1장. 데이터 마이닝과 파이썬 도구 입문 __기술적, 예측적, 처방적 분석 __이 책에서 다루는 것과 다루지 않는 것 __추가적인 학습을 위한 추천 도서 __데이터 마이닝을 위한 파이썬 환경 설정 __아나콘다와 콘다 패키지 관리자 설치하기 ____리눅스에 설치하기 ____윈도우에서 설치하기 ____맥 OS에서 설치하기 __스파이더 IDE 시작하기 __주피터 노트북 실행하기 __고성능 파이썬 설치하기 __추천 라이브러리와 설치 방법 __추천 라이브러리 __요약 2장. 기본 용어와 종합적 사례 __기본적 데이터 용어 __샘플 스페이스 __변수의 종류 __데이터 형태 __기본적 요약 통계량 __파이썬을 활용한 데이터 마이닝 예제 ____데이터를 메모리에 로딩하기: pandas를 통해 데이터 보기와 데이터 관리하기 ____데이터 플롯과 탐구: seaborn의 능력 체험하기 ____데이터 변환: scikit-learn을 활용한 PCA와 LDA ____분리를 계량화하기: k-means 클러스터링과 실루엣 스코어 ____의사 결정 혹은 예측 __요약 3장. 데이터의 수집, 탐구, 시각화 __데이터 소스의 형태와 pandas에 데이터 적재하기 ____데이터베이스 ____기본적 SQL 질의 ____디스크 ____웹 소스 ____URL ____scikit-learn이나 seaborn에 포함된 데이터 사용 __pandas로 데이터 접근, 검색, 점검하기 __seaborn에서의 기본적 플롯 __데이터 시각화를 위한 인기 있는 형태의 플롯들 ____스캐터 플롯 ____히스토그램 ____조인트 플롯 ____바이올린 플롯 ____페어플롯 __요약 4장. 분석을 위한 데이터 클리닝과 준비 __scikit-learn 변환 API __입력 데이터 클리닝 ____결측값 ____결측값 찾기와 제거하기 ____결측값을 대체하기 위한 임퓨팅 __특징 스케일링 ____정규화 ____표준화 __카테고리 데이터 처리 ____순서적 인코딩 ____원핫 인코딩 ____레이블 인코딩 __고차원 데이터 __차원 감소 ____특징 선택 ____특징 필터링 ____래퍼 기법 __변환 ____PCA ____LDA __요약 5장. 데이터의 그룹화와 클러스터링 __클러스터링 개념 소개 __그룹의 위치 ____유클리디안 공간(센트로이드) ____비유클리디안 공간(메디오이드) __유사성 ____유클리디안 공간 ____비유클리디안 공간 __종료 조건 ____알려진 숫자의 그룹의 경우 ____알려지지 않은 숫자의 그룹의 경우 ____품질 스코어와 실루엣 스코어 __클러스터링 기법들 ____평균 분리 ____k-means ____계층적 클러스터링 ____클러스터의 숫자를 찾기 위해 덴드로그램 재사용하기 ____덴드로그램 그리기 __밀도 클러스터링 __스펙트럼 클러스터링 __요약 6장. 회귀와 분류를 이용한 예측 __scikit-learn 추정기 API __예측 개념 소개 ____예측 모델 표기법 __수학적 도구 ____손실 함수 ____기울기 하강 ____품질 체계 적합하기 __회귀 ____회귀 모델 예측 지표 ____회귀 예제 데이터 ____선형 회귀 ____다변량 형태로 확장 ____처벌 회귀를 활용한 규칙화 ____규칙화 처벌 __분류 ____분류 예제 데이터 ____분류 모델 예측의 지표 ____복수 클래스 분류 ____로지스틱 회귀 ____규칙화된 로지스틱 회귀 ____서포트 벡터 머신 ____C를 사용한 소프트 마진 ____커널 트릭 ____트리 기반 분류 ____의사 결정 트리 ____랜덤 포레스트 __예측 모델의 튜닝 ____교차 검증 ____검증 데이터 개론 ____K-fold 기법을 이용한 복수의 검증 데이터셋 ____초모수 튜닝을 위한 그리드 서치 __요약 7장. 고급 주제: 데이터 처리 파이프라인의 생성과 사용 __당신의 분석 파이프라인 생성 ____scikit-learn의 파이프라인 객체 __모델 구현하기 ____pickle 모듈을 통해 모델을 연속화하고 저장하기 ____연속화된 모델을 로딩하고 예측하기 __파이썬에서의 구현 문제 __요약