[목 차]

제1장 데이터 사이언스의 진화: 통계에서 AI까지

제1절 데이터 사이언스의 역사와 패러다임 변화

제2절 머신러닝의 주요 유형

제3절 AI 시대의 데이터 분석 워크플로우

제4절 LLM 기반 탐색적 데이터 분석

제5절 전통적 머신러닝 vs. 딥러닝: 선택 기준

제6절 분석 방법 총람

 

제2장 데이터 전처리와 특성 공학: 모델 성능을 좌우하는 원리

제1절 결측치 처리: 결측이 학습에 미치는 영향

제2절 스케일링: 입력 스케일의 역할

제3절 차원 축소: 고차원의 저주와 정보 보존

제4절 특성 공학: 모델이 학습하기 쉬운 표현 만들기

제5절 텍스트의 수치 표현: LLM 기반 변환

제6절 범주형 변수 임베딩: 관계의 수치적 표현

 

제3장 분류와 회귀: 전통에서 AutoML까지

제1절 분류와 회귀 문제의 기초

제2절 평가 지표의 체계적 정리

제3절 의사결정나무와 해석 가능한 ML

제4절 로지스틱 회귀와 SVM의 현대적 활용

제5절 이상치 탐지 기법

제6절 AutoML: 자동화된 모델 선택

 

제4장 군집 분석: 유사성 기반 데이터 분할과 비즈니스 응용

제1절 군집 분석이 해결하는 문제

제2절 K-Means: 중심점 거리 기반 유사성

제3절 HDBSCAN: 밀도 기반 유사성

제4절 임베딩 기반 군집: 의미적 유사성에 따른 텍스트 군집화

제5절 딥 클러스터링: 표현 학습과 군집의 공동 최적화

 

제5장 앙상블 학습: 정형 데이터 모델링과 해석

제1절 앙상블 학습의 원리

제2절 랜덤 포레스트

제3절 그래디언트 부스팅

제4절 하이퍼파라미터 최적화 전략

제5절 트리 기반 모델의 심화 해석

제6절 Counterfactual Explanations

제7절 정형 데이터 모델링: XGBoost와 딥러닝 비교

제8절 앙상블과 LLM의 결합 전략

 

제6장 토픽 모델링: 비정형 텍스트의 잠재 주제 추출

제1절 토픽 모델링이 해결하는 문제

제2절 LDA: 단어 빈도로 주제 추론하는 원리

제3절 BERTopic: 의미적 유사성으로 주제 발견

제4절 LLM 기반 토픽 라벨링

제5절 동적 토픽: 토픽 생명주기 분석

제6절 Multimodal Topic Modeling: 텍스트와 이미지 통합 분석

 

제7장 신경망 기반 데이터 분석: 표현 학습과 정형 데이터 모델링

제1절 신경망의 학습 원리

제2절 신경망이 데이터 분석에 기여하는 방식

제3절 정형 데이터 딥러닝: 트리 모델과의 비교

제4절 표현 학습: 오토인코더와 임베딩 추출

제5절 실무 파이프라인: PyTorch 기반 분석 흐름

 

제8장 생성 모델 기반 데이터 분석: 합성 데이터, 불확실성의 정량화

제1절 생성 모델이 데이터 분석에 기여하는 방식

제2절 합성 데이터 생성: CTGAN과 정형 데이터

제3절 VAE: 데이터 증강과 탐색 도구로서의 활용

제4절 Diffusion Model: 불확실성 정량화와 예측

 

제9장 시계열 분석: 미래 예측과 패턴 탐지

제1절 시계열 분석이 해결하는 문제

제2절 시계열의 구성 요소: 추세, 계절성, 잔차

제3절 ARIMA: 과거 값과 오차로 미래 예측

제4절 Prophet: 추세와 계절성의 가법 모형

제5절 LSTM: 순서를 기억하는 신경망

제6절 Transformer 시계열: Attention으로 중요한 과거 참조

제7절 TimeGPT: Foundation Model로 Zero-shot 예측

제8절 실습: 시계열 예측 모형 비교

 

제10장 생존 분석: 시간-사건 데이터의 모델링

제1절 생존 분석이 해결하는 문제

제2절 Kaplan-Meier 추정: 비모수적 생존 곡선과 집단 비교

제3절 Cox 비례위험 모형: 공변량이 생존에 미치는 영향 분석

제4절 머신러닝 생존 분석: 비선형 위험 패턴의 포착

제5절 딥러닝 생존 분석: DeepSurv와 경쟁 위험 모델링

제6절 경쟁 위험 분석

제7절 모형 비교 및 선택 가이드

 

제11장 그래프 분석: 네트워크에서 패턴 발견

제1절 그래프 분석이 해결하는 문제

제2절 중심성 분석: 영향력 있는 노드 찾기

제3절 커뮤니티 탐지: 숨겨진 그룹 발견

제4절 링크 예측: 미래 관계 예측

제5절 그래프 임베딩: 노드를 벡터로 표현

제6절 추천 시스템: 사용자-아이템 관계 분석

 

제12장 그래프 신경망과 지식 그래프: 딥러닝 기반 관계 분석

제1절 GNN의 분석 원리

제2절 노드 분류: 노드 속성 예측

제3절 GNN 링크 예측: 관계 예측

제4절 GNN 추천 시스템: MF에서 LightGCN으로

제5절 지식 그래프 임베딩: 관계 추론

제6절 GNN의 발전 방향과 정리