본문 바로가기Skip to content

통계학과 데이터 사이언스 입문

기초 통계부터 머신러닝, 딥러닝까지, 개념과 실습으로 배우는 데이터 분석 교재입니다.

전 35장 · 7개 파트 읽음 0%

Part 0

출발점

데이터 사이언스의 세계로 첫 발을 내딛다

데이터란 무엇인가?

숫자 뒤에 숨은 이야기를 읽는 법

데이터 사이언스 로드맵

이 교재의 전체 지도

Part 1

기술통계

데이터의 모양을 눈으로 확인하다

데이터의 중심 — 평균은 거짓말을 한다

평균, 중앙값, 최빈값의 함정

데이터의 퍼짐 — 같은 평균, 전혀 다른 세상

분산, 표준편차, 변동계수

분포의 모양 — 정규분포는 왜 특별한가?

중심극한정리의 마법

두 변수의 관계 — 상관은 인과가 아니다

산점도, 상관계수, 심슨의 역설

캡스톤 I: 한국 경제 데이터 탐색기

기술통계 종합 실습

Part 2

추론통계

표본에서 모집단의 진실에 다가가다

표본과 모집단 — 전수조사 없이 진실에 다가가기

표본추출의 원리

신뢰구간 — '95% 확신'의 진짜 의미

구간추정과 오차한계

가설검정의 논리 — p-value는 무엇을 말하는가?

영가설, 대립가설, 그리고 p-해킹

주요 검정법 — 어떤 검정을 써야 하나?

t-검정, 카이제곱, ANOVA 선택 가이드

효과크기와 재현성 위기 — p-value를 넘어서

통계적 유의성 vs 실질적 중요성

로또로 배우는 확률과 가설검정

AI로 로또를 예측할 수 있을까? — 추론통계 종합 체험

캡스톤 II: 설문조사 분석 종합실습

CSV → 완전 추론분석 파이프라인

Part 3

회귀와 예측

데이터로 미래를 예측하다

단순선형회귀 — 최적의 직선 찾기

OLS, 잔차, R-squared

다중회귀분석 — 변수를 추가하면 무엇이 달라지나?

다중공선성, 조정 R², 변수 선택

로지스틱 회귀 — 확률을 예측하는 회귀

시그모이드, 오즈비, ROC 곡선

정규화와 과적합 — 왜 완벽한 학습이 나쁜가?

편향-분산 트레이드오프, Ridge, Lasso

시계열 기초 — 시간에 숨겨진 패턴

추세, 계절성, 자기상관

캡스톤 III: 부동산 가격 예측기

실거래가 기반 완전 예측 파이프라인

Part 4

분류와 머신러닝

기계가 패턴을 학습하다

K-최근접 이웃 — '유유상종'의 알고리즘

거리 메트릭, K 선택, 차원의 저주

의사결정트리 — AI가 '20 질문 게임'을 하는 법

지니 불순도, 엔트로피, 가지치기

앙상블 학습 — 약한 모델의 연합

배깅, 랜덤 포레스트, 부스팅

모델 평가와 선택 — 좋은 모델은 어떻게 고르나?

정밀도, 재현율, ROC/AUC, 교차검증

서포트 벡터 머신 — 마진을 최대화하는 경계선

소프트 마진, 커널 트릭

캡스톤 IV: 고객 이탈 예측 대시보드

완전 ML 분류 파이프라인

Part 5

비지도학습과 차원축소

라벨 없이 구조를 발견하다

K-평균 클러스터링 — 라벨 없이 그룹 찾기

K-means 알고리즘, 엘보 기법

계층적 클러스터링과 DBSCAN

덴드로그램, 밀도 기반 군집

주성분 분석 (PCA) — 차원을 줄이는 마법

분산 최대화, 바이플롯

연관규칙과 추천시스템 — '이 상품도 샀습니다'

장바구니 분석, 협업 필터링

Part 6

딥러닝과 AI

인공지능의 원리를 체험하다

신경망 기초 — 뉴런에서 네트워크로

퍼셉트론, 활성화 함수, 경사하강법

신경망 실전 — TensorFlow Playground 따라하기

은닉층, 드롭아웃, 역전파

컴퓨터 비전과 CNN — 컴퓨터는 이미지를 어떻게 보는가?

합성곱, 필터, 특성맵

자연어처리와 순환신경망 — 기계가 언어를 이해하는 법

워드 임베딩, LSTM, 감성 분석

Transformer와 LLM — ChatGPT는 어떻게 작동하는가?

어텐션 메커니즘, GPT, 한계와 윤리

Yonghee Kim · 선문대학교 경영학과