1장. Python을 이용한 컴퓨팅 소개 __Python을 이용한 컴퓨팅 환경 __Python ____인터프리터 __IPython 콘솔 ____입출력 캐싱 ____자동 완성 및 객체 인트로스펙션 ____문서 ____시스템 셸과의 상호 작용 ____IPython 확장 __Jupyter ____Jupyter QtConsole ____Jupyter Notebook ____Jupyter 랩 ____셀 유형 ____셀 편집하기 ____마크다운 셀 ____리치 출력 디스플레이 ____nbconvert __Spyder 통합 개발 환경 ____소스 코드 편집기 ____Spyder에 있는 콘솔 ____객체 검사기 __요약 __추가 참고 도서 목록 __참고 문헌
2장. 벡터, 행렬, 다차원 배열 __모듈 임포트하기 __NumPy 배열 객체 ____데이터 유형 ____메모리 내 배열 데이터 순서 __배열 만들기 ____리스트나 다른 유사-배열 객체에서 생성된 배열 ____일정한 값으로 채운 배열 ____증분 시퀀스로 채운 배열 ____로그 시퀀스로 채워진 배열 ____Meshgrid 배열 ____초기화되지 않은 배열 만들기 ____다른 배열의 특성으로 배열 만들기 ____행렬 만들기 __인덱싱 및 슬라이싱 ____1차원 배열 ____다차원 배열 ____뷰 ____팬시 인덱싱과 부울 값 인덱싱 __재형상과 크기 변경 __벡터화 식 ____산술 연산 ____원소별 함수 ____집계 함수 ____부울 배열과 조건부 식 ____집합 연산 ____배열 연산 __행렬과 벡터 연산 __요약 __추가 참고 도서 목록 __참고 문헌
3장. 기호 연산 __SymPy 임포트하기 __기호들 ____숫자들 __식 __식 다루기 ____단순화 ____확장 ____인수분해 모음 및 병합 ____분리, 묶기, 제거 ____치환 __수치 계산 ____미적분 ____도함수 ____적분 ____계열 ____극한 ____합과 곱 __방정식 __선형 대수학 __요약 __추가 참고 도서 목록 __참고 문헌
4장. 도식화와 시각화3 __모듈 임포트하기 __시작하기 ____대화형 및 비대화형 모드 __Figure __Axes ____도식 유형 ____선 속성 ____범례 ____텍스트 서식 및 주석 ____축 특성 __고급 Axes 레이아웃 ____인셋 ____부도면 ____Subplot2grid ____GridSpec __컬러 맵 도식화 __3D 도면 __요약 __추가 참고 도서 목록 __참고 문헌
5장. 방정식 풀이 __모듈 임포트하기 __선형 연립 방정식 ____정방 시스템 ____비정방 방정식 __고윳값 문제 __비선형 방정식 ____단변량 방정식 ____비선형 연립 방정식 __요약 __추가 참고 도서 목록 __참고 문헌
6장. 최적화 __모듈 임포트하기 __최적화 문제 분류 __일변량 최적화 __제약 없는 다변량 최적화 __비선형 최소 자승 문제 __제약 조건 최적화 ____선형 프로그래밍 __요약 __추가 참고 도서 목록 __참고 문헌
7장. 보간법 __모듈 임포트하기 __보간법 __다항식 __다항식 보간 __스플라인 보간 __다변량 보간법 __요약 __추가 참고 도서 목록 __참고 문헌
8장. 적분 __모듈 임포트하기 __수치적 적분법 __Scipy와의 수치적 적분 ____표로 된 피적분 함수 __다중 적분 __기호와 임의-정밀도 적분 ____선 적분 __적분 변환 __요약 __추가 참고 도서 목록 __참고 문헌
9장. ODE __모듈 임포트하기 __ODE __ODE의 기호적 해법 ____방향장 ____라플라스 변환을 이용한 ODE 해결 __ODE 해결을 위한 수치적인 방법 __Scipy를 이용한 ODE의 수치적 적분 __요약 __추가 참고 도서 목록 __참고 문헌
10장. 희소 행렬과 그래프 __모듈 임포트하기 __Scipy의 희소 행렬 ____희소 행렬 생성 함수 ____희소 선형 대수 함수 ____선형 연립 방정식 ____그래프와 네트워크 __요약 __추가 참고 도서 목록 __참고 문헌
11장. PDE __모듈 임포트하기 __PDE __FDMs __FEM ____FEM 라이브러리 조사 __FENiCS를 이용해 PDE 해결하기 __요약 __추가 참고 도서 목록 __참고 문헌
12장. 데이터 처리 및 분석 __모듈 임포트하기 __Pandas 소개 ____Series ____DataFrame ____시계열 __Seaborn 그래픽 라이브러리 __요약 __추가 참고 도서 목록 __참고 문헌
13장. 통계학 __모듈 임포트하기 __통계 및 확률 리뷰 __랜덤 수 __확률 변수 및 분포 __가설 검정 __비매개변수 기법 __요약 __추가 참고 도서 목록 __참고 문헌
14장. 통계 모델링 __모듈 임포트하기 __통계 모델링 소개 __Patsy를 이용한 통계 모델 정의 __선형 회귀 ____예제 데이터셋 __이산 회귀 분석 ____로지스틱 회귀 ____푸아송 모델 __시계열 __요약 __추가 참고 도서 목록 __참고 문헌
15장. 머신 러닝 __모듈 임포트하기 __머신 러닝에 대한 간략한 리뷰 __회귀 __분류 __클러스터링 __요약 __추가 참고 도서 목록 __참고 문헌
16장. 베이즈 통계 __모듈 임포트하기 __베이즈 통계 소개 __모델 정의 ____사후 분포 표본 추출 ____선형 회귀 __요약 __추가 참고 도서 목록 __참고 문헌
17장. 신호 처리 __모듈 임포트하기 __스펙트럼 분석 ____푸리에 변환 ____윈도우 ____스펙트로그램 __신호 필터 ____컨벌루션 필터 ____FIR 및 IIR 필터 __요약 __추가 참고 도서 목록 __참고 문헌
18장. 데이터 입출력 __모듈 임포트하기 __쉼표-구분 값 __HDF5 ____h5py ____PyTables ____Pandas HDFStore __JSON __직렬화 __요약 __추가 참고 도서 목록 __참고 문헌
19장. 코드 최적화 __모듈 임포트하기 __Numba __Cython __요약 __추가 참고 도서 목록 __참고 문헌
부록. 코드 최적화 __설치 __Miniconda와 Conda __완벽한 환경 __요약 __추가 참고 도서 목록
■ Numpy를 사용한 벡터와 행렬 작업 ■ Matplotlib를 사용한 도식화와 시각화 ■ Pandas and SciPy를 사용한 데이터 분석 과제 ■ statsmodels과 scikit-learn를 사용한 통계 모델링과 머신 러닝 리뷰 ■ Numba와 Cython을 사용한 파이썬 코드 최적화
★ 이 책의 구성 ★
1장, 'Python을 이용한 컴퓨팅 소개'에서는 과학 컴퓨팅에 대한 일반적인 원칙과 Python 계산 작업에 사용할 수 있는 주요 개발 환경을 소개한다. 즉 IPython과 대화형 Python 프롬프트, 뛰어난 Jupyter Notebook 응용과 Spyder 통합 개발 환경(Spyder IDE, Spyder Integrated Development Environment)에 초점을 맞추고 있다. 2장, '벡터, 행렬, 다차원 배열'에서는 NumPy 라이브러리를 소개하고 좀 더 일반적인 배열 기반 연산과 장점을 알아본다. 3장, '기호 연산'에서는 SymPy 라이브러리를 사용한 기호 연산에 대해 알아본다. 이 방법은 배열 기반 연산을 보완해준다. 4장, '도식화와 시각화'에서는 Matplotlib 라이브러리를 이용한 도식화와 시각화를 다룬다. 2장에서 4장까지는 전반적으로 책 나머지 부분의 영역별 문제에 사용될 기본 계산 도구인 수치 연산, 기호 연산, 시각화에 대해 알아본다. 5장, '방정식 풀이'에서는 방정식 해결로 Scipy와 SymPy 라이브러리를 사용해 수치적·기호적 방법을 모두 살펴본다. 6장, '최적화'에서는 방정식 해결 과제의 자연스러운 연장인 최적화를 탐구한다. 주로 Scipy 라이브러리와 cvxopt 라이브러리를 사용해 작업한다. 7장, '보간법'에서는 그 자체로 많은 응용을 가진 또 다른 기본적인 수학적 방법인 보간법, 고급 알고리즘과 기법에서의 주요 역할을 다룬다. 8장, '적분'에서는 수치적, 기호적 적분을 살펴본다. 5장부터 8장까지는 모든 종류의 컴퓨터 작업에 만연한 핵심 컴퓨터 기술을 다룬다. 8장에서 다루는 방법은 대부분 Scipy 라이브러리에서 제공된다. 9장, 'ODE'에서는 상미분 방정식을 다룬다. 10장, '희소 행렬과 그래프'에서는 11장을 설명하기 위해 희소 행렬과 그래프 기법을 살펴본다. 11장, 'PDE'에서는 개념적으로 상미분 방정식과 밀접한 관계가 있지만 10장의 주제인 희소 행렬의 도입이 필요한 PDE를 살펴본다. 12장, '데이터 처리 및 분석'에서는 데이터 분석과 통계 조사를 살펴본다. Pandas 라이브러리와 데이터 분석 프레임워크를 소개한다. 13장, '통계학'에서는 SciPy stats 패키지의 기본적인 통계 분석과 기법을 다룬다. 14장, '통계 모델링'에서는 statsmodels 라이브러리를 사용해 통계 모델링을 알아본다. 15장, '머신 러닝'에서는 scikit-learn 라이브러리를 이용한 머신 러닝을 알아보고 통계와 데이터 분석의 주제를 살펴본다. 16장, '베이즈 통계'는 베이즈 통계와 PyMC 라이브러리를 알아보면서 이와 관련된 장을 정리한다. 12장부터 16장까지는 통계와 데이터 분석의 광범위한 분야를 소개한다. 이는 최근 몇 년 동안 과학 Python 커뮤니티 안팎에서 급속히 발전해온 분야이기도 하다. 17장, '신호 처리'에서는 잠시 과학 컴퓨팅의 핵심 주제인 신호 처리로 돌아간다. 18장, '데이터 입출력'에서는 데이터 입출력 그리고 파일에 수치 데이터를 읽고 쓰는 몇 가지 방법을 살펴본다. 이는 대부분의 컴퓨터 작업에 필요한 기본적인 주제다. 19장, '코드 최적화'는 Numba와 Cython 라이브러리를 이용해 Python 코드의 속도를 높이는 두 가지 방법을 소개한다. 부록에는 이 책에서 사용한 소프트웨어 설치 방법이 수록돼 있다. 필요한 소프트웨어(대부분의 Python 라이브러리)를 설치하기 위해 Conda 패키지 매니저를 이용한다. Conda는 안정적이고 재현 가능한 컴퓨터 환경을 만들기 위한 중요한 주제로, 가상적이며 격리된 Python 환경을 만드는 데도 사용될 수 있다. 또한 Conda 패키지 매니저를 사용해 이런 환경을 설정하는 방법도 살펴본다.
★ 지은이의 말 ★
과학 및 수치 컴퓨팅은 연구, 엔지니어링, 분석 분야에서 각광을 받고 있다. 컴퓨터 산업의 혁명은 지난 수십 년간 컴퓨터 전문가들에게 새롭고 강력한 도구를 제공했다. 이 도구는 이전에 불가능했던 규모와 복잡도를 가진 연산 작업을 가능하게 했다. 그 결과, 새로운 분야와 산업이 우후죽순처럼 생겨났다. 발전은 여전히 진행 중이며 하드웨어, 소프트웨어, 알고리즘이 계속 향상됨에 따라 새로운 기회가 창출되고 있다. 이 움직임을 궁극적으로 가능하게 해준 기술은 최근 수십 년간 개발된 강력한 컴퓨터 하드웨어다. 그러나 연산 작업에 이용되는 소프트웨어 환경은 전산 전문가에게 있어 (하드웨어보다 중요하지 않은지는 몰라도) 여전히 중요하다. 이 책은 수치 컴퓨팅에서 인기 있고 빠르게 성장하는 환경인 Python 프로그래밍 언어로 컴퓨터 작업을 하기 위한 라이브러리와 그 계산 환경의 확장을 위한 생태계에 관한 것이다. 전산은 이론과 실제 모두에 있어 경험과 전문 지식을 요하는 활동으로, 수학과 과학적 사고에 대한 확고한 이해가 바탕이 돼야 효과적으로 작업할 수 있다. 프로그래밍 훈련은 전산에 있어 매우 중요하다. 이 책은 Python 프로그래밍 언어 및 주변 컴퓨팅 환경을 이용한 과학적 계산 방법 사이의 가교 역할을 하고자 두 주제를 모두 다룬다. 또한 독자들이 Python 프로그래밍에 대한 기초적인 지식과 수학, 수치 해석에 대한 사전 지식을 갖고 있다고 가정한다. 이 책의 초점은 Python을 이용한 실질적인 계산 문제 해결 방법을 소개하는 데 있다. 각 장은 주제 이론에 대한 간략한 소개, 표기법을 비롯한 기본적인 기법 설명, 알고리즘을 알려준다. 그러나 모든 기법이 일관적으로 기술돼 있지 않으며, 각 장의 주제에 익숙하지 않은 독자들을 위해 각 장의 끝에 참고 문헌을 나열했다. Python 프로그래밍 경험이 없는 독자들은 Python 프로그래밍 언어 자체에 초점을 맞춘 책과 함께 읽는 것이 좋다.
★ 옮긴이의 말 ★
수치 해석 알고리즘을 공부해본 사람이라면 『Numerical Recipes』(William Press, 2007)를 잘 알고 있을 것이다. 이 책은 'Numerical Recipes in Python'이라는 별명을 붙여도 될 만큼 Python을 사용한 과학 컴퓨팅에 있어 이와 유사한 수준의 정교하고 깊이 있는 설명이 담겨 있다. SciPy, NumPy를 기반으로 수많은 과학 및 공학 문제를 Python을 이용해 기호적 기법과 수치적 기법으로 처리하는 방법, scikit-learn을 이용한 머신 러닝을 설명하고 있다. 각 모듈 설명은 사용법에만 그치지 않고 모듈의 종속성 및 구현 철학도 자세히 설명하고 있다. 행렬 및 희소 행렬, 벡터, 상미분과 편미분, 적분, 인수분해, 시계열, 선형 대수, 통계 모델링, 머신 러닝, 신호 처리 등과 같은 이공계의 대표적인 문제 해결에 있어 Python을 어떻게 활용할 수 있는지 예제를 통해 상세히 설명해준다. 이 책에서 제공하는 풍부한 예제를 따라 하다 보면 Python을 통한 과학적 연산을 효과적으로 익히게 될 것이다.
총 
바보 빅터
