1장. 머신러닝과 데이터 과학 이해하기

데이터 과학 Data Science

데이터 과학이 이슈가 된 이유

• 4차 산업혁명, 머신러닝, 인공지능
• 시대적 요구
• 데이터 = 자산

데이터 과학의 활용 사례

• 사기탐기(ex PayPal => 핀테크)
• 유통경로(ex 매출예측)
• 자동차(ex 운전습관 => 보험금예측)
• 최고 데이터 책임자(chief data officer,CDO)

데이터 과학의 정의 및 반전 방향

• 컴퓨터를 활용해서 데이터를 분석하고 현실의 문제를 해결하는 작업

1. Descriptive Analytics(What?)
   • 기술통계
2. Diagnostic Analytics(Why?)
   • 전통적 통계분석
3. Predictive Analytics(Future?)
   • 미래, 예측, 머신러닝, 의사결정
4. Prescriptive Analytics(Action?)
   • Analytics 4.0 예측 -> 행동 자율주행차, 알파고

데이터 과학의 특징 및 목표

• 데이터 과학은 융합형 인재를 원한다

• 목표

  • Decision Making(의사결정)
  • Monetization(수익화)

머신러닝과 다른 분석 방법 비교

• 빅데이터 분석 vs 통계 분석 vs 머신러닝
• 빅데이터 분석
  • 상관관계를 찾는 데이터 분석 방식
  • 그로스해킹
  • 마케팅
• 통계분석
  • 실제 세계를 이해하고 해석하는 것
  • 모형에서 나오는 통계치, 수치, 가정
  • 적은 데이터를 가지고 진행해왔음

머신러닝 Machine learning

• 예측과 패턴분석
• 정확도, 성능이 중요
• 많은 데이터가 필요

머신러닝이란?

• 컴퓨터가 데이터로부터 스스로 학습을 할 수 있도록 프로그래밍하는 과학적인 활동이다
• 가설을 검증해나가는 과정
• 자동화 시스템
• 발전 배경
  • 많은 데이터
  • 알고리즘 개선
  • 컴퓨터 하드웨어의 개선

전통적인 접근 방법

1. 문제파악, 문제정의
2. 규칙 작성
3. 평가
4. 에러 확인 문제에 반영 -> 1. 부터 다시 반복
5. 평가
6. 서비스 도입

머신러닝 접근 방법

1. 문제파악, 문제정의
2. 머신러닝 모델 학습
3. 평가
4. 에러 확인 문제에 반영 -> 1. 부터 다시 반복
5. 평가
6. 서비스 도입
7. 데이터 업데이트 -> 2. 에 대입
   • 과정의 자동화