1장 기초 수학과 미적분_1.1 정수론_1.2 연산 순서_1.3 변수_1.4 함수_1.5 합계_1.6 거듭제곱_1.7 로그_1.8 오일러 수와 자연로그_1.9 극한_1.10 미분_1.11 적분_1.12 마치며2장 확률_2.1 확률 이해하기_2.2 확률 계산_2.3 이항 분포_2.4 베타 분포_2.5 마치며3장 기술 통계와 추론 통계_3.1 데이터란 무엇인가요?_3.2 기술 통계와 추론 통계_3.3 모집단, 표본, 편향_3.4 기술 통계_3.5 추론 통계_3.6 t 분포: 소규모 표본 처리_3.7 빅 데이터 고려 사항과 텍사스 명사수 오류_3.8 마치며4장 선형대수학_4.1 벡터란 무엇인가요?_4.2 선형 변환_4.3 행렬 곱셈_4.4 행렬식_4.5 특수 행렬_4.6 연립 방정식과 역행렬_4.7 고유 벡터와 고윳값_4.8 마치며5장 선형 회귀_5.1 기본 선형 회귀_5.2 잔차와 제곱 오차_5.3 최적의 직선 찾기_5.4 과대적합 및 분산_5.5 확률적 경사 하강법_5.6 상관 계수_5.7 통계적 유의성_5.8 결정 계수_5.9 추정 표준 오차_5.10 예측 구간_5.11 훈련/테스트 분할_5.12 다중 선형 회귀_5.13 마치며6장 로지스틱 회귀와 분류_6.1 로지스틱 회귀 이해하기_6.2 로지스틱 회귀 수행하기_6.3 다변수 로지스틱 회귀_6.4 로그 오즈 이해하기_6.5 R2_6.6 p 값_6.7 훈련/테스트 분할_6.8 오차 행렬_6.9 베이즈 정리와 분류_6.10 ROC 곡선과 AUC_6.11 클래스 불균형_6.12 마치며7장 신경망_7.1 언제 신경망과 딥러닝을 사용할까요?_7.2 간단한 신경망_7.3 역전파_7.4 사이킷런 사용하기_7.5 신경망과 딥러닝의 한계_7.6 마치며8장 경력 조언과 앞으로의 진로_8.1 데이터 과학의 재정의_8.2 데이터 과학의 간략한 역사_8.3 나만의 강점 찾기_8.4 데이터 과학 직무에서 주의해야 할 사항_8.5 꿈의 직업이 존재하지 않나요?_8.6 이제 어디로 가야 하나요?_8.7 마치며부록 A 보충 학습A.1 심파이로 수학식 표현하기A.2 밑바닥부터 이항 분포 구현하기A.3 밑바닥부터 베타 분포 구현하기A.4 베이즈 정리 유도하기A.5 밑바닥부터 CDF와 역CDF 구현하기A.6 e를 사용해 시간 경과에 따른 사건 확률 예측하기A.7 언덕 오르기와 선형 회귀A.8 언덕 오르기와 로지스틱 회귀A.9 선형 계획법에 대한 간략한 소개A.10 사이킷런을 사용한 MNIST 분류기〈별책 부록〉 워크북