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 마치며
2장 확률
_2.1 확률 이해하기
_2.2 확률 계산
_2.3 이항 분포
_2.4 베타 분포
_2.5 마치며
3장 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 마치며
4장 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 마치며
5장 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 마치며
6장 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 마치며
7장 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 마치며
아마존 선형대수학, 미적분 분야 베스트셀러
개발자라면 꼭! 짚고 넘어가야 할 수학 개념 101
데이터 과학과 머신러닝 세계를 정복하고 싶으신가요? 그 여정의 첫걸음은 바로 수학입니다. 머신러닝의 핵심 원리와 알고리즘은 사실 수학적 개념에 뿌리를 두고 있습니다. 이 책은 미적분, 확률, 통계, 선형대수학의 기초부터 데이터 과학에 적용하는 방법까지 체계적으로 안내합니다. 파이썬을 활용한 실습을 통해 선형 회귀부터 신경망에 이르기까지, 실무에서 수학이 어떻게 녹아드는지를 생생하게 배울 수 있습니다. 데이터 과학자로서의 여정을 시작하는 데 이보다 더 완벽한 안내서는 없습니다. 이 책과 함께 데이터 과학의 무한한 가능성을 탐험해보세요. 탄탄한 수학 개념 이해로 시작하는 데이터 과학 첫걸음, 지금 바로 시작하세요!
대상 독자
데이터 과학과 머신러닝에 사용되는 수학 개념과 도구, 알고리즘을 이해하고 싶은 개발자
데이터 분석 실무를 맡고 있는 데이터 엔지니어, 데이터 과학자, 머신러닝 엔지니어, 통계 전문가
주요 내용
파이썬 코드와 라이브러리로 살펴보는 기초 수학 개념
기술 통계와 가설 검정으로 p 값과 통계적 유의성 해석하기
선형 회귀, 로지스틱 회귀, 신경망에 수학 개념 적용하기
탄탄한 데이터 과학 경력을 쌓는 방법과 진로 조언
각 장에서 배운 개념을 복습하는 워크북 제공
[지은이의 말]
지난 10여 년 동안 일상생활과 업무에 수학과 통계를 적용하는 데 관심이 높아졌습니다. 데이터의 가용성이 증가함에 따라 수학과 통계학이 주류의 관심을 끌고 있으며, 이런 데이터를 이해하기 위해서는 수학, 통계학, 머신러닝이 필요합니다.
컴퓨터가 우리보다 더 똑똑하다고 생각하기 쉽지만(그리고 이러한 생각은 종종 마케팅에 활용되기도 합니다, 현실은 그 반대일지 모릅니다. 이러한 오해는 상당히 위험할 수 있습니다. 알고리즘이나 AI가 범죄 판결을 내리거나 자동차 운전을 하는 데 개발자를 포함한 그 누구도 특정 결정에 도달한 이유를 설명할 수 없다
