추가 적립 안내

Python을 사용해 과학과 공학 분야에 빈번히 등장하는 연산 문제를 해결하는 방법을 설명한다. Python 과학 연산 모듈인 Scipy, 배열처리 기본 모듈인 NumPy, 데이터 처리를 위한 기본 모듈인 Pandas, 머신 러닝을 위한 Scikit-learn을 중심으로 과학 연산을 처리할 수 있는 두 가지 중요한 기법인 기호적, 수치적 처리 기법을 사용하는 데 Python을 어떻게 활용할 수 있는지 자세히 설명한다.
행렬 및 희소 행렬, 벡터, 상미분과 편미분, 적분, 인수분해, 시계열, 선형 대수, 통계 모델링, 머신 러닝, 신호처리 등 이공계의 대표적 문제들을 해결하는 데 Python을 어떻게 활용할 수 있는지 풍부한 예제를 통해 상세히 설명한다.
책 후반부는 HDF5를 포함해 데이터 처리를 위한 다양한 파일 입출력 형식을 알아보고, 코드의 실행 성능 향상을 위한 코드 최적화와 함께 모듈 설치법도 상세히 설명한다.

■ Numpy를 사용한 벡터와 행렬 작업
■ Matplotlib를 사용한 도식화와 시각화
■ Pandas and SciPy를 사용한 데이터 분석 과제
■ statsmodels과 scikit-learn를 사용한 통계 모델링과 머신 러닝 리뷰
■ Numba와 Cython을 사용한 파이썬 코드 최적화

★ 이 책의 구성 ★

1장, 'Python을 이용한 컴퓨팅 소개'에서는 과학 컴퓨팅에 대한 일반적인 원칙과 Python 계산 작업에 사용할 수 있는 주요 개발 환경을 소개한다. 즉 IPython과 대화형 Python 프롬프트, 뛰어난 Jupyter Notebook 응용과 Spyder 통합 개발 환경(Spyder IDE, Spyder Integrated Development Environment)에 초점을 맞추고 있다.
2장, '벡터, 행렬, 다차원 배열'에서는 NumPy 라이브러리를 소개하고 좀 더 일반적인 배열 기반 연산과 장점을 알아본다.
3장, '기호 연산'에서는 SymPy 라이브러리를 사용한 기호 연산에 대해 알아본다. 이 방법은 배열 기반 연산을 보완해준다.
4장, '도식화와 시각화'에서는 Matplotlib 라이브러리를 이용한 도식화와 시각화를 다룬다. 2장에서 4장까지는 전반적으로 책 나머지 부분의 영역별 문제에 사용될 기본 계산 도구인 수치 연산, 기호 연산, 시각화에 대해 알아본다.
5장, '방정식 풀이'에서는 방정식 해결로 Scipy와 SymPy 라이브러리를 사용해 수치적·기호적 방법을 모두 살펴본다.
6장, '최적화'에서는 방정식 해결 과제의 자연스러운 연장인 최적화를 탐구한다. 주로 Scipy 라이브러리와 cvxopt 라이브러리를 사용해 작업한다.
7장, '보간법'에서는 그 자체로 많은 응용을 가진 또 다른 기본적인 수학적 방법인 보간법, 고급 알고리즘과 기법에서의 주요 역할을 다룬다.
8장, '적분'에서는 수치적, 기호적 적분을 살펴본다. 5장부터 8장까지는 모든 종류의 컴퓨터 작업에 만연한 핵심 컴퓨터 기술을 다룬다. 8장에서 다루는 방법은 대부분 Scipy 라이브러리에서 제공된다.
9장, 'ODE'에서는 상미분 방정식을 다룬다.
10장, '희소 행렬과 그래프'에서는 11장을 설명하기 위해 희소 행렬과 그래프 기법을 살펴본다.
11장, 'PDE'에서는 개념적으로 상미분 방정식과 밀접한 관계가 있지만 10장의 주제인 희소 행렬의 도입이 필요한 PDE를 살펴본다.
12장, '데이터 처리 및 분석'에서는 데이터 분석과 통계 조사를 살펴본다. Pandas 라이브러리와 데이터 분석 프레임워크를 소개한다.
13장, '통계학'에서는 SciPy stats 패키지의 기본적인 통계 분석과 기법을 다룬다.
14장, '통계 모델링'에서는 statsmodels 라이브러리를 사용해 통계 모델링을 알아본다.
15장, '머신 러닝'에서는 scikit-learn 라이브러리를 이용한 머신 러닝을 알아보고 통계와 데이터 분석의 주제를 살펴본다.
16장, '베이즈 통계'는 베이즈 통계와 PyMC 라이브러리를 알아보면서 이와 관련된 장을 정리한다. 12장부터 16장까지는 통계와 데이터 분석의 광범위한 분야를 소개한다. 이는 최근 몇 년 동안 과학 Python 커뮤니티 안팎에서 급속히 발전해온 분야이기도 하다.
17장, '신호 처리'에서는 잠시 과학 컴퓨팅의 핵심 주제인 신호 처리로 돌아간다.
18장, '데이터 입출력'에서는 데이터 입출력 그리고 파일에 수치 데이터를 읽고 쓰는 몇 가지 방법을 살펴본다. 이는 대부분의 컴퓨터 작업에 필요한 기본적인 주제다.
19장, '코드 최적화'는 Numba와 Cython 라이브러리를 이용해 Python 코드의 속도를 높이는 두 가지 방법을 소개한다.
부록에는 이 책에서 사용한 소프트웨어 설치 방법이 수록돼 있다. 필요한 소프트웨어(대부분의 Python 라이브러리)를 설치하기 위해 Conda 패키지 매니저를 이용한다. Conda는 안정적이고 재현 가능한 컴퓨터 환경을 만들기 위한 중요한 주제로, 가상적이며 격리된 Python 환경을 만드는 데도 사용될 수 있다. 또한 Conda 패키지 매니저를 사용해 이런 환경을 설정하는 방법도 살펴본다.

★ 지은이의 말 ★

과학 및 수치 컴퓨팅은 연구, 엔지니어링, 분석 분야에서 각광을 받고 있다. 컴퓨터 산업의 혁명은 지난 수십 년간 컴퓨터 전문가들에게 새롭고 강력한 도구를 제공했다. 이 도구는 이전에 불가능했던 규모와 복잡도를 가진 연산 작업을 가능하게 했다. 그 결과, 새로운 분야와 산업이 우후죽순처럼 생겨났다. 발전은 여전히 진행 중이며 하드웨어, 소프트웨어, 알고리즘이 계속 향상됨에 따라 새로운 기회가 창출되고 있다.
이 움직임을 궁극적으로 가능하게 해준 기술은 최근 수십 년간 개발된 강력한 컴퓨터 하드웨어다. 그러나 연산 작업에 이용되는 소프트웨어 환경은 전산 전문가에게 있어 (하드웨어보다 중요하지 않은지는 몰라도) 여전히 중요하다.
이 책은 수치 컴퓨팅에서 인기 있고 빠르게 성장하는 환경인 Python 프로그래밍 언어로 컴퓨터 작업을 하기 위한 라이브러리와 그 계산 환경의 확장을 위한 생태계에 관한 것이다. 전산은 이론과 실제 모두에 있어 경험과 전문 지식을 요하는 활동으로, 수학과 과학적 사고에 대한 확고한 이해가 바탕이 돼야 효과적으로 작업할 수 있다.
프로그래밍 훈련은 전산에 있어 매우 중요하다. 이 책은 Python 프로그래밍 언어 및 주변 컴퓨팅 환경을 이용한 과학적 계산 방법 사이의 가교 역할을 하고자 두 주제를 모두 다룬다. 또한 독자들이 Python 프로그래밍에 대한 기초적인 지식과 수학, 수치 해석에 대한 사전 지식을 갖고 있다고 가정한다.
이 책의 초점은 Python을 이용한 실질적인 계산 문제 해결 방법을 소개하는 데 있다. 각 장은 주제 이론에 대한 간략한 소개, 표기법을 비롯한 기본적인 기법 설명, 알고리즘을 알려준다. 그러나 모든 기법이 일관적으로 기술돼 있지 않으며, 각 장의 주제에 익숙하지 않은 독자들을 위해 각 장의 끝에 참고 문헌을 나열했다. Python 프로그래밍 경험이 없는 독자들은 Python 프로그래밍 언어 자체에 초점을 맞춘 책과 함께 읽는 것이 좋다.

★ 옮긴이의 말 ★

수치 해석 알고리즘을 공부해본 사람이라면 『Numerical Recipes』(William Press, 2007)를 잘 알고 있을 것이다. 이 책은 'Numerical Recipes in Python'이라는 별명을 붙여도 될 만큼 Python을 사용한 과학 컴퓨팅에 있어 이와 유사한 수준의 정교하고 깊이 있는 설명이 담겨 있다.
SciPy, NumPy를 기반으로 수많은 과학 및 공학 문제를 Python을 이용해 기호적 기법과 수치적 기법으로 처리하는 방법, scikit-learn을 이용한 머신 러닝을 설명하고 있다. 각 모듈 설명은 사용법에만 그치지 않고 모듈의 종속성 및 구현 철학도 자세히 설명하고 있다. 행렬 및 희소 행렬, 벡터, 상미분과 편미분, 적분, 인수분해, 시계열, 선형 대수, 통계 모델링, 머신 러닝, 신호 처리 등과 같은 이공계의 대표적인 문제 해결에 있어 Python을 어떻게 활용할 수 있는지 예제를 통해 상세히 설명해준다. 이 책에서 제공하는 풍부한 예제를 따라 하다 보면 Python을 통한 과학적 연산을 효과적으로 익히게 될 것이다.

1장. Python을 이용한 컴퓨팅 소개
__Python을 이용한 컴퓨팅 환경
__Python
____인터프리터
__IPython 콘솔
____입출력 캐싱
____자동 완성 및 객체 인트로스펙션
____문서
____시스템 셸과의 상호 작용
____IPython 확장
__Jupyter
____Jupyter QtConsole
____Jupyter Notebook
____Jupyter 랩
____셀 유형
____셀 편집하기
____마크다운 셀
____리치 출력 디스플레이
____nbconvert
__Spyder 통합 개발 환경
____소스 코드 편집기
____Spyder에 있는 콘솔
____객체 검사기
__요약
__추가 참고 도서 목록
__참고 문헌

2장. 벡터, 행렬, 다차원 배열
__모듈 임포트하기
__NumPy 배열 객체
____데이터 유형
____메모리 내 배열 데이터 순서
__배열 만들기
____리스트나 다른 유사-배열 객체에서 생성된 배열
____일정한 값으로 채운 배열
____증분 시퀀스로 채운 배열
____로그 시퀀스로 채워진 배열
____Meshgrid 배열
____초기화되지 않은 배열 만들기
____다른 배열의 특성으로 배열 만들기
____행렬 만들기
__인덱싱 및 슬라이싱
____1차원 배열
____다차원 배열
____뷰
____팬시 인덱싱과 부울 값 인덱싱
__재형상과 크기 변경
__벡터화 식
____산술 연산
____원소별 함수
____집계 함수
____부울 배열과 조건부 식
____집합 연산
____배열 연산
__행렬과 벡터 연산
__요약
__추가 참고 도서 목록
__참고 문헌

3장. 기호 연산
__SymPy 임포트하기
__기호들
____숫자들
__식
__식 다루기
____단순화
____확장
____인수분해 모음 및 병합
____분리, 묶기, 제거
____치환
__수치 계산
____미적분
____도함수
____적분
____계열
____극한
____합과 곱
__방정식
__선형 대수학
__요약
__추가 참고 도서 목록
__참고 문헌

4장. 도식화와 시각화3
__모듈 임포트하기
__시작하기
____대화형 및 비대화형 모드
__Figure
__Axes
____도식 유형
____선 속성
____범례
____텍스트 서식 및 주석
____축 특성
__고급 Axes 레이아웃
____인셋
____부도면
____Subplot2grid
____GridSpec
__컬러 맵 도식화
__3D 도면
__요약
__추가 참고 도서 목록
__참고 문헌

5장. 방정식 풀이
__모듈 임포트하기
__선형 연립 방정식
____정방 시스템
____비정방 방정식
__고윳값 문제
__비선형 방정식
____단변량 방정식
____비선형 연립 방정식
__요약
__추가 참고 도서 목록
__참고 문헌

6장. 최적화
__모듈 임포트하기
__최적화 문제 분류
__일변량 최적화
__제약 없는 다변량 최적화
__비선형 최소 자승 문제
__제약 조건 최적화
____선형 프로그래밍
__요약
__추가 참고 도서 목록
__참고 문헌

7장. 보간법
__모듈 임포트하기
__보간법
__다항식
__다항식 보간
__스플라인 보간
__다변량 보간법
__요약
__추가 참고 도서 목록
__참고 문헌

8장. 적분
__모듈 임포트하기
__수치적 적분법
__Scipy와의 수치적 적분
____표로 된 피적분 함수
__다중 적분
__기호와 임의-정밀도 적분
____선 적분
__적분 변환
__요약
__추가 참고 도서 목록
__참고 문헌

9장. ODE
__모듈 임포트하기
__ODE
__ODE의 기호적 해법
____방향장
____라플라스 변환을 이용한 ODE 해결
__ODE 해결을 위한 수치적인 방법
__Scipy를 이용한 ODE의 수치적 적분
__요약
__추가 참고 도서 목록
__참고 문헌

10장. 희소 행렬과 그래프
__모듈 임포트하기
__Scipy의 희소 행렬
____희소 행렬 생성 함수
____희소 선형 대수 함수
____선형 연립 방정식
____그래프와 네트워크
__요약
__추가 참고 도서 목록
__참고 문헌

11장. PDE
__모듈 임포트하기
__PDE
__FDMs
__FEM
____FEM 라이브러리 조사
__FENiCS를 이용해 PDE 해결하기
__요약
__추가 참고 도서 목록
__참고 문헌

12장. 데이터 처리 및 분석
__모듈 임포트하기
__Pandas 소개
____Series
____DataFrame
____시계열
__Seaborn 그래픽 라이브러리
__요약
__추가 참고 도서 목록
__참고 문헌

13장. 통계학
__모듈 임포트하기
__통계 및 확률 리뷰
__랜덤 수
__확률 변수 및 분포
__가설 검정
__비매개변수 기법
__요약
__추가 참고 도서 목록
__참고 문헌

14장. 통계 모델링
__모듈 임포트하기
__통계 모델링 소개
__Patsy를 이용한 통계 모델 정의
__선형 회귀
____예제 데이터셋
__이산 회귀 분석
____로지스틱 회귀
____푸아송 모델
__시계열
__요약
__추가 참고 도서 목록
__참고 문헌

15장. 머신 러닝
__모듈 임포트하기
__머신 러닝에 대한 간략한 리뷰
__회귀
__분류
__클러스터링
__요약
__추가 참고 도서 목록
__참고 문헌

16장. 베이즈 통계
__모듈 임포트하기
__베이즈 통계 소개
__모델 정의
____사후 분포 표본 추출
____선형 회귀
__요약
__추가 참고 도서 목록
__참고 문헌

17장. 신호 처리
__모듈 임포트하기
__스펙트럼 분석
____푸리에 변환
____윈도우
____스펙트로그램
__신호 필터
____컨벌루션 필터
____FIR 및 IIR 필터
__요약
__추가 참고 도서 목록
__참고 문헌

18장. 데이터 입출력
__모듈 임포트하기
__쉼표-구분 값
__HDF5
____h5py
____PyTables
____Pandas HDFStore
__JSON
__직렬화
__요약
__추가 참고 도서 목록
__참고 문헌

19장. 코드 최적화
__모듈 임포트하기
__Numba
__Cython
__요약
__추가 참고 도서 목록
__참고 문헌

부록. 코드 최적화
__설치
__Miniconda와 Conda
__완벽한 환경
__요약
__추가 참고 도서 목록