길벗·이지톡

<첫째 마당> 데이터사이언스에서의 수학
1장 | 데이터사이언스 시작하기
1-1 데이터사이언스란?
통계와 머신러닝의 차이점
1-2 데이터사이언스의 프로세스
1-3 프로그래밍과 머신러닝의 차이점
1-4 데이터사이언스를 위한 준비물
주피터 노트북을 활용한 프로그래밍 환경 만들기
구글 코랩을 활용한 프로그래밍 환경 만들기
1-5 데이터사이언스를 위한 수학의 필요성

<둘째 마당> 데이터사이언스에서의 기초 함수
2장 | 기초 함수
2-1 1차 함수
1차 함수에서 기울기와 절편의 의미
2-2 2차 함수
최솟값과 최댓값의 원리를 통해 최적화 이해하기
2-3 지수 함수
지수 함수의 이동
2-4 로그 함수
로그 함수의 이동
3장 | 시그모이드 함수
3-1 시그모이드 함수의 정의
3-2 시그모이드 함수의 활용
3-3 시그모이드 함수의 원리와 오차

<셋째 마당> 데이터사이언스에서의 미분함수
4장 | 미분함수
4-1 데이터사이언스에서 중요한 수학 개념
4-2 딥러닝의 작동원리와 미분함수
4-3 미분함수
5장 | 미분의 응용
5-1 미분 법칙
5-2 딥러닝에서의 오차역전파
5-3 오차역전파의 계산 원리
계산 그래프
역전파 계산 원리
오차역전파 계산방식

<넷째 마당> 데이터사이언스에서의 벡터
6장 | 벡터의 기초
6-1 선형대수
6-2 벡터
벡터의 정의
벡터의 특징
벡터의 표현
벡터의 종류
데이터사이언스에서 벡터의 활용
7장 | 벡터의 특성
7-1 선형 결합
7-2 선형 독립
7-3 선형 종속
7-4 벡터 공간
7-5 벡터 공간의 표현
7-6 부분 공간
7-7 벡터의 기저
좌표 평면(R2 )에서의 기저
좌표 공간(R3)에서의 기저
표준 기저 벡터
8장 | 벡터의 연산 1
8-1 벡터의 덧셈
벡터 덧셈의 성질
8-2 벡터의 뺄셈
8-3 벡터의 곱셈 : 내적
벡터의 내적 방법
9장 | 벡터의 연산 2
9-1 벡터의 연산 : 복습(덧셈, 뺄셈, 내적)
9-2 벡터의 곱셈 : 외적
벡터의 외적 연산 방법
벡터의 내적과 외적의 비교
9-3 특수 벡터 : 직교 벡터
SVM의 원리
직교 벡터의 원리
9-4 벡터의 크기
9-5 벡터의 활용
9-6 벡터의 거리
맨하튼 거리
유클리드 거리

<다섯째 마당> 데이터사이언스에서 확률
10장 | 확률의 기초
10-1 확률 시작하기 전에 : 통계와 머신러닝
10-2 확률이란
수학적 확률 vs. 통계적 확률
확률의 기본 용어
확률의 정의 및 성질
10-3 독립 시행의 확률
독립 시행의 확률 구하기 : 곱으로 구하기
10-4 조건부 확률
독립 사건과 종속 사건
조건부 확률
11장 | 베이지안 확률
11-1 곱셈 정리
11-2 베이즈 정리(베이지안 확률)
11-3 베이지안 확률 응용 : 데이터사이언스에 적용하기

<여섯째 마당> 데이터사이언스에서의 통계
12장 | 통계
12-1 확률변수
확률변수의 유형
확률변수와 확률함수와의 관계
확률함수의 유형
확률질량함수 vs. 확률밀도함수
12-2 확률분포
확률변수의 기댓값
분산(V (X ))과 표준편차(σ(X ))
확률 분포 유형
13장 | 통계적 추정과 검정
13-1 통계적 추정
대푯값
모집단과 표본
회귀분석
13-2 통계적 검정
가설 설정 : 귀무가설 vs. 대립가설 & 1종 오류 vs. 2종 오류
유의 수준 결정
유의 확률과 신뢰구간
검정방법 : 양측 검정, 단측 검정
검정 통계량

<일곱째 마당> 데이터사이언스에서의 성능 평가
14장 | 데이터사이언스에서의 성능 평가
14-1 혼동 행렬
14-2 ROC curve
14-3 AUC