데이터사이언스를 위한 기초수학 with 파이썬

첫째마당 데이터사이언스 입문 1장 데이터사이언스 시작하기 1. 데이터사이언스란? 1.1 통계와 머신러닝의 차이점 2. 데이터사이언스의 프로세스 3. 프로그래밍과 머신러닝의 차이점 4. 데이터사이언스를 위한 준비물 4.1 주피터 노트북을 활용한 프로그래밍 환경 만들기 4.2 구글 코랩을 활용한 프로그래밍 환경 만들기 5. 데이터사이언스를 위한 수학의 필요성 둘째마당 데이터사이언스에서의 기초 함수 2장 기초함수 1. 1차 함수 1.1 1차 함수에서 기울기와 절편의 의미 2. 2차 함수 2.1 최솟값과 최댓값의 원리를 통해 최적화 이해하기 3. 지수 함수 3.1 지수 함수의 이동 4. 로그 함수 4.1 로그 함수의 이동 3장 시그모이드 함수 1. 시그모이드 함수의 정의 2. 시그모이드 함수의 활용 3. 시그모이드 함수의 원리와 오차 셋째마당 데이터 사이언스에서의 미분함수 4장 미분함수 1. 데이터사이언스의 중요한 수학적 개념 2. 딥러닝의 작동원리와 미분함수 3. 미분함수 5장 미분의 응용 1. 미분 법칙 2. 딥러닝에서의 오차역전파 3. 오차연적파의 계산 원리 3.1 계산 그래프 3.2 역전파 계산 원리 3.3 오차역전파 계산방식 넷째마당 데이터사이언스에서의 벡터 6장 벡터의 기초 1. 선형대수 2. 벡터 2.1 벡터의 정의 2.2 벡터의 특징 2.3 벡터의 표현 2.4 벡터의 종류 2.5 데이터사이언스에서의 벡터의 사용 7장 벡터의 특성 1. 선형 결합 2. 선형 독립 3. 선형 종속 4. 벡터 공간 5. 벡터 공간의 표현 6. 부분 공간 7. 벡터의 기저 7.1 좌표 평면(R2)에서의 기저 7.2 좌표 공간(R3)에서의 기저 7.3 표준 기저 벡터 8장 벡터의 연산1 1. 벡터의 덧셈 1.1 벡터 덧셈의 성질 2. 벡터의 뺄셈 3. 벡터의 곱셈 : 내적 3.1 벡터의 내적 방법 9장 벡터의 연산2 1. 벡터의 외적 1.1 벡터의 외적 연산 방법 2. 직교 벡터 2.1 SVM의 원리 2.2 직교 벡터의 원리 3. 벡터의 크기 4. 벡터의 활용 5. 벡터의 거리 5.1 맨하튼 거리 5.2 유클리드 거리 다섯째마당 데이터사이언스의 확률 10. 확률 1. 확률이란 1.1 수학적 확률 vs. 통계적 확률 1.2 확률의 기본 영어 1.3 확률의 정의 및 성질 2. 독립 시행의 확률 2.1 독립 시행의 확률 구하기 : 곱으로 구하기 3. 조건부 확률 3.1 독립사건과 종속사건 3.2 조건부 확률 11장 베이지안 확률 1. 곱셈 정리 2. 베이즈 정리 3. 베이지안 확률 응용 : 데이터 사이언스에 적용하기 여섯째마당 데이터사이언스에서의 통계 12장 확률 1. 확률변수 1.1 확률변수의 유형 1.2 확률변수와 확률함수와의 관계 1.3 확률함수의 유형 1.4 확률질량함수 vs. 확률밀도함수 2. 확률분포 2.1 확률변수의 기댓값 2.2 분산과 표준편차 2.3 확률 분포 유형 13장 통계적 추정과 검정 1. 통계적 추정 1.1 대푯값 1.2 모집단과 표본 1.3 회귀분석 2. 통계적 검정 2.1 가설 검정 : 귀무가설 vs. 대립가설 & 1종 오류 vs. 2종 오류 2.2 유의 수준 결정 2.3 유의 확률과 신뢰구간 2.4 검정방법 : 양측 검정, 단측 검정 2.5 검정 통계량 14장 데이터사이언스에서의 성능 평가 1. 혼동 행렬 2. ROC curve 3. AUC

출처: 국립중앙도서관 서지정보