머신러닝과 데이터 과학 쌩 기초

데이터 과학

데이터 과학이 이슈가 된 이유

- 4차 산업혁명, 머신러닝, 인고지능

 

데이터 과학의 활용 사례

1. PayPal

2.  

 

데이터 과학의 정의

- 컴퓨터를 활용해서 데이터를 분석하고 현실의 문제를 해결하는 작업

 

데이터 과학의 발전 방향

Descriptive Analytics (What ?)

-> Diagnotstic Analytics (Why ?)

-> Predictive Analytics (Future ?)

-> Prescriptive Analytics (Action ?)

 

데이터 과학은 융합형 인재를 원한다.

1. Statistics

2. Pattern Recognition

3. Visualization

4. Neurocomputing

5. Data base

6. Data mining

7. AI

8. Machine Learning

 

데이터 과학의 목표는 무엇일까 ?

1. Decision Making

2. Monetization

 

머신러닝

빅데이터 분석 - Correlation

통계분석 - Explanation & Interpreting real world

머신러닝 - Prediction & Pattern Analysis

 

머신러닝은 무엇인가 ?

- 컴퓨터가 데이터로부터 스스로 학습을 할 수 있도록 프로그래밍하는 과학적인 활동

 

머신러닝은 어떤 때에 사용해야 할까 ?

아래의 문제 상황에 사용하기 적합

1. 많은 수의 규칙 및 Hand tuning 이 필요한 문제 (For hand-tuning or long lists of rules)

2. 기존 접근 방식으로는 해결이 안되는 문제 (For not working and traditional approach)

3. 데이터가 획일화 되어 있지 않고 신규 데이터가 지속적으로 생겨 신규 데이터에 적응해야 하는 문제 (For adapting to new data)

 

문제를 해결하기 위한 전통적인 접근 방식

문제 해결 위한 머신러닝 접근 방법