차이
___Seaborn 플롯 탐색하기
___예제: 마라톤 완주 시간 탐색
기타 자료
___Matplotlib 자료
___기타 파이썬 그래픽 라이브러리

▣ 05장: 머신러닝

머신러닝이란 무엇인가?
___머신러닝의 범주
___머신러닝 응용의 정성적 사례
___정리
Scikit-Learn 소개
___Scikit-Learn에서의 데이터 표현 방식
___Scikit-Learn의 Estimator API
___응용: 손으로 쓴 숫자 탐색
초모수와 모델 검증
___모델 검증에 대한 고려사항
___최적의 모델 선택하기
___학습 곡선
___실제 검증: 그리드 검색
특징 공학
___범주 특징
___텍스트 특징
___이미지 특징
___유도 특징
___누락 데이터의 대체
___특징 파이프라인
심화 학습: 나이브 베이즈 분류
___베이즈 분류
___가우스 나이브 베이즈
___다항분포 나이브 베이즈
___언제 나이브 베이즈 모델을 사용할 것인가
심화학습: 선형 회귀
___단순 선형 회귀
___기저 함수 회귀
___예제: 자전거 통행량 예측
심화 학습: 서포트 벡터 머신
___서포트 백터 머신의 동기
___서포트 벡터 머신: 마진 최대화
___예제: 안면 인식
___서포트 벡터 머신 정리
심화 학습: 의사결정 트리와 랜덤 포레스트
___랜덤 포레스트 등장 배경: 의사결정 트리
___추정 모델의 앙상블: 랜덤 포레스트
___랜덤 포레스트 회귀
___예제: 랜덤 포레스트를 사용한 숫자 분류
랜덤 포레스트 정리
심화 학습: 주성분 분석
___주성분 분석 소개
___PCA 응용: 노이즈 필터링
___예제: 고유얼굴
___주성분 분석 정리
심화 학습: 다양체 학습
___다양체 학습: ‘HELLO’
___다차원 척도법(MDS, Multidimensional Sacling)
___다양체 학습으로서의 MDS
___비선형 임베딩: MDS가 실패한 경우
___비선형 다양체 학습: 국소 선형 임베딩
___다양체 방식에 대한 몇 가지 생각
___예제: 얼굴 데이터에 아이소맵 적용
___예제: 숫자 데이터의 구조 시각화
심화 학습: k-평균 군집화
___k-평균 소개
___예제
심화 학습: 가우스 혼합 모델
___GMM 등장 배경: k-평균의 약점
___E-M 단계 일반화하기: 가우스 혼합 모델
___밀도 추정에 GMM 사용하기
___예제: 새로운 데이터를 생성하는 GMM
심화 학습: 커널 밀도 추정
___KDE 등장 배경: 히스토그램
___커널 밀도 추정의 실제 적용
___예제: 구(球)에 KDE 적용하기
___예제: 나이브하지 않은 베이즈(Not-So-Naive Bayes)
응용: 안면 인식 파이프라인
___HOG 특징
___실제 HOG: 간단한 안면 인식기
___주의사항 및 개선사항
머신러닝 관련 추가 자료
___파이썬에서의 머신러닝
___일반적인 머신러닝