01장: 빅데이터 세상에서의 데이터 과학 1.1. 데이터 과학 및 빅데이터의 이점과 활용 1.2. 데이터 종류 - 1.2.1. 구조적 데이터 - 1.2.2. 비구조적 데이터 - 1.2.3. 자연어 - 1.2.4. 기계 생성 데이터 - 1.2.5. 그래프 데이터 또는 네트워크 데이터 - 1.2.6. 오디오, 이미지, 비디오 - 1.2.7. 스트리밍 데이터 1.3. 데이터 과학 과정 - 1.3.1. 연구 목표 설정 - 1.3.2. 데이터 획득 - 1.3.3. 데이터 준비 - 1.3.4. 데이터 탐색 - 1.3.5. 데이터 모델링 또는 모델 구축 - 1.3.6. 발표 및 자동화 1.4. 빅데이터 생태계와 데이터 과학 - 1.4.1. 분산 파일 시스템 - 1.4.2. 분산 프로그래밍 프레임워크 - 1.4.3. 데이터 통합 프레임워크 - 1.4.4. 머신러닝 프레임워크 - 1.4.5. NoSQL 데이터베이스 - 1.4.6. 스케줄링 도구 - 1.4.7. 벤치마크 도구 - 1.4.8. 시스템 배포 - 1.4.9. 서비스 프로그래밍 - 1.4.10. 보안 1.5. 하둡 작업의 예 1.6. 요약
02장: 데이터 과학 진행 과정 2.1. 데이터 과학 진행 과정 개요 - 2.1.1. 과정의 노예가 되지 마라 2.2. 1단계: 연구 목표 설정 및 프로젝트 사명서 작성 - 2.2.1. 연구의 목표와 맥락을 이해하는 데 시간을 투자하라 - 2.2.2. 프로젝트 사명서 작성 2.3. 2단계: 데이터 획득 - 2.3.1. 회사 내에 저장된 데이터로 시작하기 - 2.3.2. 여기저기서 데이터를 사는 일을 두려워 마라 - 2.3.3. 문제가 일어나지 않게 데이터의 품질을 미리 확인하라 2.4. 3단계: 데이터 정제, 통합, 변환 - 2.4.1. 데이터 정제 - 2.4.2. 오류를 최대한 일찍 수정하라 - 2.4.3. 서로 다른 출처로부터 얻은 데이터 합치기 - 2.4.4. 데이터 변환 2.5. 4단계: 탐색적 데이터 분석 2.6. 5단계: 모델 구축 - 2.6.1. 모델과 변수 선택 - 2.6.2. 모델링 실시 - 2.6.3. 모델 분석과 비교 2.7. 6단계: 분석 결과 표현과 애플리케이션 구축 2.8. 요약
03장: 머신러닝 3.1. 머신러닝의 정의와 중요성 - 3.1.1. 데이터 과학에 머신러닝을 적용 - 3.1.2. 데이터 과학 진행 과정에서 머신러닝이 사용되는 곳 - 3.1.3. 머신러닝에 사용하는 파이썬 도구 3.2. 모델링 과정 - 3.2.1. 특성 공학과 모델 선택 - 3.2.2. 모델 훈련 - 3.2.3. 모델 검증 - 3.2.4. 새로운 관찰을 예측하기 3.3. 머신러닝 종류 - 3.3.1. 지도 학습 - 3.3.2. 비지도 학습 - 3.3.3. 준지도 학습 3.4. 요약
04장: 컴퓨터 한 대에서 대량 데이터 다루기 4.1. 대량 데이터를 다룰 때의 문제 4.2. 대량 데이터를 처리하는 일반적인 기법 - 4.2.1. 적절한 알고리즘 선택 - 4.2.2. 적절한 데이터 구조 선택 - 4.2.3. 적절한 도구 선택 4.3. 대규모 데이터셋을 다룰 때의 일반적인 프로그래밍 지침 - 4.3.1. 바퀴를 재발명하지 말라 - 4.3.2. 하드웨어 성능을 최대한 활용하라 - 4.3.3. 컴퓨팅의 필요를 줄여라 4.4. 사례 연구 1: 해로운 URL 여부 예측 - 4.4.1. 1단계: 연구 목표 설정 - 4.4.2. 2단계: URL 데이터 얻기 - 4.4.3. 4단계: 데이터 탐색 - 4.4.4. 5단계: 모델 구축 4.5. 사례 연구 2: 데이터베이스에 추천 시스템 구축 - 4.5.1. 필요한 도구 및 기법 - 4.5.2. 1단계: 연구 질문 - 4.5.3. 3단계: 데이터 준비 - 4.5.4. 5단계: 모델 구축 - 4.5.5. 6단계: 표현 및 자동화 4.6. 요약
05장: 빅데이터 첫걸음 5.1. 프레임워크를 이용해 데이터 저장과 처리를 분산화하기 - 5.1.1. 하둡: 대규모 데이터셋을 저장하고 처리하기 위한 프레임워크 - 5.1.2. 스파크: 더 높은 성능을 내기 위해 맵리듀스를 대체 5.2. 사례 연구: 금전 대출 위험 평가 - 5.2.1. 1단계: 연구 목표 설정 - 5.2.2. 2단계: 데이터 획득 - 5.2.3. 3단계: 데이터 준비 - 5.2.4. 4단계: 데이터 탐색 & 6단계: 보고서 구축 5.3. 요약
06장: NoSQL 운동에 동참하기 6.1. NoSQL 개요 - 6.1.1. ACID: 관계형 데이터베이스의 핵심 원리 - 6.1.2. CAP 정리: 여러 노드에 걸쳐 존재하는 DB의 문제 - 6.1.3. NoSQL 데이터베이스의 BASE 원칙 - 6.1.4. NoSQL 데이터베이스의 종류 6.2. 사례 연구: 질병 진단 - 6.2.1. 1단계: 연구 목표 설정 - 6.2.2. 2단계와 3단계: 데이터 획득 및 준비 - 6.2.3. 4단계: 데이터 탐색 - 6.2.4. 3단계를 반복: 질병 프로파일링을 위한 데이터 준비 - 6.2.5. 4단계를 반복: 질병 프로파일링을 위한 데이터 탐색 - 6.2.6. 6단계: 표현 및 자동화 6.3. 요약
07장: 그래프 데이터베이스의 부상 7.1. 연결 데이터와 그래프 데이터베이스 - 7.1.1. 그래프 데이터는 무엇이며 언제 사용해야 하는가? 7.2. 네오포제이(Neo4j): 그래프 데이터베이스 - 7.2.1. 사이퍼(Cypher): 그래프 질의 언어 7.3. 연결 데이터 예제: 요리법 추천 엔진 - 7.3.1. 1단계: 연구 목표 설정 - 7.3.2. 2단계: 데이터 획득 - 7.3.3. 3단계: 데이터 준비 - 7.3.4. 4단계: 데이터 탐색 - 7.3.5. 5단계: 데이터 모델링 - 7.3.6. 6단계: 표현 7.4. 요약
08장: 텍스트 마이닝과 텍스트 분석 8.1. 실제 세계에서의 텍스트 마이닝 8.2. 텍스트 마이닝 기법 - 8.2.1. 단어 주머니 - 8.2.2. 형태소 처리와 표제어 추출 - 8.2.3. 의사결정 트리 분류기 8.3. 사례 연구: 레딧 게시물 분류 - 8.3.1. 자연어 도구 사용하기 - 8.3.2. 데이터 과학 과정 개요 및 1단계: 연구 목표 - 8.3.3. 2단계: 데이터 획득 - 8.3.4. 3단계: 데이터 준비 - 8.3.5. 4단계: 데이터 탐색 - 8.3.6. 3단계를 반복: 데이터 준비 적응 - 8.3.7. 5단계: 데이터 분석 - 8.3.8. 6단계: 발표 및 자동화 8.4. 요약
09장: 최종 사용자를 위한 데이터 시각화 9.1. 데이터 시각화의 선택사항 9.2. Crossfilter: 자바스크립트 맵리듀스 라이브러리 - 9.2.1. 구성 - 9.2.2. 크로스필터를 사용해 의약품 데이터셋을 필터링 9.3. dc.js로 상호작용 대시보드 만들기 9.4. 대시보드 개발 도구 9.5. 요약
부록C: MySQL 서버 설치 C.1. 윈도우에 MySQL 서버 설치하기 C.2. 리눅스에 MySQL 서버 설치하기
부록D: 아나콘다 설치 및 가상 환경 구성 D.1. 리눅스에 아나콘다 설치하기 D.2. 윈도우에 아나콘다 설치하기 D.3. 환경 설정
[파이썬으로 배우는 데이터 과학 입문과 실습]은 데이터 과학의 주요 개념을 설명하고 데이터 과학자로서 기본적인 작업을 완수할 수 있는 법을 가르친다. 데이터 과학의 진행 과정과 데이터 시각화, 그래프 데이터베이스, NoSQL 사용법 등을 살펴보고, 파이썬 언어 및 파이썬 라이브러리를 사용해 큰 규모의 데이터를 다뤄 본다. 데이터의 규모가 너무 크거나 생성 속도가 너무 빨라서 한 대의 컴퓨터로 처리하기 힘든 경우에 파이썬을 어떻게 활용할 수 있는지도 살펴본다. 또한 유명한 파이썬 데이터 과학 라이브러리인 사이킷런(Scikit-learn)과 스태츠모델스(StatsModels)도 탐구해 본다. 이 책을 읽은 후에는 데이터 과학의 커리어를 시작하는 데 필요한 탄탄한 기본기를 갖추게 될 것이다.
★ 이 책에서 다루는 내용 ★ - 대규모 데이터 처리 - 머신러닝 소개 - 파이썬으로 데이터 다루기 - 데이터 과학 알고리즘 작성
총 
바보 빅터
