|
|
|
ÇÁ·¢Æ¼Äà ¸Ó½Å ·¯´× : ½Ç¹«¿¡ Á÷Á¢ Àû¿ëÇÒ ¼ö ÀÖ´Â ºòµ¥ÀÌÅÍ È¯°æÀ» °í·ÁÇÑ Ã·´Ü Çö´ë ¸Ó½Å ·¯´×
|
|
|
acorn PACKT1
¤Ó ¼ö´Ò¶ó °ñ¶óǪµð(Sunila Gollapudi), ³²±Ã¿µÈ¯
¤Ó
¿¡ÀÌÄÜÃâÆÇ
¤Ó
Practical Machine Learning
|
|
|
|
- Á¦ÈÞ¸ô ÁÖ¹® ½Ã °í°´º¸»ó, ÀϺΠÀ̺¥Æ® Âü¿© ¹× ÁõÁ¤Ç° ÁõÁ¤, ÇÏ·ç/´çÀÏ ¹è¼Û¿¡¼ Á¦¿ÜµÇ¹Ç·Î Âü°í ¹Ù¶ø´Ï´Ù.
-
-
-
¼ö¸¹Àº µ¥ÀÌÅÍ¿¡¼ °øÅëµÈ Ư¡°ú »óÈ£ ¿¬°ü¼º ÆľÇÇØ ÀÇ¹Ì ÀÖ´Â ÆÇ´Ü°ú ¿¹ÃøÀ» À̲ô´Â µ¥ ÀÖ¾î ¸Ó½Å ·¯´×ÀÇ Á߿伺Àº °è¼Ó ³ô¾ÆÁö°í ÀÖ´Ù. ¸Ó½Å ·¯´×¿¡ ´ëÇÑ ±âÃÊÀûÀÎ ³»¿ë»Ó¸¸ ¾Æ´Ï¶ó, ¸Ó½Å ·¯´×À» ºòµ¥ÀÌÅÍ¿¡ ¾î¶»°Ô Àû¿ëÇÒ °ÍÀÎÁöµµ ÀÚ¼¼ÇÏ°Ô ¼³¸íÇÑ´Ù. ºòµ¥ÀÌÅÍ ±â¼úÀÇ ±Ù°£ÀÌ µÈ ÇϵÓ(Hadoop)¿¡ ´ëÇÑ ±âÃÊ¿Í ´Ù¾çÇÑ ºòµ¥ÀÌÅÍ °ü·Ã µµ±¸¸¦ Ä£ÀýÇÏ°Ô ¼Ò°³ÇØ, ÀÌ°ÍÀ» ºòµ¥ÀÌÅÍ È¯°æ¿¡¼ »ç¿ëÇÒ ¼ö ÀÖ°Ô µµ¿ÍÁØ´Ù.
¸Ó½Å ·¯´× °üÁ¡¿¡¼´Â ÁöµµÇü ÇнÀ ±â¹ý, ºñÁöµµÇü ÇнÀ ±â¹ý µî ±âº»ÀûÀÎ ³»¿ë ¿Ü¿¡µµ µö·¯´×, °È ÇнÀ, ¾Ó»óºí ±â¹ý µî¿¡ ´ëÇÑ °³³ä ¼³¸í°ú ÇÔ²² ÀÌ·ÐÀû ¹è°æÀ» Ãæ½ÇÈ÷ ´Ù·é´Ù. ƯÈ÷, ½ÇÁ¦ ¾÷¹«¿¡¼ È°¿ëµµ¸¦ ³ôÀÏ ¼ö ÀÖµµ·Ï °¢ Àå ¸¶Áö¸·¿¡ R, Spark, Python, Julia µî ´Ù¾çÇÑ ¾ð¾î¸¦ ÀÌ¿ëÇÑ ¾Ë°í¸®ÁòÀÇ ±¸Çö ¹æ¾Èµµ ¼Ò°³ÇÑ´Ù.
-
-
¡Ú ÀÌ Ã¥¿¡¼ ´Ù·ç´Â ³»¿ë ¡Ú
¡á º¹ÀâÇÑ µ¥ÀÌÅ͸¦ ´Ù·ç±â À§ÇÑ ¿©·¯ °¡Áö ¾Ë°í¸®Áò°ú ±â¼úÀÇ ±¸Çö
¡á ÆÄÀ̽ã, R, Julia°ú °°Àº µ¥ÀÌÅÍ »çÀ̾𽺠ºÐ¾ßÀÇ °¡Àå Àαâ ÀÖ´Â ÇÁ·Î±×·¡¹Ö ¾ð¾î
¡á µ¥ÀÌÅÍÀÇ È¿À²ÀûÀÎ °ü¸®¿Í 󸮸¦ À§ÇÑ Spark, Mahout, ÇϵÓÀÇ ¿¬µ¿ ±â¹ý
¡á ¸Ó½Å ·¯´× ±â¼úÀ» ½ÇÁ¦ ¹®Á¦¿¡ Àû¿ëÇϱâ À§ÇÑ ÃÖÀûÀÇ ¹æ¾È
¡á µö·¯´×¿¡ ´ëÇÑ ½ÉÈ ÇнÀ°ú ¸Ó½Å ·¯´×ÀÇ Ã·´Ü ±â¼ú¿¡ ½Å°æ¸Á ¾Ë°í¸®Áò È°¿ë ¹æ¹ý
¡á ¸Ó½Å ·¯´×ÀÇ ÇâÈÄ Àü¸Á°ú Æú¸®±Û·Ô ÀÏ°ü¼º, ½Ã¸Çƽ µ¥ÀÌÅÍ¿¡ °üÇÑ ½ÉÃþ ÇнÀ
¡Ú ÀÌ Ã¥ÀÇ ´ë»ó µ¶ÀÚ ¡Ú
¸Ó½Å ·¯´×À» ½ÇÁ¦·Î ´Ù·ç°í ½ÇÁ¦ ¾ÖÇø®ÄÉÀ̼ǵµ °³¹ßÇÏ´Â µ¥ÀÌÅÍ °úÇÐÀÚ¸¦ À§ÇÑ Ã¥ÀÌ´Ù. ¸Ó½Å ·¯´×°ú ¿¹Ãø ºÐ¼®(predictive analytics)ÀÇ ±âº» °³³äºÎÅÍ ÇâÈÄ ºòµ¥ÀÌÅÍÀÇ Çõ¸íÀ» ¸®µåÇÒ ÃֽŠ±â¼ú¿¡ À̸£±â±îÁö ºòµ¥ÀÌÅÍ °ü·Ã ºÐ¾ßÀÇ ¸ðµç °ÍÀ» ´Ù·é´Ù. µû¶ó¼ ºòµ¥ÀÌÅÍ °ü·Ã ¾÷¹«¸¦ ¸Ã°í ÀÖ´Â ¸ðµç »ç¶÷¿¡°Ô ÀÌ Ã¥ÀÌ ²À ÇÊ¿äÇÒ °ÍÀÓÀ» È®½ÅÇÑ´Ù. ¾Æ¿ï·¯ ÆÄÀ̽ãÀ̳ª R°ú °°Àº ÇÁ·Î±×·¡¹Ö Áö½Ä°ú ¼öÇп¡ ´ëÇÑ Áö½ÄÀÌ ÀÖÀ¸¸é ÈξÀ À¯¸®ÇÒ ¼ö ÀÖ´Ù.
¡Ú ÀÌ Ã¥ÀÇ ±¸¼º ¡Ú
1Àå, '¸Ó½Å ·¯´×ÀÇ ¼Ò°³'¿¡¼´Â ¸Ó½Å ·¯´×ÀÇ ±âº» °³³ä°ú ¸Ó½Å ·¯´×ÀÇ Àǹ̿¡ ´ëÇØ Àü¹ÝÀûÀ¸·Î ¾Ë¾Æº»´Ù. ¸Ó½Å ·¯´×À» ¾Ë±â ½±°Ô Á¤ÀÇÇÏ°í, ¸Ó½Å ·¯´× ºÐ¾ß¿¡¼ »ç¿ëµÇ´Â Àü¹® ¿ë¾î¸¦ ¼Ò°³ÇÑ´Ù.
2Àå, '¸Ó½Å ·¯´×°ú ´ë±Ô¸ð µ¥ÀÌÅͼÂ'¿¡¼´Â ´ë±Ô¸ð µ¥ÀÌÅͼÂ, °øÅëµÈ Ư¡, ¹Ýº¹µÇ´Â ¹®Á¦,µ¥ÀÌÅÍ ±Ô¸ð°¡ Æø¹ßÀûÀ¸·Î Áõ°¡ÇÏ´Â ÀÌÀ¯, ºòµ¥ÀÌÅÍ¿¡ ´ëÇÑ È¿°úÀûÀÎ Á¢±Ù ¹æ¹ý µîÀ» ´Ù·é´Ù.
3Àå 'ÇÏµÓ ¾ÆÅ°ÅØó¿Í ÇÏµÓ ¿¡ÄڽýºÅÛ'¿¡¼´Â ÇÙ½É ÇÁ·¹ÀÓ¿öÅ©ºÎÅÍ ÇÏµÓ ¿¡ÄڽýºÅÛÀÇ ÄÄÆ÷³ÍÆ®¿¡ À̸£±â±îÁö Çϵӿ¡ ´ëÇÑ Àü¹ÝÀûÀÎ ³»¿ëÀ» ´Ù·é´Ù. 3ÀåÀ» ³¡±îÁö ÇнÀÇÏ°í ³ª¸é ÇϵÓÀ» ¼³Ä¡ÇÏ°í ¸Ê¸®µà½º ÇÔ¼ö¸¦ ½ÇÇà½Ãų ¼ö ÀÖ´Â ¿ª·®À» °®Ãâ ¼ö ÀÖ´Ù ¶ÇÇÑ ÇÏµÓ È¯°æÀ» ½ÇÇà½ÃÅ°°í °ü¸®ÇÏ´Â ±â¹ý°ú Ä¿¸Çµå¶óÀÎÀ» ±â¹ÝÀ¸·Î »ç¿ëÇÏ´Â ¹æ¹ýµµ ¾Ë ¼ö ÀÖ´Ù.
4Àå, '¸Ó½Å ·¯´× °ü·Ã Åø°ú ¶óÀ̺귯¸®, ÇÁ·¹ÀÓ¿öÅ©'¿¡¼´Â ¸Ó½Å ·¯´×À» ±¸ÇöÇÒ ¶§ ¾î¶² Á¾·ùÀÇ ¿ÀǼҽº¸¦ »ç¿ëÇÒ ¼ö ÀÖ´ÂÁö ¼³¸íÇÑ´Ù. ¾Æ¿ï·¯ ¾ÆÆÄÄ¡ ¸ÓÇÏ¿ô(Apache Mahout), ÆÄÀ̽ã(Python), R, ÁÙ¸®¾Æ(Julia), ¾ÆÆÄÄ¡ ½ºÆÄÅ©(Apache SparkÀÇ MLlib) °°Àº ´Ù¾çÇÑ ¶óÀ̺귯¸®,Åø, ÇÁ·¹ÀÓ¿öÅ©¸¦ ¼³Ä¡,°³¹ß,½ÇÇà½Ãų ¼ö ÀÖ´Â ¹æ¹ýµµ ¾Ë¾Æº»´Ù. ÇϵÓÀ̶ó´Â ºòµ¥ÀÌÅÍ Ç÷§Æû¿¡¼ ÀÌ·± Á¾·ùÀÇ ÇÁ·¹ÀÓ¿öÅ©¸¦ ¾î¶»°Ô ÅëÇÕÇÏ´ÂÁöµµ ´Ù·é´Ù.
5Àå, 'ÀÇ»ç°áÁ¤ Æ®¸® ±â¹Ý ÇнÀ'¿¡¼´Â ºÐ·ù¿Í ȸ±Í ¹®Á¦¸¦ ÇØ°áÇÏ´Â ¹æ¹ýÀ¸·Î ÀÇ»ç °áÁ¤ Æ®¸®¿¡ ±â¹ÝÀ» µÐ Áöµµ ÇнÀ¹ýÀ» ¾Ë¾Æº»´Ù. Æ®¸®¸¦ ºÐÇÒÇÏ°í, °¡ÁöÄ¡±â ÇÏ´Â ¹æ¹ý, ¾îÆ®¸®ºäÆ®¸¦ ¼±Á¤ÇÏ´Â ¹æ¹ýÀ» ÀÚ¼¼È÷ »ìÆ캻´Ù. ¶ÇÇÑ CART, C4.5, ·£´ý Æ÷·¹½ºÆ®, ÃֽŠÀÇ»ç °áÁ¤ Æ®¸® ±â¼úµµ ¾Ë¾Æº»´Ù.
6Àå, 'ÀνºÅϽº ±â¹Ý ÇнÀ°ú Ä¿³Î ±â¹ý ±â¹Ý ÇнÀ'¿¡¼´Â 2°¡Áö ÇнÀ ¾Ë°í¸®ÁòÀÎ ÀνºÅϽº ±â¹Ý ±â¹ý°ú Ä¿³Î ±â¹ý¿¡ ´ëÇØ ¾Ë¾Æº»´Ù. À̵éÀº ºÐ·ù¿Í ¿¹Ãø ¹®Á¦¸¦ ÁÖ·Î ´Ù·ç´Â µ¥ »ç¿ëµÈ´Ù. ÀνºÅϽº ±â¹Ý ÇнÀÀÇ ´ëÇ¥ ¾Ë°í¸®ÁòÀÎ KNN ¾Ë°í¸®Áò¿¡ ´ëÇØ ÀÚ¼¼È÷ ÇнÀÇÑ´Ù. Ä¿³Î ±â¹Ý ±â¹ý¿¡¼´Â ¿¹Á¦¸¦ ÅëÇØ ¼Æ÷Æ® º¤ÅÍ ¸Ó½Å ¾Ë°í¸®ÁòÀ» ÀÚ¼¼È÷ ¾Ë¾Æº»´Ù.
7Àå, '¿¬°ü ±ÔÄ¢ ±â¹Ý ÇнÀ'¿¡¼´Â ¿¬°ü ±ÔÄ¢(association rule)À» ±â¹ÝÀ¸·Î ÇÑ ÇнÀ ±â¹ý°ú ´ëÇ¥ ¾Ë°í¸®ÁòÀÎ Apriori¿Í FP-growth¿¡ ´ëÇØ ÀÚ¼¼È÷ ¾Ë¾Æº»´Ù. ¸¹ÀÌ ¾Ë·ÁÁø ¿¹Á¦¸¦ ¹ÙÅÁÀ¸·Î Apriori¿Í FP-growth ¾Ë°í¸®ÁòÀ» ¾î¶»°Ô ºó¹ß ÆÐÅÏ ¸¶ÀÌ´×(Frequent pattern mining)¿¡ Àû¿ëÇÏ´ÂÁö ¾Ë°í¸®ÁòÀÇ °¢ ´Ü°èº°·Î ÀÚ¼¼È÷ ¾Ë¾Æº»´Ù.
8Àå, 'Ŭ·¯½ºÅ͸µ ±â¹Ý ÇнÀ'¿¡¼´Â ºñÁöµµ ÇнÀ °üÁ¡¿¡¼ Ŭ·¯½ºÅ͸µ ±â...¹Ý ÇнÀ¹ýÀ» ´Ù·é´Ù. K-Æò±Õ Ŭ·¯½ºÅ͸µ ¾Ë°í¸®Áò¿¡ ´ëÇØ ÀÚ¼¼È÷ ¾Ë¾Æº¸°í, À̸¦ ÆÄÀ̽ã, R, ÁÙ¸®¾Æ, ½ºÆÄÅ©, ¸ÓÇÏ¿ô µîÀ» ÀÌ¿ëÇØ ¾î¶»°Ô ±¸ÇöÇÏ´ÂÁö ¾Ë¾Æº»´Ù.
9Àå, 'º£ÀÌÁö¾ð ÇнÀ'¿¡¼´Â º£ÀÌÁö¾ð ¸Ó½Å ·¯´×¿¡ ´ëÇØ ´Ù·é´Ù. ¶ÇÇÑ Åë°èÇп¡ °üÇÑ ÇÙ½É °³³äÀ» ÁÖ¿ä ¿ë¾îµéÀ» ¹ÙÅÁÀ¸·Î ÀÚ¼¼È÷ ¾Ë¾Æº»´Ù. º£ÀÌÁî Á¤¸®¿¡ ´ëÇØ ±íÀÌ ÀÖ°Ô ¾Ë¾Æº¸°í, À̸¦ ½ÇÁ¦ »ç·Ê¿¡ ¾î¶»°Ô Àû¿ëÇÏ´ÂÁö ¿¹Á¦¸¦ ÅëÇØ ¾Ë¾Æº»´Ù.
10Àå, 'ȸ±Í ±â¹Ý ÇнÀ'¿¡¼´Â ȸ±Í ºÐ¼®¿¡ ±â¹ÝÀ» µÐ ¸Ó½Å ·¯´×¿¡ ´ëÇØ ¾Ë¾Æº¸°í, ±¸Ã¼ÀûÀ¸·Î ÆÄÀ̽ã, R, ÁÙ¸®¾Æ, ½ºÆÄÅ© µîÀ» ÀÌ¿ëÇØ ¼±Çü ȸ±Í¿Í ·ÎÁö½ºÆ½ ȸ±Í ¸ðµ¨À» ¾î¶»°Ô ±¸ÇöÇÏ´ÂÁöµµ ¾Ë¾Æº»´Ù. ¶ÇÇÑ ºÐ»ê, °øºÐ»ê, ANOVA °°Àº Åë°èÇÐ °ü·Ã Áö½Äµµ ÇÔ²² ¾Ë¾Æº»´Ù. ½ÇÁ¦ »ç·Ê¿¡ Àû¿ëÇÏ´ÂÁö ¿¹Á¦¸¦ ÀÌ¿ëÇØ È¸±Í ¸ðµ¨À» ±íÀÌ ÀÖ°Ô ´Ù·é´Ù.
11Àå, 'µö·¯´×'¿¡¼´Â ½Å°æ Àü´Þ Á¶Á÷ÀÎ ´º·±¿¡ ´ëÇØ ¾Ë¾Æº¸°í, À̸¦ ÀÌ¿ëÇØ ¾î¶»°Ô Àΰø ´º·±À» ÇÔ¼ö¿Í ¿¬°á ÁöÀ» ¼ö ÀÖ´ÂÁö ¼³¸íÇÑ´Ù. ½Å°æ¸ÁÀÇ ÇÙ½É °³³äÀ» ÇнÀÇÏ°í, À̸¦ ¹ÙÅÁÀ¸·Î ´ÙÁß °èÃþÈ ±¸Á¶°¡ ¾î¶»°Ô µ¿ÀÛÇÏ´ÂÁö ÆľÇÇÑ´Ù. Çà·Ä °ö¼À ¿¬»ê¿¡ »ç¿ëµÇ´Â ÁÖ¿ä È°¼ºÈ ÇÔ¼ö¿¡ ´ëÇؼµµ ¾Ë¾Æº»´Ù.
12Àå, '°È ÇнÀ'¿¡¼´Â ÃֽŠÇнÀ ±â¼ú Áß ÇϳªÀÎ °È ÇнÀ¿¡ ´ëÇØ ¾Ë¾Æº»´Ù. ÀüÅëÀûÀÎ Áöµµ ÇнÀ ¹× ºñÁöµµ ÇнÀ°ú °È ÇнÀÀÌ ¾î¶»°Ô ´Ù¸¥Áö »ìÆ캸°í, ¿¹Á¦¸¦ ÀÌ¿ëÇØ ¸¶¸£ÄÚÇÁ °áÁ¤ ÇÁ·Î¼¼½º(MDP)°¡ ¾î¶»°Ô µ¿ÀÛÇÏ´ÂÁö ¾Ë¾Æº»´Ù.
13Àå, '¾Ó»óºí ÇнÀ'¿¡¼´Â ´Ù¾çÇÑ ¸Ó½Å ·¯´× ±â¹ýÀ» ´ë»óÀ¸·Î ¾Ó»óºí ÇнÀÀ» ¾Ë¾Æº»´Ù. ½ÇÁ¦ Àû¿ë °¡´ÉÇÑ ¿¹Á¦¸¦ ÀÌ¿ëÇØ Áöµµ ¾Ó»óºí ÇнÀ¹ý¿¡ ´ëÇØ ¾Ë¾Æº»´Ù. ³¡À¸·Î R, ÆÄÀ̽ã(scikit-learn), ÁÙ¸®¾Æ, ½ºÆÄÅ© ¸Ó½Å ·¯´× ÅøÀ» ÀÌ¿ëÇÑ ±â¿ï±â »ó½Â ¾Ë°í¸®Áò(Gradient Boosting algorithm)°ú ¾ÆÆÄÄ¡ ¸ÓÇÏ¿ô ¶óÀ̺귯¸®¸¦ ÀÌ¿ëÇÑ Ãßõ ¿£Áø¿¡ ´ëÇؼµµ ¼Ò½ºÄڵ带 ÀÌ¿ëÇØ Á÷Á¢ ½Ç½ÀÇغ»´Ù.
14Àå, '¸Ó½Å ·¯´×À» À§ÇÑ Â÷¼¼´ë µ¥ÀÌÅÍ ¾ÆÅ°ÅØó'¿¡¼´Â ¸Ó½Å ·¯´×ÀÇ °³¹ß Ãø¸éÀ» ÁßÁ¡ÀûÀ¸·Î ´Ù·é´Ù. ÀüÅëÀûÀÎ ºÐ¼® Ç÷§ÆûÀº ¹«¾ùÀÌ°í, ÃÖ±Ù¿¡ ¸¹ÀÌ Áõ°¡ÇÏ°í ÀÖ´Â µ¥ÀÌÅÍ ¿ä±¸ »çÇ×°ú´Â ¿Ö Àß ¸ÂÁö ¾Ê´ÂÁö µîÀ» ÀÚ¼¼È÷ ¾Ë¾Æº»´Ù. »õ·Î¿î µ¥ÀÌÅÍ ¾ÆÅ°ÅØó Æз¯´ÙÀÓÀ» À̲ø°í ÀÖ´Â ¾ÆÅ°ÅØó µå¶óÀ̹öÀÎ ¶÷´Ù ÀÌÅ°ÅØó(Lambda architecture), Æú¸®±Û·Ô ÀÏ°ü¼º(polyglot persistence), ´ÙÁß ¸ðµ¨ ±â¹Ý µ¥ÀÌÅÍ ¾ÆÅ°ÅØó¿¡ ´ëÇؼµµ ÇнÀÇÑ´Ù. ¸Å²ô·¯¿î µ¥ÀÌÅÍ ÅëÇÕÀÌ ÀÌ·ïÁú ¼ö ÀÖµµ·Ï ½Ã¸Çƽ ¾ÆÅ°ÅØó¸¦ ¾î¶»°Ô È°¿ëÇÏ¸é µÇ´ÂÁöµµ »ìÆ캻´Ù.
-
-
1Àå. ¸Ó½Å ·¯´×ÀÇ ¼Ò°³
__¸Ó½Å ·¯´×
__¸Ó½Å ·¯´×ÀÇ Á¤ÀÇ
____¸Ó½Å ·¯´× °ü·Ã ÇÙ½É °³³ä°ú ÁÖ¿ä ¿ë¾î
____ÇнÀÀ̶õ?
______µ¥ÀÌÅÍ
______·¹À̺íÀÌ ÀÖ´Â µ¥ÀÌÅÍ¿Í ·¹À̺íÀÌ ¾ø´Â µ¥ÀÌÅÍ
______ŽºÅ©
______¾Ë°í¸®Áò
______¸ðµ¨
____¸Ó½Å ·¯´×¿¡¼ µ¥ÀÌÅÍ¿Í ºñÀÏ°ü¼º
______°ú¼ÒÀûÇÕ
______°úÀûÇÕ
______µ¥ÀÌÅÍ ºÒ¾ÈÁ¤¼º
____½Ç¹« °üÁ¡ÀÇ ¸Ó½Å ·¯´× ÁÖ¿ä »ç·Ê
______¿¹Ãø ºÒ°¡ÇÑ µ¥ÀÌÅÍ Æ÷¸Ë
______ºÐ·ù
____ÇнÀ ¾Ë°í¸®ÁòÀÇ À¯Çü
______Ŭ·¯½ºÅ͸µ
______Àü¸Á, ¿¹Ãø, ȸ±Í
______½Ã¹Ä·¹À̼Ç
______ÃÖÀûÈ
______Áöµµ ÇнÀ
______ÁØÁöµµ ÇнÀ
______ºñÁöµµ ÇнÀ
______°È ÇнÀ
______µö·¯´×
____¼º´É ÃøÁ¤ ÇÔ¼ö
______ºÐ¼® °á°ú°¡ ÀûÁ¤ÇÑ°¡?
______Æò±ÕÁ¦°ö ¿ÀÂ÷(MSE)
______Æò±Õ Àý´ë ¿ÀÂ÷(MAE)
______Á¤±ÔÈ MSE¿Í MAE(NMSE¿Í NMAE)
______¿¡·¯ ó¸®: ¹ÙÀ̾¿Í ºÐ»ê
____¸Ó½Å ·¯´×ÀÇ ÁÖ¿ä ºÐ¾ß
______µ¥ÀÌÅÍ ¸¶ÀÌ´×
______ÀΰøÁö´É
______Åë°è ÇнÀ
______µ¥ÀÌÅÍ °úÇÐ
____¸Ó½Å ·¯´× ÇÁ·Î¼¼½º ¶óÀÌÇÁ »çÀÌŬ°ú ¼Ö·ç¼Ç ¾ÆÅ°ÅØó
____¸Ó½Å ·¯´× ¾Ë°í¸®Áò
______ÀÇ»ç °áÁ¤ Æ®¸® ±â¹Ý ¾Ë°í¸®Áò
______º£ÀÌÁö¾ð ±â¹ý ±â¹Ý ¾Ë°í¸®Áò
...______Ä¿³Î ±â¹ý ±â¹Ý ¾Ë°í¸®Áò
______Ŭ·¯½ºÅ͸µ ±â¹ý
______Àΰø ½Å°æ¸Á ±â¹ý(ANN)
______µð¸àÀü Ãà¼ÒÈ
______¾Ó»óºí ±â¹ý
______ÀνºÅϽº ±â¹Ý ÇнÀ ¾Ë°í¸®Áò
______ȸ±Í ºÐ¼® ±â¹Ý ¾Ë°í¸®Áò
______¿¬°ü ±ÔÄ¢ ±â¹Ý ÇнÀ ¾Ë°í¸®Áò
____¸Ó½Å ·¯´× Åø°ú ÇÁ·¹ÀÓ¿öÅ©
____¿ä¾à
2Àå. ¸Ó½Å ·¯´×°ú ´ë±Ô¸ð µ¥ÀÌÅͼÂ
__ºòµ¥ÀÌÅÍ ¹× ´ë±Ô¸ð ºÐ¼®À» À§ÇÑ ¸Ó½Å ·¯´×
____±â´ÉÀû °üÁ¡°ú ±¸Á¶Àû °üÁ¡ : ¹æ¹ý·Ð Ãø¸é¿¡¼ÀÇ ¹Ì½º¸ÅÄ¡
______Á¤º¸ÀÇ »óÇ°È
______RDBMS°¡ °®´Â ÀÌ·ÐÀû ÇÑ°è
______ÀúÀå¼Ò ½ºÄÉÀϾ÷°ú ½ºÄÉÀϾƿô
______ºÐ»êÇü, º´·ÄÇü ÄÄÇ»Æà Àü·«
____¸Ó½Å ·¯´×: È®À强 ¹× ¼º´É °üÁ¡
______¸Å¿ì ¸¹Àº µ¥ÀÌÅÍ °üÁ¡À̳ª ÀνºÅϽº
______¸Å¿ì ¸¹Àº ¾îÆ®¸®ºäÆ®³ª ÇÇó
______ÀÀ´ä ½Ã°£ À©µµ¿ì ´ÜÃà: ½Ç½Ã°£ ÀÀ´äÀ» À§ÇØ ÇÊ¿ä
______¸Å¿ì º¹ÀâÇÑ ¾Ë°í¸®Áò
______Çǵå Æ÷¿öµå, ¹Ýº¹ ¿¹Ãø »çÀÌŬ
____¸ðµ¨ ¼±Á¤ ÇÁ·Î¼¼½º
____´ë±Ô¸ð ¸Ó½Å ·¯´× ÀÛ¾÷¿¡¼ ÁÖÀÇÇÒ »çÇ×
__¾Ë°í¸®Áò°ú µ¿½Ã ½ÇÇà
____µ¿½Ã ½ÇÇà ¾Ë°í¸®ÁòÀÇ °³¹ß
__½ºÄÉÀϾ÷ ¸Ó½Å ·¯´×À» À§ÇÑ ±â¼ú°ú ±¸Çö ¹æ¹ý
____¸Ê¸®µà½º ÇÁ·Î±×·¡¹Ö Æз¯´ÙÀÓ
____¸Þ½ÃÁö ÆÐ½Ì ÀÎÅÍÆäÀ̽º(MPI)¸¦ Áö´Ñ °í¼º´É ÄÄÇ»ÆÃ(HPC)
____LINQ ÇÁ·¹ÀÓ¿öÅ©
____LINQ¸¦ ÀÌ¿ëÇÑ µ¥ÀÌÅͼ °¡°ø ÀÛ¾÷
____GPU
____FPGA
____¸ÖƼÄÚ¾î ¶Ç´Â ¸ÖƼÇÁ·Î¼¼¼ ½Ã½ºÅÛ
__¿ä¾à
3Àå. ÇÏµÓ ¾ÆÅ°ÅØó¿Í ÇÏµÓ ¿¡ÄڽýºÅÛ
__¾ÆÆÄÄ¡ ÇϵÓÀÇ ¼Ò°³
____ÇϵÓÀÇ ÁøÈ(Ç÷§ÆûÀÇ ¼±ÅÃ)
____ÇÏµÓ Ç÷§Æû°ú ÇϵÓÀÇ ÇÙ½É ¿ä¼Ò
__ºòµ¥ÀÌÅ͸¦ À§ÇÑ (ÇÏµÓ ±â¹Ý) ¸Ó½Å ·¯´× ¼Ö·ç¼Ç ¾ÆÅ°ÅØó
____µ¥ÀÌÅÍ ¼Ò½º °èÃþ
____À¯ÀÔ °èÃþ
____ÇÏµÓ ½ºÅ丮Áö °èÃþ
____ÇÏµÓ (¹°¸®) ÀÎÇÁ¶ó½ºÆ®·°Ã³ °èÃþ: ¾îÇöóÀ̾𽺠Áö¿ø
____ÇÏµÓ Ç÷§Æû/ó¸® °èÃþ
____ºÐ¼® °èÃþ
____¼Òºñ °èÃþ
______½Ã°¢È¸¦ ÀÌ¿ëÇÑ µ¥ÀÌÅÍ ¼³¸í ¹× Ž»ö
______º¸¾È°ú ¸ð´ÏÅ͸µ °èÃþ
______ÇÏµÓ ÇÙ½É ±¸¼º ¿ä¼Ò ÇÁ·¹ÀÓ¿öÅ©
______HDFS¿¡¼ µ¥ÀÌÅÍ Àбâ/¾²±â ÀÛ¾÷
______Àå¾Ö ó¸®
______HDFS Ä¿¸Çµå¶óÀÎ
______RESTFul HDFS
__¸Ê¸®µà½º
____¸Ê¸®µà½º ¾ÆÅ°ÅØó
____´ë±Ô¸ð µ¥ÀÌÅͼ¿¡ ¸Ê¸®µà½º°¡ ÇÊ¿äÇÑ°¡?
____¸Ê¸®µà½º Àüü ½ÇÇà È帧°ú ±¸¼º ¿ä¼Ò
____¸Ê¸®µà½º ±¸¼º ¿ä¼Ò °³¹ß
__ÇÏµÓ 2.x
____ÇÏµÓ ¿¡ÄڽýºÅÛ ±¸¼º ¿ä¼Ò
____ÇÏµÓ ¼³Ä¡¿Í ȯ°æ ¼³Á¤
______JDK 1.7 ¼³Ä¡
______ÇϵÓÀ» À§ÇÑ ½Ã½ºÅÛ À¯Àú »ý¼º
______IPv6 ºñÈ°¼ºÈ
______ÇÏµÓ 2.6.0 ¼³Ä¡ ¹æ¹ý
______ÇÏµÓ ½ÃÀÛ
____ÇÏµÓ ¹èÆ÷ÆÇ ¹× ÁÖ¿ä ¾÷ü
__¿ä¾à
4Àå. ¸Ó½Å ·¯´× Åø°ú ¶óÀ̺귯¸®, ÇÁ·¹ÀÓ¿öÅ©
__¸Ó½Å ·¯´× Åø: landscape
__¾ÆÆÄÄ¡ ¸ÓÇÏ¿ô
____¸ÓÇÏ¿ô µ¿ÀÛ ¿ø¸®
____¾ÆÆÄÄ¡ ¸ÓÇÏ¿ô ¼³Ä¡¿Í ¼³Á¤
______¸ÞÀÌºì ¼³Á¤ ¹æ¹ý
______ÀÌŬ¸³½º IDE¸¦ ÀÌ¿ëÇÑ ¾ÆÆÄÄ¡ ¸ÓÇÏ¿ô ¼³Á¤
______ÀÌŬ¸³½º ¾øÀÌ ¾ÆÆÄÄ¡ ¸ÓÇÏ¿ô ¼³Á¤
____¸ÓÇÏ¿ô ÆÐÅ°Áö ±¸¼º
____¸ÓÇÏ¿ô¿¡¼ º¤ÅÍ ±¸Çö
__R
____R ¼³Ä¡¿Í ¼³Á¤
____¾ÆÆÄÄ¡ ÇϵӰú R ÅëÇÕ
______¹æ¹ý 1: R°ú ÇϵÓÀÇ ½ºÆ®¸®¹Ö API¸¦ ÀÌ¿ë
______¹æ¹ý 2: RÀÇ Rhipe ÆÐÅ°Áö¸¦ ÀÌ¿ë
______¹æ¹ý 3: RHadoopÀ» ÀÌ¿ë
______R/ÇÏµÓ ÅëÇÕ ¹æ¹ý ¿ä¾à
____(¿¹Á¦¸¦ ÀÌ¿ëÇÑ) R ÇÁ·Î±×·¡¹Ö
______R Ç¥Çö½Ä
______R º¤ÅÍ
______R Çà·Ä
______R ÆÑÅÍ
______R µ¥ÀÌÅÍ ÇÁ·¹ÀÓ
______R Åë°è ÇÁ·¹ÀÓ¿öÅ©
______ÁÙ¸®¾Æ
______ÁÙ¸®¾Æ ¼³Ä¡¿Í ¼³Á¤
______ÁÙ¸®¾Æ Ä¿¸Çµå¶óÀÎ ¹öÀüÀ» ´Ù¿î·ÎµåÇØ »ç¿ë
______ÁÖ³ë IDE¸¦ ÀÌ¿ëÇÑ ÁÙ¸®¾Æ ½ÇÇà
______À¥ ºê¶ó¿ìÀú¿¡¼ ÁÙ¸®¾Æ ½ÇÇà
____Ä¿¸Çµå¶óÀο¡¼ ÁÙ¸®¾Æ ÄÚµå ½ÇÇà
____ÁÙ¸®¾Æ ÄÚµå ±¸Çö(¿¹Á¦)
____º¯¼ö¿Í ÇÒ´ç¹® ÀÌ¿ë
______¼öÄ¡ ±âº» ¿ä¼Ò
______µ¥ÀÌÅÍ ±¸Á¶
______¹®ÀÚ¿°ú ¹®ÀÚ¿ Á¶ÀÛ ÀÛ¾÷
______ÆÐÅ°Áö
______¿¬µ¿ ±â¹ý
______±×·¡ÇÈ°ú Ç÷ÎÆà ¹æ¹ý
____ÁÙ¸®¾ÆÀÇ ÀåÁ¡
____ÁÙ¸®¾Æ¿Í ÇϵÓÀÇ ÅëÇÕ
__ÆÄÀ̽ã
____ÆÄÀ̽ã ÅøŶ ¿É¼Ç
____(¿¹Á¦¸¦ ÀÌ¿ëÇÑ) Python ±¸Çö
______ÆÄÀ̽㠼³Ä¡¿Í scikit-learn ¼³Á¤
__¾ÆÆÄÄ¡ ½ºÆÄÅ©
__½ºÄ®¶ó
____RDD¸¦ ÀÌ¿ëÇÑ ÇÁ·Î±×·¡¹Ö
__½ºÇÁ¸µ XD
__¿ä¾à
5Àå. ÀÇ»ç °áÁ¤ Æ®¸® ±â¹Ý ÇнÀ
__ÀÇ»ç °áÁ¤ Æ®¸®
____ÁÖ¿ä ¿ë¾î
____¸ñÀû°ú ¿ëµµ
____ÀÇ»ç °áÁ¤ Æ®¸®ÀÇ ±¸¼º
______°áÃøÄ¡ ó¸®
______ÀÇ»ç °áÁ¤ Æ®¸® »ý¼º ½ÃÀÇ °í·Á »çÇ×
______ÀÇ»ç °áÁ¤ Æ®¸® ±×·¡ÇÈ Ç¥Çö
______ÀÇ»ç °áÁ¤ Æ®¸®ÀÇ ±¸Ãà ÀÇ»ç : °áÁ¤ Æ®¸® ¾Ë°í¸®Áò
______Ž¿å ÀÇ»ç °áÁ¤ Æ®¸®
______ÀÇ»ç °áÁ¤ Æ®¸®ÀÇ ÀåÁ¡
____Æ¯ÈµÈ ÇüÅÂÀÇ ÀÇ»ç °áÁ¤ Æ®¸®
______»ç¼± Æ®¸®
______·£´ý Æ÷·¹½ºÆ®
______ÁøÈ Æ®¸®
______Ç︵°Å Æ®¸®
__ÀÇ»ç °áÁ¤ Æ®¸® ±¸Çö
____¸ÓÇÏ¿ô »ç¿ë
____R »ç¿ë
____½ºÆÄÅ© »ç¿ë
____ÆÄÀ̽ã(scikit-learn) »ç¿ë
____ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
6Àå. ÀνºÅϽº ±â¹Ý ÇнÀ°ú Ä¿³Î ±â¹Ý ÇнÀ
__ÀνºÅϽº ±â¹Ý ÇнÀ(IBL)
____ÃÖ±ÙÁ¢ ÀÌ¿ô ¾Ë°í¸®Áò
______KNN¿¡¼ kÀÇ °ª
______KNN¿¡¼ÀÇ °Å¸® ÃøÁ¤¹ý
______»ç·Ê ±â¹Ý Ãß·Ð(CBR)
______±¹Áö °¡Áß È¸±Í
____KNN ¾Ë°í¸®ÁòÀÇ ±¸Çö
______¸ÓÇÏ¿ô »ç¿ë
______R »ç¿ë
______½ºÆÄÅ© »ç¿ë
______ÆÄÀ̽ã(scikit-learn) »ç¿ë
______ÁÙ¸®¾Æ »ç¿ë
__Ä¿³Î ±â¹ý ±â¹Ý ÇнÀ
____Ä¿³Î ÇÔ¼ö
____¼Æ÷Æ® º¤ÅÍ ¸Ó½Å(SVM)
______ºÐ¸®ÇÒ ¼ö ¾ø´Â µ¥ÀÌÅÍ
____SVM ±¸Çö
______¸ÓÇÏ¿ô »ç¿ë
______R »ç¿ë
______½ºÆÄÅ© »ç¿ë
______ÁÙ¸®¾Æ »ç¿ë
______ÆÄÀ̽ã(scikit-learn) »ç¿ë
__¿ä¾à
7Àå. ¿¬°ü ±ÔÄ¢ ±â¹Ý ÇнÀ
__¿¬°ü ±ÔÄ¢ ±â¹Ý ÇнÀ
____¿¬°ü ±ÔÄ¢ Á¤ÀÇ
____Apriori ¾Ë°í¸®Áò
______±ÔÄ¢ »ý¼º Àü·«
____FP-growth ¾Ë°í¸®Áò
____Apriori¿Í FP-growth
__Apriori¿Í FP-growthÀÇ ±¸Çö
______¸ÓÇÏ¿ô »ç¿ë
______R »ç¿ë
______½ºÆÄÅ© »ç¿ë
______ÆÄÀ̽ã(scikit-learn) »ç¿ë
______ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
8Àå. Ŭ·¯½ºÅ͸µ ±â¹Ý ÇнÀ
__Ŭ·¯½ºÅ͸µ ±â¹Ý ÇнÀ
__Ŭ·¯½ºÅ͸µÀÇ À¯Çü
____°èÃþ Ŭ·¯½ºÅ͸µ
____ºÐÇÒ Å¬·¯½ºÅ͸µ
__k-Æò±Õ Ŭ·¯½ºÅ͸µ ¾Ë°í¸®Áò
____k-Æò±Õ Ŭ·¯½ºÅ͸µÀ» À§ÇÑ ¼ö·Å ¶Ç´Â Áß´Ü ±âÁØ
______µð½ºÅ©»ó K-Æò±Õ Ŭ·¯½ºÅ͸µ
____k-Æò±Õ ¾Ë°í¸®ÁòÀÇ ÀåÁ¡
____k-Æò±Õ ¾Ë°í¸®ÁòÀÇ ´ÜÁ¡
____°Å¸® ÃøÁ¤¹ý
____º¹Àâµµ ÃøÁ¤¹ý
__k-Æò±Õ Ŭ·¯½ºÅ͸µ ±¸Çö
____¸ÓÇÏ¿ô »ç¿ë
____R »ç¿ë
____½ºÆÄÅ© »ç¿ë
____ÆÄÀ̽ã(scikit-learn) »ç¿ë
____ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
9Àå. º£ÀÌÁö¾ð ÇнÀ
__º£ÀÌÁö¾ð ÇнÀ
____Åë°èÇÐÀÚÀÇ »ý°¢
______Áß¿ä ¿ë¾î¿Í Á¤ÀÇ
______È®·ü
______»ç°ÇÀÇ À¯Çü
______È®·üÀÇ À¯Çü
______È®·ü ºÐÆ÷
______º£¸£´©ÀÌ ºÐÆ÷
______ÀÌÇ× ºÐÆ÷
____º£ÀÌÁî Á¤¸®
____³ªÀÌºê º£ÀÌÁî ºÐ·ù±â
______´ÙÇ× ³ªÀÌºê º£ÀÌÁî ºÐ·ù±â
______º£¸£´©ÀÌ ³ªÀÌºê º£ÀÌÁî ºÐ·ù±â
__³ªÀÌºê º£ÀÌÁî ¾Ë°í¸®Áò ±¸Çö
____¸ÓÇÏ¿ô »ç¿ë
____R »ç¿ë
____½ºÆÄÅ© »ç¿ë
____ÆÄÀ̽ã(scikit-learn) »ç¿ë
____ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
10Àå. ȸ±Í ±â¹Ý ÇнÀ
__ȸ±Í ºÐ¼®
____±âÃÊ Åë°è·® º¹½À
______±â´ëÄ¡, ºÐ»ê, °øºÐ»êÀÇ ¼Ó¼º
______ANOVA¿Í F Åë°è
____±³¶õ
____È¿°ú º¯°æ
__ȸ±Í ±â¹ý
____¼±Çü ȸ±Í ¶Ç´Â ´Ü¼ø ¼±Çü ȸ±Í
____´ÙÁß È¸±Í
____´ÙÇ×(ºñ¼±Çü) ȸ±Í
____ÀϹÝÈµÈ ¼±Çü ¸ðµ¨(GLM)
____·ÎÁö½ºÆ½ ȸ±Í(·ÎÁþ ¸µÅ©)
____·ÎÁö½ºÆ½ ȸ±Í¿¡¼ ¿ÀÁîºñ
____Æ÷¾Æ¼Û ȸ±Í
__¼±Çü ȸ±Í¿Í ·ÎÁö½ºÆ½ ȸ±ÍÀÇ ±¸Çö
____¸ÓÇÏ¿ô »ç¿ë
____R »ç¿ë
____½ºÆÄÅ© »ç¿ë
____ÆÄÀ̽ã(scikit-learn) »ç¿ë
____ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
11Àå. µö·¯´×
__¸Ó½Å ·¯´×ÀÇ ±âº» »çÇ×
____Àΰ£ÀÇ ³ú
____½Å°æ¸Á
______´º·±
______½Ã³À½º
______Àΰø ´º·±, ÆÛ¼ÁÆ®·Ð
______½Å°æ¸ÁÀÇ Å©±â
______½Å°æ¸ÁÀÇ Á¾·ù
____¿ªÀüÆÄ ¾Ë°í¸®Áò
____¼ÒÇÁÆ®¸Æ½º ȸ±Í
__µö·¯´×ÀÇ Á¾·ù
____ÄÁº¼·ç¼Ç ½Å°æ¸Á(CNN/ConvNets)
______ÄÁº¼·ç¼Ç ·¹À̾î(CONV)
______Ç®¸µ ·¹À̾î(POOL)
______ǮĿ³ØÆ® ·¹À̾î(FC)
____¼øȯ ½Å°æ¸Á(RNNs)
____RBM
____DBM
____¿ÀÅäÀÎÄÚ´õ
__ANNs°ú µö·¯´× ±â¹ý ±¸Çö
____¸ÓÇÏ¿ô »ç¿ë
____R »ç¿ë
____½ºÆÄÅ© »ç¿ë
____ÆÄÀ̽ã(scikit-learn) »ç¿ë
____ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
12Àå. °È ÇнÀ
__°È ÇнÀ(RL)
____°È ÇнÀÀÇ ³»¿ë
______°È ÇнÀ Àû¿ë »ç·Ê
______Æò°¡ Çǵå¹é
______°È ÇнÀ ¹®Á¦: ±×¸®µå ¿ùµå ¹®Á¦
______¸¶¸£ÄÚÇÁ °áÁ¤ ÇÁ·Î¼¼½º(MDP)
______±âº» RL ¸ðµ¨: ¿¡ÀÌÀüÆ®-ȯ°æ ÀÎÅÍÆäÀ̽º
______Áö¿¬ º¸»ó
______Á¤Ã¥
____°È ÇнÀ: ÁÖ¿ä Ư¡
__°È ÇнÀ ¼Ö·ç¼Ç ±â¹ý
____´ÙÀ̳»¹Í ÇÁ·Î±×·¡¹Ö(DP)
______ÀϹÝÈµÈ Á¤Ã¥ ¹Ýº¹(GPI)
____¸óÅ×Ä«¸¦·Î ±â¹ý
____TD(Temporal difference) ÇнÀ
______»ì»ç: ¿ÂÆú¸®½Ã TD
____Q-·¯´×: ¿ÀÇÁÆú¸®½Ã TD
____¾×ÅÍ-Æò·Ð°¡ ±â¹ý(¿ÂÆú¸®½Ã)
____R-·¯´×(¿ÀÇÁÆú¸®½Ã)
__°È ÇнÀ ¾Ë°í¸®Áò ±¸Çö
____¸ÓÇÏ¿ô »ç¿ë
____R »ç¿ë
____½ºÆÄÅ© »ç¿ë
____ÆÄÀ̽ã(scikit-learn) »ç¿ë
____ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
13Àå. ¾Ó»óºí ÇнÀ
__¾Ó»óºí ÇнÀ¹ýÀÇ °³³ä
____´ëÁß(¶Ç´Â Áý´Ü)ÀÇ ÁöÇý¶õ?
____ÁÖ¿ä Àû¿ë »ç·Ê
______Ãßõ ½Ã½ºÅÛ
______ÀÌ»ó ŽÁö
______Æ®·£½ºÆÛ ÇнÀ
______½ºÆ®¸² ¸¶ÀÌ´× ¶Ç´Â ºÐ·ù
____¾Ó»óºí ±â¹ý
__Áöµµ ¾Ó»óºí ±â¹ý
____ºñÁöµµ ¾Ó»óºí ÇнÀ¹ý
__¾Ó»óºí ÇнÀ ±¸Çö
____¸ÓÇÏ¿ô »ç¿ë
____R »ç¿ë
____½ºÆÄÅ© »ç¿ë
____ÆÄÀ̽ã(scikit-learn) »ç¿ë
____ÁÙ¸®¾Æ »ç¿ë
__¿ä¾à
14Àå. ¸Ó½Å ·¯´×À» À§ÇÑ Â÷¼¼´ë µ¥ÀÌÅÍ ¾ÆÅ°ÅØó
__µ¥ÀÌÅÍ ¾ÆÅ°ÅØóÀÇ ÁøÈ
__Â÷¼¼´ë µ¥ÀÌÅÍ ¾ÆÅ°ÅØó¸¦ À§ÇÑ »õ·Î¿î °üÁ¡
__¸Ó½Å ·¯´×À» À§ÇÑ ÃֽŠµ¥ÀÌÅÍ ¾ÆÅ°ÅØó
____½Ã¸Çƽ µ¥ÀÌÅÍ ¾ÆÅ°ÅØó
____ºñÁî´Ï½º µ¥ÀÌÅÍ ·¹ÀÌÅ©
____½Ã¸Çƽ À¥ ±â¼ú
____ÁÖ¿ä ¼Ö·ç¼Ç ¹× ¾÷ü
__´ÙÁß ¸ðµ¨ µ¥ÀÌÅͺ£À̽º ¾ÆÅ°ÅØó/Æú¸®°÷ Áö¼Ó¼º
____ÁÖ¿ä ¼Ö·ç¼Ç ¹× ¾÷ü
__¶÷´Ù ¾ÆÅ°ÅØó
____ÁÖ¿ä ¼Ö·ç¼Ç ¹× ¾÷ü
__¿ä¾à
-
-
|
¼ö´Ò¶ó °ñ¶óǪµð(Sunila Gollapudi) [Àú]
|
|
-
ºÏ¹Ì ±ÝÀ¶ ¼Ö·ç¼Ç ȸ»çÀÎ ºê·Îµå¸®Áö ÆÄÀ̳½¼È ¼Ö·ç¼Ç(Broadridge Financial Solutions) Àεµ ÇöÁö ¹ýÀο¡¼ ±â¼ú ÀÌ»çÁ÷À» ¸Ã°í ÀÖ´Ù. 14³â°£ ¼ºñ½º IT ¾÷°è¿¡¼ °³¹ß °æÇèÀ» ½×¾Æ¿Ô´Ù. ÇöÀç Àεµ ¹ýÀÎ ¾ÆÅ°ÅØó ¼¾Å͸¦ ¸®µåÇÏ°í ÀÖÀ¸¸ç, ºòµ¥ÀÌÅÍ¿Í µ¥ÀÌÅÍ °úÇÐ ºÎ¹®¿¡¼ ÇÙ½É ¿ªÇÒÀ» ´ã´ç ÁßÀÌ´Ù. ºê·Îµå¸®Áö¿¡¼ ±Ù¹«Çϱâ Àü¿¡´Â ±Û·Î¹ú ¼öÁØÀÇ Á¶Á÷ °ü¸®¸¦ ¼º°øÀûÀ¸·Î ¼öÇàÇßÀ» »Ó¸¸ ¾Æ´Ï¶ó, ÀÚ¹Ù(Java), ºÐ»ê ¾ÆÅ°ÅØó, ºòµ¥ÀÌÅÍ ±â¼ú, °í±Þ ºÐ¼® ±â¼ú(Advanced analytics), ¸Ó½Å ·¯´×, ½Ã¸Çƽ ±â¼ú, µ¥ÀÌÅÍ ÅëÇÕ ¼Ö·ç¼Ç ±â¼ú µî¿¡¼µµ Ź¿ùÇÑ Àü¹®¼ºÀ» º¸¿´´Ù.
ÇöÀç ºê·Îµå¸®ÁöÀÇ ±Û·Î¹ú ±â¼ú ¸®´õ½Ê°ú Çõ½Å Æ÷·³À» ¸Ã°í ÀÖÀ¸¸ç, ÃÖ±Ù IEEE¿¡¼µµ ½Ã¸Çƽ ±â¼ú°ú ºñÁî´Ï½º µ¥ÀÌÅÍ ·¹ÀÌÅ©(data lake)¿¡ °üÇÑ °øÀûÀ» ÀÎÁ¤¹Þ±âµµ Çß´Ù. ºü¸¥ ¼Óµµ·Î ¹ßÀüÇÏ´Â ½Å±â¼úÀ» ±Û·Î¹ú Â÷¿ø¿¡¼ ¾î¶² ±â¼ú ¿µ¿ª°ú °ü·Ã ÀÖ´ÂÁö Àß ÆľÇÇÏ°í ¿¬°áÇϴ Ź¿ùÇÑ ´É·ÂÀÌ ÀÖÀ¸¸ç, ºñÁî´Ï½º ¸é¿¡¼µµ »ç¾È¿¡ ´ëÇÑ ½ÇÁúÀûÀÎ ¾ÆÅ°ÅØó ¼Ö·ç¼ÇÀ» Á¦½ÃÇÏ´Â Àü¹®¼ºÀ» ¹ßÈÖÇÏ°í ÀÖ´Ù. ÄÄÇ»ÅÍ °úÇÐ ´ëÇпø °úÁ¤¿¡¼ ºòµ¥ÀÌÅÍ ¿þ¾îÇϿ콺 ¼Ö·ç¼Ç, ±×¸°Ç÷³(Greenplum)¿¡ °üÇØ [Getting Started with Greenplum for Big Data Analytics](Packt, 2013)¶ó´Â Àú¼¸¦ Ãâ°£Çϱ⵵ Çß´Ù. ÇÑÆí ÀεµÀÇ ÀüÅëÃã¿¡µµ °ü½ÉÀÌ ¸¹¾Æ¼ ±¹³» ´ëȸ, ±¹Á¦ ´ëȸ¿¡ Âü°¡ÇÒ ¼öÁØÀÇ ½Ç·Âµµ °®ÃèÀ¸¸ç, ±×¸² ±×¸®±â °°Àº Ãë¹Ìµµ °®°í ÀÖ´Ù. ¹°·Ð °¡Àå Áß¿äÇÑ ÇÑ °¡Á¤ÀÇ ¾ö¸¶ÀÌÀÚ ¾Æ³» ¿ªÇÒµµ ÈǸ¢ÇÏ°Ô Çس»°í ÀÖ´Ù.
-
|
³²±Ã¿µÈ¯ [Àú]
|
|
-
°í·Á´ëÇб³ ÄÄÇ»ÅÍÇаú(Çлç/¼®»ç)¿Í ¼´øĶ¸®Æ÷´Ï¾Æ ´ëÇб³(¼®»ç)¸¦ Á¹¾÷ÇÏ°í, Ç÷θ®´Ù ´ëÇб³¿¡¼ µ¥ÀÌÅÍ ¸¶ÀÌ´×À» ÁÖÁ¦·Î ÄÄÇ»ÅÍ°øÇÐ ¹Ú»ç ÇÐÀ§¸¦ ÃëµæÇß´Ù. »ï¼ºSDS¿¬±¸¼Ò¿¡¼ Ŭ¶ó¿ìµå ÄÄÇ»ÆÃ, ºòµ¥ÀÌÅÍ ÀÎÇÁ¶ó Ç÷§Æû, µ¥ÀÌÅÍ °úÇÐ/ºÐ¼®¿¡ °üÇÑ ´Ù¾çÇÑ ÃֽŠ±â¼úÀ» ¿¬±¸ÇÏ¸ç °³¹ß °úÁ¦¸¦ ¼öÇàÇß´Ù. Ŭ¶ó¿ìµå ±â¹Ý ºòµ¥ÀÌÅÍ Ã³¸®¿Í ºÐ¼®¿¡ °üÇÑ Ç³ºÎÇÑ ÄÁ¼³Æà °æÇèµµ °®°í ÀÖ´Ù. ÇöÀç´Â ¾Æ¸¶Á¸ À¥ ¼ºñ½º(Amazon Web Services)¿¡¼ AI/ML Specialist Solutions Architect·Î È°µ¿ ÁßÀÌ´Ù.
-
-
Àüü 0°³ÀÇ ±¸¸ÅÈıⰡ ÀÖ½À´Ï´Ù.
|
ÀÎÅÍÆÄÅ©µµ¼´Â °í°´´ÔÀÇ ´Ü¼ø º¯½É¿¡ ÀÇÇÑ ±³È¯°ú ¹ÝÇ°¿¡ µå´Â ºñ¿ëÀº °í°´´ÔÀÌ ÁöºÒÄÉ µË´Ï´Ù.
´Ü, »óÇ°À̳ª ¼ºñ½º ÀÚüÀÇ ÇÏÀÚ·Î ÀÎÇÑ ±³È¯ ¹× ¹ÝÇ°Àº ¹«·á·Î ¹ÝÇ° µË´Ï´Ù. |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ °¡´ÉÇÑ °æ¿ì |
»óÇ°À» °ø±Þ ¹ÞÀº ³¯·ÎºÎÅÍ 7ÀÏÀ̳» °¡´É
°ø±Þ¹ÞÀ¸½Å »óÇ°ÀÇ ³»¿ëÀÌ Ç¥½Ã, ±¤°í ³»¿ë°ú ´Ù¸£°Å³ª ´Ù¸£°Ô ÀÌÇàµÈ °æ¿ì¿¡´Â °ø±Þ¹ÞÀº ³¯·ÎºÎÅÍ 3°³¿ù À̳», ȤÀº ±×»ç½ÇÀ» ¾Ë°Ô µÈ ³¯ ¶Ç´Â ¾Ë ¼ö ÀÖ¾ú´ø ³¯·ÎºÎÅÍ 30ÀÏ À̳»
»óÇ°¿¡ ¾Æ¹«·± ÇÏÀÚ°¡ ¾ø´Â °æ¿ì ¼ÒºñÀÚÀÇ °í°´º¯½É¿¡ ÀÇÇÑ ±³È¯Àº »óÇ°ÀÇ Æ÷Àå»óÅ µîÀÌ ÀüÇô ¼Õ»óµÇÁö ¾ÊÀº °æ¿ì¿¡ ÇÑÇÏ¿© °¡´É |
|
±³È¯ ¹× ¹ÝÇ°ÀÌ ºÒ°¡´ÉÇÑ °æ¿ì |
±¸¸ÅÈ®Á¤ ÀÌÈÄ(¿ÀǸ¶ÄÏ»óÇ°¿¡ ÇÑÇÔ)
°í°´´ÔÀÇ Ã¥ÀÓ ÀÖ´Â »çÀ¯·Î »óÇ° µîÀÌ ¸ê½Ç ¶Ç´Â ÈÑ¼ÕµÈ °æ¿ì
(´Ü, »óÇ°ÀÇ ³»¿ëÀ» È®ÀÎÇϱâ À§ÇÏ¿© Æ÷Àå µîÀ» ÈѼÕÇÑ °æ¿ì´Â Á¦¿Ü)
½Ã°£ÀÌ Áö³²¿¡ µû¶ó ÀçÆǸŰ¡ °ï¶õÇÒ Á¤µµ·Î ¹°Ç°ÀÇ °¡Ä¡°¡ ¶³¾îÁø °æ¿ì
Æ÷Àå °³ºÀµÇ¾î »óÇ° °¡Ä¡°¡ ÈÑ¼ÕµÈ °æ¿ì |
|
´Ù¹è¼ÛÁöÀÇ °æ¿ì ¹ÝÇ° ȯºÒ |
´Ù¹è¼ÛÁöÀÇ °æ¿ì ´Ù¸¥ Áö¿ªÀÇ ¹ÝÇ°À» µ¿½Ã¿¡ ÁøÇàÇÒ ¼ö ¾ø½À´Ï´Ù.
1°³ Áö¿ªÀÇ ¹ÝÇ°ÀÌ ¿Ï·áµÈ ÈÄ ´Ù¸¥ Áö¿ª ¹ÝÇ°À» ÁøÇàÇÒ ¼ö ÀÖÀ¸¹Ç·Î, ÀÌÁ¡ ¾çÇØÇØ Áֽñ⠹ٶø´Ï´Ù. |
|
Áß°í»óÇ°ÀÇ ±³È¯ |
Áß°í»óÇ°Àº Á¦ÇÑµÈ Àç°í ³»¿¡¼ ÆǸŰ¡ ÀÌ·ç¾îÁö¹Ç·Î, ±³È¯Àº ºÒ°¡´ÉÇÕ´Ï´Ù. |
|
¿ÀǸ¶ÄÏ »óÇ°ÀÇ È¯ºÒ |
¿ÀǸ¶ÄÏ»óÇ°¿¡ ´ëÇÑ Ã¥ÀÓÀº ¿øÄ¢ÀûÀ¸·Î ¾÷ü¿¡°Ô ÀÖÀ¸¹Ç·Î, ±³È¯/¹ÝÇ° Á¢¼ö½Ã ¹Ýµå½Ã ÆǸÅÀÚ¿Í ÇùÀÇ ÈÄ ¹ÝÇ° Á¢¼ö¸¦ ÇϼžßÇϸç, ¹ÝÇ°Á¢¼ö ¾øÀÌ ¹Ý¼ÛÇϰųª, ¿ìÆíÀ¸·Î º¸³¾ °æ¿ì »óÇ° È®ÀÎÀÌ ¾î·Á¿ö ȯºÒÀÌ ºÒ°¡´ÉÇÒ ¼ö ÀÖÀ¸´Ï À¯ÀÇÇϽñ⠹ٶø´Ï´Ù. |
|
|
|
¹è¼Û¿¹Á¤ÀÏ ¾È³» |
ÀÎÅÍÆÄÅ© µµ¼´Â ¸ðµç »óÇ°¿¡ ´ëÇØ ¹è¼Û¿Ï·á¿¹Á¤ÀÏÀ» À¥»çÀÌÆ®¿¡ Ç¥½ÃÇÏ°í ÀÖ½À´Ï´Ù.
|
<ÀÎÅÍÆÄÅ© Á÷¹è¼Û »óÇ°> |
»óÇ°Àº ¿ù~Åä¿äÀÏ ¿ÀÀü 10½Ã ÀÌÀü ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ´çÀÏ Ãâ°í/´çÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù. |
»óÇ°Àº ¼¿ïÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀº ´çÀÏ Ãâ°í/ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇϸç,
¼¿ï¿ÜÁö¿ª/ÆòÀÏ ÁÖ¹®ºÐÀÇ °æ¿ì´Â ¿ÀÈÄ 6½Ã±îÁö ÁÖ¹®ºÐ¿¡ ´ëÇÏ¿© ÀÍÀÏ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÏ´Â »óÇ°ÀÔ´Ï´Ù.
(´Ü, ¿ù¿äÀÏÀº 12½Ã±îÁö ÁÖ¹®¿¡ ÇÑÇÔ)
|
»óÇ°Àº, ÀÔ°í¿¹Á¤ÀÏ(Á¦Ç°Ãâ½ÃÀÏ)+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù. |
~
»óÇ°Àº À¯ÅëƯ¼º»ó ÀÎÅÍÆÄÅ©¿¡¼ Àç°í¸¦ º¸À¯ÇÏÁö ¾ÊÀº »óÇ°À¸·Î ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(1ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø±âÁØÃâ°íÀÏ:ÀÎÅÍÆÄÅ©°¡ »óÇ°À» ¼ö±ÞÇÏ¿© ¹°·ùâ°í¿¡¼ Æ÷Àå/Ãâ°íÇϱâ±îÁö ¼Ò¿äµÇ´Â ½Ã°£
|
|
<¾÷ü Á÷Á¢¹è¼Û/¿ÀǸ¶ÄÏ »óÇ°> |
~
»óÇ°Àº ¾÷ü°¡ ÁÖ¹®À» È®ÀÎÇÏ°í, Ãâ°íÇϱâ±îÁö °É¸®´Â ½Ã°£ÀÔ´Ï´Ù. ÁÖ¹®ÀÏ+±âÁØÃâ°íÀÏ+Åùè»ç¹è¼ÛÀÏ(2ÀÏ)¿¡ ¹è¼Û¿Ï·á¸¦ º¸ÀåÇÕ´Ï´Ù.(Åä/°øÈÞÀÏÀº ¹è¼Û±â°£¿¡ Æ÷ÇÔµÇÁö ¾Ê½À´Ï´Ù.)
¡Ø5ÀÏÀ̳» Ãâ°í°¡ ½ÃÀÛµÇÁö ¾ÊÀ»½Ã, ¿ÀǸ¶ÄÏ »óÇ°Àº ÀÚµ¿À¸·Î ÁÖ¹®ÀÌ Ãë¼ÒµÇ¸ç, °í°´´Ô²² Ç°Àýº¸»ó±ÝÀ» Áö±ÞÇØ µå¸³´Ï´Ù.
|
|
|
¹è¼Ûºñ ¾È³» |
µµ¼(Áß°íµµ¼ Æ÷ÇÔ)¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û) À½¹Ý/DVD¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
ÀâÁö/¸¸È/±âÇÁÆ®¸¸ ±¸¸ÅÇϽøé : ¹è¼Ûºñ 2,000¿ø (2¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í À½¹Ý/DVD¸¦ ÇÔ²² ±¸¸ÅÇϽøé : ¹è¼Ûºñ 1,500¿ø 1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
µµ¼¿Í ÀâÁö/¸¸È/±âÇÁÆ®/Áß°íÁ÷¹è¼Û»óÇ°À» ÇÔ²² ±¸¸ÅÇϽøé : 2,000¿ø (1¸¸¿øÀÌ»ó ±¸¸Å ½Ã ¹«·á¹è¼Û)
¾÷üÁ÷Á¢¹è¼Û»óÇ°À» ±¸¸Å½Ã : ¾÷üº°·Î »óÀÌÇÑ ¹è¼Ûºñ Àû¿ë
* ¼¼Æ®»óÇ°ÀÇ °æ¿ì ºÎºÐÃë¼Ò ½Ã Ãß°¡ ¹è¼Ûºñ°¡ ºÎ°úµÉ ¼ö ÀÖ½À´Ï´Ù.
* ºÏÄ«Æ®¿¡¼ ¹è¼Ûºñ¾ø¾Ö±â ¹öÆ°À» Ŭ¸¯Çϼż, µ¿ÀϾ÷ü»óÇ°À» Á¶±Ý ´õ ±¸¸ÅÇϽøé, ¹è¼Ûºñ¸¦ Àý¾àÇÏ½Ç ¼ö ÀÖ½À´Ï´Ù.
|
|
Çؿܹè¼Û ¾È³» |
ÀÎÅÍÆÄÅ©µµ¼¿¡¼´Â ±¹³»¿¡¼ ÁÖ¹®ÇϽðųª ÇØ¿Ü¿¡¼ ÁÖ¹®ÇÏ¿© ÇØ¿Ü·Î ¹è¼ÛÀ» ¿øÇÏ½Ç °æ¿ì DHL°ú Ư¾àÀ¸·Î Ã¥Á¤µÈ ¿ä±ÝÇ¥¿¡
ÀÇÇØ °³ÀÎÀÌ ÀÌ¿ëÇÏ´Â °æ¿ìº¸´Ù ¹è¼Û¿ä±ÝÀ» Å©°Ô ³·Ã߸ç DHL(www.dhl.co.kr)·Î Çؿܹè¼Û ¼ºñ½º¸¦ Á¦°øÇÕ´Ï´Ù.
Çؿܹè¼ÛÀº µµ¼/CD/DVD »óÇ°¿¡ ÇÑÇØ ¼ºñ½ºÇÏ°í ÀÖÀ¸¸ç, ´Ù¸¥ »óÇ°À» ºÏÄ«Æ®¿¡ ÇÔ²² ´ãÀ¸½Ç °æ¿ì Çؿܹè¼ÛÀÌ ºÒ°¡ÇÕ´Ï´Ù.
ÇØ¿ÜÁÖ¹®¹è¼Û ¼ºñ½º´Â ÀÎÅÍÆÄÅ© µµ¼ ȸ¿ø °¡ÀÔÀ» Çϼž߸¸ ½Åû °¡´ÉÇÕ´Ï´Ù. |
|
¾Ë¾ÆµÎ¼¼¿ä!!! |
µµ¸Å»ó ¹× Á¦ÀÛ»ç »çÁ¤¿¡ µû¶ó Ç°Àý/ÀýÆÇ µîÀÇ »çÀ¯·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
¿ÀǸ¶ÄϾ÷üÀÇ ¹è¼ÛÁö¿¬½Ã ÁÖ¹®ÀÌ ÀÚµ¿À¸·Î Ãë¼ÒµÉ ¼ö ÀÖ½À´Ï´Ù.
Ãâ°í°¡´É ½Ã°£ÀÌ ¼·Î ´Ù¸¥ »óÇ°À» ÇÔ²² ÁÖ¹®ÇÒ °æ¿ì Ãâ°í°¡´É ½Ã°£ÀÌ °¡Àå ±ä ±âÁØÀ¸·Î ¹è¼ÛµË´Ï´Ù.
À¯ÅëÀÇ Æ¯¼º»ó Ãâ°í±â°£Àº ¿¹Á¤º¸´Ù ¾Õ´ç°ÜÁö°Å³ª ´ÊÃçÁú ¼ö ÀÖ½À´Ï´Ù.
Åùè»ç ¹è¼ÛÀÏÀÎ ¼¿ï ¹× ¼öµµ±ÇÀº 1~2ÀÏ, Áö¹æÀº 2~3ÀÏ, µµ¼, »ê°£, ±ººÎ´ë´Â 3ÀÏ ÀÌ»óÀÇ ½Ã°£ÀÌ ¼Ò¿äµË´Ï´Ù. |
|
|
|
|