데이터 소스 분류하기

데이터 수집은 데이터 과학 워크플로의 첫 번째 단계입니다. 데이터가 없으면 데이터 과학도 없습니다. 진행하는 프로젝트에 따라 필요한 데이터 소스도 달라집니다. 다음 데이터 수요를 살펴보세요.

이 데이터는 공개적으로 이용 가능한가요, 아니면 기업이 내부적으로 추적하는 데이터인가요?

이 연습은 강의의 일부입니다

데이터 과학 이해하기

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

이 연습은 강의의 일부입니다

데이터 과학 이해하기

SkillTag.level.beginnerSkillTag.label

4.8+

무료로 강의 시작하기

먼저 데이터 과학이 무엇인지 정의하는 것부터 시작합니다. 데이터 과학 워크플로와 실제 문제에 데이터 과학이 어떻게 적용되는지 살펴봅니다. 챕터의 마지막 부분에서는 데이터 과학 분야의 다양한 역할에 대해 알아봅니다.

Exercise 1: 데이터 과학이란 무엇인가요?Exercise 2: 데이터 과학은 어디에나 있습니다!Exercise 3: 데이터 과학의 중요성 Exercise 4: 데이터 과학의 활용 분야 Exercise 5: 일상 속 데이터 과학 Exercise 6: 스마트 어시스턴트의 비밀 Exercise 7: 데이터 과학의 직무와 도구 Exercise 8: 적합한 후보자 선택하기 Exercise 9: 데이터 과학자의 역할

데이터 과학 워크플로를 이해했다면 첫 번째 단계인 데이터 수집과 스토리지를 더 깊이 살펴볼 차례입니니다. 활용할 수 있는 다양한 데이터 소스, 데이터의 형태, 수집된 데이터를 저장하는 방법, 데이터 파이프라인으로 이 과정을 자동화하는 방법을 학습합니다.

Exercise 1: 데이터 소스 Exercise 2: 데이터 소스 분류하기

현재 연습

Exercise 3: 천식 발생 빈도 Exercise 4: - 데이터 유형 Exercise 5: 데이터 유형 분류하기 Exercise 6: 순추천지수 Exercise 7: 활동 추적기 Exercise 8: 데이터 스토리지 및 검색 Exercise 9: 클라우드 플랫폼 Exercise 10: 데이터베이스 쿼리하기 Exercise 11: 어떤 유형의 데이터베이스인가요?Exercise 12: 데이터 파이프라인 Exercise 13: 데이터 파이프라인의 특징 Exercise 14: 추출, 변환, 로드

데이터 준비는 매우 중요합니다. 데이터 과학자는 시간의 80%를 데이터 정제와 가공에 사용하고 실제 분석에는 20%만 사용합니다. 이 챕터에서는 데이터의 문제를 진단하고, 결측값과 이상치를 처리하는 방법을 학습합니다. 이어서 데이터를 탐색하고 결과를 전달하는 데 필수적인 도구인 시각화에 대해서도 배웁니다.

Exercise 1: 데이터 준비 Exercise 2: 진실은 저 너머에 Exercise 3: 준비되셨나요?Exercise 4: 탐색적 데이터 분석 Exercise 5: 수치형 EDA Exercise 6: 시각적 EDA Exercise 7: 시각화 Exercise 8: 인터랙티브형 대시보드 Exercise 9: 대시보드 개선하기

마지막 챕터에서는 실험과 예측에 대해 알아봅니다. 먼저 A/B 테스트를 다룬 다음 미래 이벤트를 예측하는 시계열 예측으로 넘어갑니다. 마지막으로 지도 학습과 클러스터링을 중심으로 머신 러닝을 살펴봅니다.

Exercise 1: A/B 테스트 Exercise 2: A/B 테스트 워크플로 구성하기 Exercise 3: 통계적 유의성 Exercise 4: 중간 결과 Exercise 5: 시계열 예측 Exercise 6: 시계열 데이터 분류하기 Exercise 7: 시계열 그래프 해석하기 Exercise 8: - 지도 머신 러닝 Exercise 9: 지도 학습을 적용해야 하는 경우 Exercise 10: 특성 및 레이블 Exercise 11: 모델 평가 Exercise 12: 클러스터링 Exercise 13: 지도 학습 vs. 비지도 학습 Exercise 14: 클러스터 수 선택 Exercise 15: 수고하셨습니다!