데이터 과학 레벨 업 with 로드맵
$45.89
SKU
9791169210959
[Free shipping over $100]
Standard Shipping estimated by Thu 12/5 - Wed 12/11 (주문일로부 10-14 영업일)
Express Shipping estimated by Mon 12/2 - Wed 12/4 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2023/04/20 |
| Pages/Weight/Size | 183*235*35mm |
| ISBN | 9791169210959 |
| Categories | IT 모바일 > OS/데이터베이스 |
Description
데이터 과학자여,
그랜드마스터로 올라서는 비법이 여기에 있다.
실력 향상에 가장 좋은 방법은 실습! 데이터 과학 플랫폼 캐글에서는 다양한 대회에 참가하고 데이터 세트와 노트북, 토론을 주고받으며 ‘실습을 통한 학습’ 경험을 쌓을 수 있습니다. 캐글 그랜드마스터인 콘라트 바나헤비치와 루카 마사론이 데이터 과학 대회와 프로젝트에서 성공하는 데 필요한 기술과 비법을 하나로 모았습니다. 다양한 경험을 통해 쌓인 모델링 전략과 각종 지식을 토대로 데이터 과학자로 성장하는 방법을 여러분에게 전수합니다.
그랜드마스터와 마스터 등급에 오른 캐글러 31명의 솔직한 인터뷰도 담았습니다. 이들이 가감 없이 공유하는 초창기에 저지른 실수와 깨달은 교훈을 통해 데이터 과학 세계에서 살아남는 데 필요한 인사이트를 얻어보세요. 그랜드마스터가 대회나 프로젝트를 시작할 때 사용하는 접근법과 서로 협력하는 법, 도구까지 여러분 것으로 만드세요. 길목 곳곳에 숨겨진 보물을 찾다보면 어느새 데이터 과학에 자신감이 붙은 여러분을 발견할 수 있을 겁니다.
그랜드마스터로 올라서는 비법이 여기에 있다.
실력 향상에 가장 좋은 방법은 실습! 데이터 과학 플랫폼 캐글에서는 다양한 대회에 참가하고 데이터 세트와 노트북, 토론을 주고받으며 ‘실습을 통한 학습’ 경험을 쌓을 수 있습니다. 캐글 그랜드마스터인 콘라트 바나헤비치와 루카 마사론이 데이터 과학 대회와 프로젝트에서 성공하는 데 필요한 기술과 비법을 하나로 모았습니다. 다양한 경험을 통해 쌓인 모델링 전략과 각종 지식을 토대로 데이터 과학자로 성장하는 방법을 여러분에게 전수합니다.
그랜드마스터와 마스터 등급에 오른 캐글러 31명의 솔직한 인터뷰도 담았습니다. 이들이 가감 없이 공유하는 초창기에 저지른 실수와 깨달은 교훈을 통해 데이터 과학 세계에서 살아남는 데 필요한 인사이트를 얻어보세요. 그랜드마스터가 대회나 프로젝트를 시작할 때 사용하는 접근법과 서로 협력하는 법, 도구까지 여러분 것으로 만드세요. 길목 곳곳에 숨겨진 보물을 찾다보면 어느새 데이터 과학에 자신감이 붙은 여러분을 발견할 수 있을 겁니다.
Contents
PART I 캐글 사용법
CHAPTER 1 캐글과 데이터 과학 대회
_1.1 데이터 과학 대회 플랫폼의 부상
__1.1.1 캐글 대회 플랫폼
__1.1.2 다른 대회 플랫폼
_1.2 캐글 소개
__1.2.1 대회의 스테이지
__1.2.2 대회의 유형과 예시
__1.2.3 제출과 리더보드 역학
__1.2.4 컴퓨팅 리소스
__1.2.5 팀 구성과 네트워킹
__1.2.6 성과 등급과 순위
__1.2.7 비판과 기회
_1.3 요약
인터뷰 | 01 - 코드를 공유하고 토론하는 커뮤니티, 캐글
인터뷰 | 02 - 프레임워크의 중요성
CHAPTER 2 캐글 데이터 세트
_2.1 데이터 세트 준비하기
_2.2 데이터 수집
_2.3 데이터 세트로 작업하기
_2.4 구글 코랩에서 캐글 데이터 세트 사용하기
_2.5 법적 주의 사항
_2.6 요약
인터뷰 | 03 - 좋은 데이터 세트를 만드는 법
CHAPTER 3 캐글 노트북
_3.1 노트북 설정하기
_3.2 노트북 실행하기
_3.3 노트북 깃허브에 저장하기
_3.4 노트북 최대로 활용하기
__3.4.1 구글 클라우드 플랫폼(GCP)으로 업그레이드하기
__3.4.2 한 걸음 더 나아가기
_3.5 캐글 학습 코스
_3.6 요약
인터뷰 | 04 - 경험과 실수는 성장하는 원동력
인터뷰 | 05 - 캐글 입문자를 위한 접근법
CHAPTER 4 토론 포럼
_4.1 포럼이 운영되는 방식
_4.2 토론 접근법
_4.3 네티켓
_4.4 요약
인터뷰 | 06 - 기술에서 벗어나 맥락에서 정보를 찾아라
PART II 대회를 위한 테크닉
CHAPTER 5 대회 과제와 지표
_5.1 평가 지표와 목적 함수
_5.2 과제의 기본 유형
__5.2.1 회귀
__5.2.2 분류
__5.2.3 서수
_5.3 메타 캐글 데이터 세트
_5.4 처음 보는 지표 처리
_5.5 회귀를 위한 지표(표준과 서수)
__5.5.1 평균 제곱 오차(MSE)와 결정계수
__5.5.2 평균 제곱근 오차(RMSE)
__5.5.3 평균 제곱근 로그 오차(RMSLE)
__5.5.4 평균 절대 오차(MAE)
_5.6 분류를 위한 지표(레이블 예측과 확률)
__5.6.1 정확도
__5.6.2 정밀도와 재현율
__5.6.3 F1 점수
__5.6.4 로그 손실과 ROC-AUC
__5.6.5 매튜스 상관계수(MCC)
_5.7 다중 분류를 위한 지표
_5.8 객체 탐지를 위한 지표
__5.8.1 IoU
__5.8.2 다이스
_5.9 다중 레이블 분류와 추천을 위한 지표
__5.9.1 MAP@{K}
_5.10 평가 지표 최적화
__5.10.1 사용자 정의 지표와 사용자 정의 목표 함수
__5.10.2 예측 후처리
_5.11 요약
인터뷰 | 07 - 전분야 그랜드마스터의 문제 접근법
인터뷰 | 08 - 장기적인 목표를 잡아라
인터뷰 | 09 - 핵심은 꾸준함
CHAPTER 6 좋은 검증 설계법
_6.1 리더보드 분석
_6.2 대회에서 검증의 중요성
__6.2.1 편향과 분산
_6.3 다양한 분할 전략 시도
__6.3.1 기본 훈련 세트 분할
__6.3.2 확률적 평가 방법
_6.4 모델 검증 시스템 조정
_6.5 적대적 검증 사용
__6.5.1 구현 예시
__6.5.2 훈련 데이터와 테스트 데이터의 분포 차이 처리
_6.6 누수 처리
_6.7 요약
인터뷰 | 10 - 모든 것을 검증하라
인터뷰 | 11 - 여러 아이디어로 만드는 좋은 검증
인터뷰 | 12 - 캐글은 마라톤이다
CHAPTER 7 태뷸러 데이터 대회를 위한 모델링
_7.1 플레이그라운드 시리즈
_7.2 재현성을 위한 랜덤 상태 설정
_7.3 EDA의 중요성
__7.3.1 t-SNE과 UMAP으로 차원 축소하기
_7.4 데이터 사이즈 축소하기
_7.5 특징 공학 적용하기
__7.5.1 쉽게 파생된 특징
__7.5.2 행과 열에 기반한 메타 특징
__7.5.3 목표 인코딩
__7.5.4 특징의 중요도 활용해서 작업 평가하기
_7.6 의사 레이블링
_7.7 오토인코더로 잡음 제거하기
_7.8 태뷸러 데이터 대회를 위한 신경망
_7.9 요약
인터뷰 | 13 - 게임처럼 접근하라
인터뷰 | 14 - 데이터 과학도 과학이다
CHAPTER 8 하이퍼파라미터 최적화
_8.1 기본 최적화 기법
__8.1.1 그리드 탐색
__8.1.2 랜덤 탐색
__8.1.3 분할 탐색
_8.2 핵심 파라미터와 사용 방법
__8.2.1 선형 모델
__8.2.2 서포트 벡터 머신
__8.2.3 랜덤 포레스트와 극단적 랜덤 트리
__8.2.4 그레이디언트 트리 부스팅
_8.3 베이지언 최적화
__8.3.1 scikit-optimize 사용하기
__8.3.2 베이지언 최적화 탐색 커스터마이징하기
__8.3.3 베이지언 최적화를 신경망 구조 탐색(NAS)으로 확장하기
__8.3.4 KerasTunner로 더 가볍고 빠른 모델 생성하기
__8.3.5 Optuna의 TPE 접근
_8.4 요약
인터뷰 | 15 - 배우는 게 있다면 실패가 아니다
인터뷰 | 16 - 문제와 데이터부터 이해하라
인터뷰 | 17 - 도전하는 용기
CHAPTER 9 블렌딩과 스태킹 설루션을 사용한 앙상블
_9.1 앙상블 알고리듬
_9.2 모델 평균화로 앙상블하기
__9.2.1 다수결 투표 알고리듬
__9.2.2 모델 예측의 평균화
__9.2.3 가중 평균
__9.2.4 교차검증 전략의 평균화
__9.2.5 ROC-AUC 평가를 위한 평균 수정
_9.3 메타 모델을 사용한 모델 블렌딩
__9.3.1 모델 블렌딩의 모범 사례
_9.4 모델 스태킹
__9.4.1 스태킹 변형
_9.5 복잡한 스태킹과 블렌딩 설루션 만들기
_9.6 요약
인터뷰 | 18 - 데이터를 이해하면 프로젝트가 시작된다
인터뷰 | 19 - 새로운 영역에 겁내지 말 것
CHAPTER 10 컴퓨터 비전 모델링
_10.1 증강 전략
__10.1.1 케라스 내장 증강
__10.1.2 Albumentations
_10.2 분류
_10.3 객체 탐지
_10.4 시맨틱 분할
_10.5 요약
인터뷰 | 20 - 배우고 즐겨라
인터뷰 | 21 - 모든 대회는 퍼즐을 해결하는 모험
CHAPTER 11 NLP 모델링
_11.1 감정 분석
_11.2 오픈 도메인 Q&A
_11.3 텍스트 데이터 증강 전략
__11.3.1 기본 테크닉
__11.3.2 nlpaug
_11.4 요약
인터뷰 | 22 - 스스로의 아이디어로 시작하라
인터뷰 | 23 - 신문사 데이터 과학자가 텍스트를 다루는 법
CHAPTER 12 시뮬레이션과 최적화 대회
_12.1 Connect X
_12.2 가위바위보
_12.3 산타 대회 2020
_12.4 Halite
_12.5 요약
인터뷰 | 24 - 성장을 돕는 캐글
PART III 데이터 과학 경력 관리
CHAPTER 13 포트폴리오 준비
_13.1 캐글로 포트폴리오 구축하기
__13.1.1 노트북과 토론 활용하기
_13.2 캐글을 넘어 온라인에 존재감 드러내기
__13.2.1 블로그
__13.2.2 깃허브
_13.3 대회 최신 소식과 뉴스레터 모니터링하기
_13.4 요약
인터뷰 | 25 - 대회에서 얻은 새로운 기회
인터뷰 | 26 - 칭찬은 캐글러를 춤추게 한다
CHAPTER 14 새로운 기회를 찾는 법
_14.1 대회에 참여한 다른 데이터 과학자와 관계 구축하기
_14.2 캐글 데이와 캐글 밋업에 참가하기
_14.3 주목받는 방법과 다른 직업 기회들
__14.3.1 STAR 접근법
_14.4 요약
인터뷰 | 27 - 단기적인 피드백으로 개선하는 장기 연구
인터뷰 | 28 - 비전공자의 데이터 과학 도전기
인터뷰 | 29 - 16세에 그랜드마스터가 된 이야기
인터뷰 | 30 - 캐글이 만든 커리어
인터뷰 | 31 - 대회의 목적은 우승이 아닌 배움
마무리
CHAPTER 1 캐글과 데이터 과학 대회
_1.1 데이터 과학 대회 플랫폼의 부상
__1.1.1 캐글 대회 플랫폼
__1.1.2 다른 대회 플랫폼
_1.2 캐글 소개
__1.2.1 대회의 스테이지
__1.2.2 대회의 유형과 예시
__1.2.3 제출과 리더보드 역학
__1.2.4 컴퓨팅 리소스
__1.2.5 팀 구성과 네트워킹
__1.2.6 성과 등급과 순위
__1.2.7 비판과 기회
_1.3 요약
인터뷰 | 01 - 코드를 공유하고 토론하는 커뮤니티, 캐글
인터뷰 | 02 - 프레임워크의 중요성
CHAPTER 2 캐글 데이터 세트
_2.1 데이터 세트 준비하기
_2.2 데이터 수집
_2.3 데이터 세트로 작업하기
_2.4 구글 코랩에서 캐글 데이터 세트 사용하기
_2.5 법적 주의 사항
_2.6 요약
인터뷰 | 03 - 좋은 데이터 세트를 만드는 법
CHAPTER 3 캐글 노트북
_3.1 노트북 설정하기
_3.2 노트북 실행하기
_3.3 노트북 깃허브에 저장하기
_3.4 노트북 최대로 활용하기
__3.4.1 구글 클라우드 플랫폼(GCP)으로 업그레이드하기
__3.4.2 한 걸음 더 나아가기
_3.5 캐글 학습 코스
_3.6 요약
인터뷰 | 04 - 경험과 실수는 성장하는 원동력
인터뷰 | 05 - 캐글 입문자를 위한 접근법
CHAPTER 4 토론 포럼
_4.1 포럼이 운영되는 방식
_4.2 토론 접근법
_4.3 네티켓
_4.4 요약
인터뷰 | 06 - 기술에서 벗어나 맥락에서 정보를 찾아라
PART II 대회를 위한 테크닉
CHAPTER 5 대회 과제와 지표
_5.1 평가 지표와 목적 함수
_5.2 과제의 기본 유형
__5.2.1 회귀
__5.2.2 분류
__5.2.3 서수
_5.3 메타 캐글 데이터 세트
_5.4 처음 보는 지표 처리
_5.5 회귀를 위한 지표(표준과 서수)
__5.5.1 평균 제곱 오차(MSE)와 결정계수
__5.5.2 평균 제곱근 오차(RMSE)
__5.5.3 평균 제곱근 로그 오차(RMSLE)
__5.5.4 평균 절대 오차(MAE)
_5.6 분류를 위한 지표(레이블 예측과 확률)
__5.6.1 정확도
__5.6.2 정밀도와 재현율
__5.6.3 F1 점수
__5.6.4 로그 손실과 ROC-AUC
__5.6.5 매튜스 상관계수(MCC)
_5.7 다중 분류를 위한 지표
_5.8 객체 탐지를 위한 지표
__5.8.1 IoU
__5.8.2 다이스
_5.9 다중 레이블 분류와 추천을 위한 지표
__5.9.1 MAP@{K}
_5.10 평가 지표 최적화
__5.10.1 사용자 정의 지표와 사용자 정의 목표 함수
__5.10.2 예측 후처리
_5.11 요약
인터뷰 | 07 - 전분야 그랜드마스터의 문제 접근법
인터뷰 | 08 - 장기적인 목표를 잡아라
인터뷰 | 09 - 핵심은 꾸준함
CHAPTER 6 좋은 검증 설계법
_6.1 리더보드 분석
_6.2 대회에서 검증의 중요성
__6.2.1 편향과 분산
_6.3 다양한 분할 전략 시도
__6.3.1 기본 훈련 세트 분할
__6.3.2 확률적 평가 방법
_6.4 모델 검증 시스템 조정
_6.5 적대적 검증 사용
__6.5.1 구현 예시
__6.5.2 훈련 데이터와 테스트 데이터의 분포 차이 처리
_6.6 누수 처리
_6.7 요약
인터뷰 | 10 - 모든 것을 검증하라
인터뷰 | 11 - 여러 아이디어로 만드는 좋은 검증
인터뷰 | 12 - 캐글은 마라톤이다
CHAPTER 7 태뷸러 데이터 대회를 위한 모델링
_7.1 플레이그라운드 시리즈
_7.2 재현성을 위한 랜덤 상태 설정
_7.3 EDA의 중요성
__7.3.1 t-SNE과 UMAP으로 차원 축소하기
_7.4 데이터 사이즈 축소하기
_7.5 특징 공학 적용하기
__7.5.1 쉽게 파생된 특징
__7.5.2 행과 열에 기반한 메타 특징
__7.5.3 목표 인코딩
__7.5.4 특징의 중요도 활용해서 작업 평가하기
_7.6 의사 레이블링
_7.7 오토인코더로 잡음 제거하기
_7.8 태뷸러 데이터 대회를 위한 신경망
_7.9 요약
인터뷰 | 13 - 게임처럼 접근하라
인터뷰 | 14 - 데이터 과학도 과학이다
CHAPTER 8 하이퍼파라미터 최적화
_8.1 기본 최적화 기법
__8.1.1 그리드 탐색
__8.1.2 랜덤 탐색
__8.1.3 분할 탐색
_8.2 핵심 파라미터와 사용 방법
__8.2.1 선형 모델
__8.2.2 서포트 벡터 머신
__8.2.3 랜덤 포레스트와 극단적 랜덤 트리
__8.2.4 그레이디언트 트리 부스팅
_8.3 베이지언 최적화
__8.3.1 scikit-optimize 사용하기
__8.3.2 베이지언 최적화 탐색 커스터마이징하기
__8.3.3 베이지언 최적화를 신경망 구조 탐색(NAS)으로 확장하기
__8.3.4 KerasTunner로 더 가볍고 빠른 모델 생성하기
__8.3.5 Optuna의 TPE 접근
_8.4 요약
인터뷰 | 15 - 배우는 게 있다면 실패가 아니다
인터뷰 | 16 - 문제와 데이터부터 이해하라
인터뷰 | 17 - 도전하는 용기
CHAPTER 9 블렌딩과 스태킹 설루션을 사용한 앙상블
_9.1 앙상블 알고리듬
_9.2 모델 평균화로 앙상블하기
__9.2.1 다수결 투표 알고리듬
__9.2.2 모델 예측의 평균화
__9.2.3 가중 평균
__9.2.4 교차검증 전략의 평균화
__9.2.5 ROC-AUC 평가를 위한 평균 수정
_9.3 메타 모델을 사용한 모델 블렌딩
__9.3.1 모델 블렌딩의 모범 사례
_9.4 모델 스태킹
__9.4.1 스태킹 변형
_9.5 복잡한 스태킹과 블렌딩 설루션 만들기
_9.6 요약
인터뷰 | 18 - 데이터를 이해하면 프로젝트가 시작된다
인터뷰 | 19 - 새로운 영역에 겁내지 말 것
CHAPTER 10 컴퓨터 비전 모델링
_10.1 증강 전략
__10.1.1 케라스 내장 증강
__10.1.2 Albumentations
_10.2 분류
_10.3 객체 탐지
_10.4 시맨틱 분할
_10.5 요약
인터뷰 | 20 - 배우고 즐겨라
인터뷰 | 21 - 모든 대회는 퍼즐을 해결하는 모험
CHAPTER 11 NLP 모델링
_11.1 감정 분석
_11.2 오픈 도메인 Q&A
_11.3 텍스트 데이터 증강 전략
__11.3.1 기본 테크닉
__11.3.2 nlpaug
_11.4 요약
인터뷰 | 22 - 스스로의 아이디어로 시작하라
인터뷰 | 23 - 신문사 데이터 과학자가 텍스트를 다루는 법
CHAPTER 12 시뮬레이션과 최적화 대회
_12.1 Connect X
_12.2 가위바위보
_12.3 산타 대회 2020
_12.4 Halite
_12.5 요약
인터뷰 | 24 - 성장을 돕는 캐글
PART III 데이터 과학 경력 관리
CHAPTER 13 포트폴리오 준비
_13.1 캐글로 포트폴리오 구축하기
__13.1.1 노트북과 토론 활용하기
_13.2 캐글을 넘어 온라인에 존재감 드러내기
__13.2.1 블로그
__13.2.2 깃허브
_13.3 대회 최신 소식과 뉴스레터 모니터링하기
_13.4 요약
인터뷰 | 25 - 대회에서 얻은 새로운 기회
인터뷰 | 26 - 칭찬은 캐글러를 춤추게 한다
CHAPTER 14 새로운 기회를 찾는 법
_14.1 대회에 참여한 다른 데이터 과학자와 관계 구축하기
_14.2 캐글 데이와 캐글 밋업에 참가하기
_14.3 주목받는 방법과 다른 직업 기회들
__14.3.1 STAR 접근법
_14.4 요약
인터뷰 | 27 - 단기적인 피드백으로 개선하는 장기 연구
인터뷰 | 28 - 비전공자의 데이터 과학 도전기
인터뷰 | 29 - 16세에 그랜드마스터가 된 이야기
인터뷰 | 30 - 캐글이 만든 커리어
인터뷰 | 31 - 대회의 목적은 우승이 아닌 배움
마무리