실전 데이터 사이언스 기본 과정

이 강의에서는 현장에서 필요한 파이썬의 핵심적인 내용을 중점적으로 다룹니다.  

먼저, 주피터 노트북과 깃허브 사용법을 배웁니다. 파이썬 기초 문법에서 숫자, 문자열, 불리언 변수를 다루는 것과 여러 개의 데이터를 묶어서 처리하기 위한 리스트, 튜플, 딕셔너리 사용법을 배웁니다. 

다음에는, 판다스 패키지가 제공하는, 2차원 테이블 구조인 데이터프레임의 조작법을 배우고, 넘파이가 제공하는 매트릭스(배열)의 수치 연산 방법을 다룹니다.

대표적인 시각화 함수인 plot, scatter, hist, boxplot, bar 사용법과 특징을 소개합니다.

파이썬의 가장 큰 장점은 "데이터에 함수를 편리하게 적용"하는 것입니다. 여러 가지 함수 적용 방법인 lambda, map, apply의 사용법을 배웁니다.

기업에서 데이터를 다루는 실무자가 가장 많은 시간을 투자해야 하고, 실제로 데이터 분석 (머신러닝) 성능에 가장 큰 영향을 주는 작업이 데이터 전처리입니다.

데이터 전처리 주요 내용인 1)데이터클리닝, 2)스케일링, 3)이상치 처리, 4)데이터변환(로그변환, 카테고리 인코딩)의 기본개념을 배웁니다.

본격적인 데이터 분석에 앞서 데이터의 전체적인 특성을 살펴보고 수집한 데이터가 분석에 적절한지 알아보는 탐색적 분석(EDA) 방법을 배웁니다.

테이블 데이터를 다루는데 유용한 concat, join, merge, groupby, pivot_table 사용법을 배우며 시계열 데이터 처리와 walk forward 예측 개념을 소개합니다.

기업의 디지털 전환(DT), 인공지능(AI) 도입은 머신러닝 모델 구축에서 시작합니다. 머신러닝은 데이터를 보고 학습하여 점차 성능이 개선되는 소프트웨어를 의미합니다.

이 강의에서는 머신러닝 모델을 구현하는 기본적이며 공통적인 방법을 선형 모델을 사용하여 배웁니다. 

먼저 회귀 모델의 구현, 학습, 검증 방법 그리고 모델 성능 평가 척도인 R-squared, MAE, RMSE 등을 배웁니다. 

다음에는 분류 모델 구현 방법과 결정 경계, 컨퓨전 매트릭스, 정확도, 정밀도(precision), 리콜(recall), f-1 점수의 개념을 배웁니다. 분류 모델의 종합적인 성능 평가를 위해서는 예측 순위(랭킹)를 평가해야 하는데 이를 위해서 ROC-AUC, precision-recall curve를 설명하고 precision-recall 커브를 이용하여 최적의 결정 경계값(threshold)을 찾는 방법을 자세히 다룹니다.

통계 분석과 머신러닝의 차이를 소개합니다.