[1부] 데이터 기초체력 기르기▣ 1장: 통계학 이해하기1.1 왜 통계학을 알아야 할까?1.2 머신러닝과 전통적 통계학의 차이1.3 통계학의 정의와 기원1.4 기술 통계화 추론 통계__1.4.1 기술 통계__1.4.2 추론 통계▣ 2장: 모집단과 표본추출2.1 모집단과 표본, 전수조사와 표본조사2.2 표본조사를 하는 이유와 데이터과학 적용 방법2.3 표본추출에서 나타나는 편향의 종류2.4 인지적 편향의 종류__2.4.1 확증 편향(confirmation bias)__2.4.2 기준점 편향(anchoring bias)__2.4.3 선택 지원 편향(choice-supportive bias)__2.4.4 분모 편향(denominator bias)__2.4.5 생존자 편향(survivorship bias)2.5 머신러닝 모델 측면의 편향과 분산2.6 표본 편향을 최소화하기 위한 표본 추출 방법▣ 3장: 변수와 척도3.1 변수의 종류3.2 변수 관계의 종류3.3 척도의 종류▣ 4장: 데이터의 기술 통계적 측정4.1 중심 성향의 측정4.2 분산과 표준편차4.3 산포도와 범위, 사분위수, 변동계수4.4 왜도와 첨도__4.4.1 왜도 __4.4.2 첨도4.5 표준편차의 경험법칙▣ 5장: 확률과 확률변수5.1 확률의 기본 개념5.2 확률의 종류5.3 분할과 베이지안 이론__5.3.1 분할__5.3.2 베이지안 이론5.4 확률변수의 개념과 종류5.5 심슨의 역설▣ 6장: 확률분포6.1 확률분포의 정의와 종류6.2 이산확률분포__6.2.1 균등분포__6.2.2 이항분포__6.2.3 초기하분포__6.2.4 포아송분포6.3 연속확률분포__6.3.1 정규분포__6.3.2 지수분포6.4 중심극한정리[2부] 데이터 분석 준비하기▣ 7장: 가설검정7.1 귀무가설과 대립가설7.2 가설검정의 절차7.3 가설검정의 유의수준과 p값7.4 1종 오류와 2종 오류▣ 8장: 분석 프로젝트 준비 및 기획8.1 데이터 분석의 전체 프로세스__8.1.1 데이터 분석의 3단계__8.1.2 CRISP-DM 방법론__8.1.3 SAS SEMMA 방법론8.2 비즈니스 문제 정의와 분석 목적 도출8.3 분석 목적의 전환8.4 도메인 지식8.5 외부 데이터 수집과 크롤링▣ 9장: 분석 환경 세팅하기9.1 어떤 데이터 분석 언어를 사용하는 것이 좋을까?9.2 데이터 처리 프로세스 이해하기9.3 분산데이터 처리__9.3.1 HDFS__9.3.2 아파치 스파크9.4 테이블 조인과 정의서 그리고 ERD__9.4.1 테이블 조인__9.4.2 데이터 단어사전__9.4.3 테이블 정의서__9.4.4 ERD▣ 10장: 데이터 탐색과 시각화10.1 탐색적 데이터 분석__10.1.1 엑셀을 활용한 EDA__10.1.2 탐색적 데이터 분석 실습10.2 공분산과 상관성 분석__10.2.1 공분산__10.2.2 상관계수 __10.2.3 공분산과 상관성 분석 실습10.3 시간 시각화__10.3.1 시간 시각화 실습10.4 비교 시각화__10.4.1 비교 시각화 실습10.5 분포 시각화__10.5.1 분포 시각화 실습10.6 관계 시각화__10.6.1 관계 시각화 실습10.7 공간 시각화__10.7.1 공간 시각화 실습10.8 박스 플롯__10.8.1 박스 플롯 실습 ▣ 11장: 데이터 전처리와 파생변수 생성11.1 결측값 처리__11.1.1 결측값 처리 실습11.2 이상치 처리__11.2.1 이상치 처리 실습11.3 변수 구간화(Binning)__11.3.1 변수 구간화 실습11.4 데이터 표준화와 정규화 스케일링__11.4.1 데이터 표준화와 정규화 스케일링 실습11.5 모델 성능 향상을 위한 파생 변수 생성__11.5.1 파생 변수 생성 실습11.6 슬라이딩 윈도우 데이터 가공__11.6.1 슬라이딩 윈도우 실습11.7 범주형 변수의 가변수 처리__11.7.1 범주형 변수의 가변수 처리 실습11.8 클래스 불균형 문제 해결을 위한 언더샘플링과 오버샘플링__11.8.1 언더샘플링과 오버샘플링 실습11.9 데이터 거리 측정 방법__11.9.1 대표적인 거리 측정 방법__11.9.2 데이터 거리 측정 실습[3부] 데이터 분석하기▣ 12장: 통계 기반 분석 방법론12.1 분석 모델 개요12.2 주성분 분석(PCA)__12.2.1 주성분 분석 실습 12.3 공통요인분석(CFA)__12.3.1 공통요인분석 실습12.4 다중공선성 해결과 섀플리 밸류 분석12.5 데이터 마사지와 블라인드 분석__12.5.1 데이터 마사지__12.5.2 블라인드 분석12.6 Z-test와 T-test__12.6.1 Z-test와 T-test 실습12.7 ANOVA(Analysis of Variance)__12.7.1 ANOVA 실습12.8 카이제곱 검정(교차분석)__12.8.1 카이제곱 검정 실습▣ 13장: 머신러닝 분석 방법론13.1 선형 회귀분석과 Elastic Net(예측모델)__13.1.1 회귀분석의 기원과 원리__13.1.2 다항 회귀(Polynomial regression)__13.1.3 Ridge와 Lasso 그리고 Elastic Net__13.1.4 선형 회귀분석과 Elastic Net 실습13.2 로지스틱 회귀분석 (분류 모델)__13.2.1 로지스틱 회귀분석 실습13.3 의사결정나무와 랜덤 포레스트(예측/분류 모델)__13.3.1 분류나무와 회귀나무__13.3.2 의사결정나무 모델의 장단점__13.3.3 의사결정나무 모델의 과적합 방지를 위한 방법__13.3.4 랜덤 포레스트__13.3.5 의사결정나무와 랜덤 포레스트 실습13.4 선형 판별분석과 이차 판별분석(분류 모델)__13.4.1 선형 판별분석__13.4.2 이차 판별분석__13.4.3 선형 판별분석과 이차 판별분석 실습13.5 서포트벡터머신(분류 모델)__13.5.1 서포트벡터머신 실습13.6 KNN(분류, 예측 모델)__13.6.1 KNN 실습13.7 시계열 분석(예측모델)__13.7.1 회귀 기반 시계열 분석__13.7.2 ARIMA 모델__13.7.3 시계열 분석 실습13.8 k-means 클러스터링(군집 모델)__13.8.1 k-means 클러스터링 실습13.9 연관규칙과 협업 필터링(추천 모델)__13.9.1 연관 규칙__13.9.2 콘텐츠 기반 필터링과 협업 필터링__13.9.3 연관규칙과 협업 필터링 실습13.10 인공 신경망(CNN, RNN, LSTM)__13.10.1 CNN __13.10.2 RNN과 LSTM__13.10.3 인공 신경망 실습▣ 14장: 모델 평가14.1 학습 셋, 검증 셋, 테스트 셋과 과적합 해결14.2 주요 교차 검증 방법__14.2.1 k-Fold Cross Validation__14.2.2 LOOCV(Leave-one-out Cross-validation)__14.2.3 Stratified K-fold Cross Validation__14.2.4 Nested Cross Validation__14.2.5 Grid Search Cross Validation__14.2.6 주요 교차 검증 방법 실습14.3 회귀성능 평가지표__14.3.1 R-Square와 Adjusted R-Square__14.3.2 RMSE(Root Mean Square Error)__14.3.3 MAE(Mean Absolute Error)__14.3.4 MAPE(Mean Absolute Percentage Error)__14.3.5 RMSLE(Root Mean Square Logarithmic Error)__14.3.6 AIC와 BIC__14.3.7 회귀성능 평가지표 실습14.4 분류, 추천 성능 평가지표__14.4.1 혼동 행렬__14.4.2 정확도, 오분류율, 정밀도, 민감도, 특이도 그리고 f-score__14.4.3 향상도 테이블과 향상도 차트 그리고 향상도 곡선__14.4.4 ROC 곡선과 AUC__14.4.5 수익 곡선__14.4.6 Precision at k, Recall at K 그리고 MAP__14.4.7 분류, 추천 성능 평가지표 실습14.5 A/B 테스트와 MAB__14.5.1 A/B 테스트__14.5.2 MAB14.6 유의확률의 함정14.7 분석가의 주관적 판단과 스토리텔링