Data&AI-Uni.
1.데이터사이언티스트
Data Scientist
2.리눅스에 대해 알아보자
3.리눅스 명령어 배우기
기본적인 리눅스 명령어
4.파이썬, 환경설정
파이썬1991년에 귀도 반 로섬이 만든 프로그래밍 언어문법이 간결하고 읽기 쉬워서 프로그래밍 입문자에게 인기가 많다.다양한 운영체제에서 작동웹 개발, 데이터 분석, 인공지능, 과학 연구, 자동화 등 여러 분야에서 활용풍부한 라이브러리와 프레임워크를 제공하여 개발 생산성
5.파이썬, 식별자 & 표현식
6.파이썬, 자료형 [1]
숫자 자료형의 종류 2가지정수형(Integer, int)정수를 나타내는 자료형 양수, 음수, 0을 포함합니다.print(type(0.0)) print(type(3.14)) print(type(-2.5)) \`\`\`덧셈, 뺄셈, 곱셈, 나눗셈, 제곱, 나누기의
7.파이썬, 자료형 [2] List & Tuple & Dictionary
리스트(list) 파이썬에서 가장 많이 사용되는 자료구조 중 하나 여러 개의 값을 하나의 변수에 저장할 수 있다 각 값(요소, element)은 순서(인덱스)를 가지고 있다. 대괄호 []로 감싸서 만든다. 리스트의 특징 여러 개의 값을 저장: 하나의 변수에 여러 값
8.파이썬, 자료형 [3] Dictionary, Set, Bool
키(Key)와 값(Value)의 쌍을 저장하는 대용량 자료구조파이썬 이외 언어에서는 '연관배열', '해시'라고 한다.리스트나 튜플처럼 순차적으로(=인덱스로) 요소를 꺼낼 수 없음.Key를 통해 Value를 얻는다!요소들의 순서는 의미가 없음.중괄호 {} 안에 Key:V
9.파이썬, 리스트와 딕셔너리 자세하게
List & Dictionary
10.파이썬, 조건문
조건문
11.파이썬, 반복문
반복문
12.파이썬, 람다 함수
람다
13.파이썬, 함수
함수
14.파이썬, 일급객체
일급객체
15.파이썬, 모듈
Module
16.파이썬, 패키지 & 라이브러리
패키지 & 라이브러리
17.파이썬, 예외처리
구문 오류(Syntax Error)n = 10res = n / 0 \`\`\`실행 중에 발생할 수 있는 다양한 예외 상황(예: 파일이 없거나, 0으로 나누기 등)에 대비해 프로그램이 갑자기 종료되지 않도록 안전장치를 마련하는 것이 예외 처리의 목적입니다.조건문으로 미
18.파이썬, 클래스(Class)
클래스
19.---------------------------N.E.X.T
20.SQL, 데이터베이스
데이터는 기록이다현실 세계에서 관찰하거나 측정하여 수집한 사실이나 값숫자, 문자, 기호 등으로 표현된 원시적인 기록자체적으로는 의미가 없으며, 해석이나 가공 과정을 거치기 전의 상태정보는 데이터를 가공, 해석하여 의미와 가치를 부여한 결과물데이터가 처리되어 의사결정에
21.SQL, 데이터
데이터 다루기
22.SQL, LIKE & Wildcard, 별칭, 정렬, 조건문, CAST
SQL은 데이터를 다루는 데 있어 가장 핵심적인 언어 데이터를 조회하고 분석할 때 필요한 필수 기능 중 LIKE, 와일드카드, 별칭(alias), 정렬, 중복 제거, 조건문, 데이터 타입 변환까지 조회 조건 값 불명확할 경우 사용한다.문자, 숫자 모두 조건에 포함할 수
23.SQL, Aggregate Function / Group by & Having
COUNT, SUM, AVG, MAX, MIN
24.SQL, Join & Union
Join & Union
25.SQL, 그룹 함수(ROLLUP, GROUPING SETS, CUBE)
# 그룹 함수(ROLLUP, GROUPING SETS, CUBE) 그룹함수는 데이터를 그룹으로 묶고, 이 그룹을 기준으로 통계 값을 계산하는 데 사용 주로 GROUP BY 구문과 함께 쓰이며, SUM(), AVG(), COUNT(), MAX(), MIN() 등의 집
26.SQL, Subquery
Subquery - 하나의 쿼리문 안에 -> 포함되는 또다른 쿼리문! == 중첩 쿼리 (쿼리 재사용) 즉, 메인 쿼리 > 서브 쿼리 포함하는 종속적 관계
27.SQL, 분석
PV (Page View)Unique PVVisitsUV (Unique Visits)분석 시 주의 사항ARPU (Average Revenue Per User)ARPPU (Average Revenue Per Paying User)문제 풀이 팁퍼널 분석이란?AIDA 모델A
28.SQL, BigQuery
강의는 인프런에서https://www.inflearn.com/course/%EC%B4%88%EB%B3%B4%EC%9E%90%EB%A5%BC-%EC%9C%84%ED%95%9C-%EB%B9%85%EC%BF%BC%EB%A6%AC-sql-%EC%9E%85%EB%AC%
29.SQL, Project Customer Segmentation
고객 세그먼트
30.SQL, Project Customer Segmentation
SQL Project
31.---------------------------N.E.X.T
.
32.비정제 데이터
비정제 데이터===> 특정한 구조나 형식으로 정리되어 있지 않은 데이터비정제 데이터의 예시텍스트 데이터: 이메일, 문서 (워드, PDF), 소셜 미디어 게시글, 블로그 게시글, 뉴스 기사, 고객 리뷰, 채팅 로그 등이미지 데이터: 사진, 그림, 스캔 문서, 의료 영상
33.Node 01. Data Cleaning - 타이타닉 데이터
타이타닉 설명: 결측치, 이상치, 범주형 데이터 등 데이터 클리닝 실습에 최적 https://www.kaggle.com/c/titanic/data
34.Node 02. Data Cleaning - 뉴욕시 택시요금
위치, 시간, 요금 등 다양한 결측치와 이상치가 포함된 대용량 데이터https://github.com/toddwschneider/nyc-taxi-data
35.Node 03. Data Cleaning - 호텔 예약
데이터 전처리
36.Node 04. Data Transformation - 영국 중고차 가격
37.Node 05. Data Transformation - 연봉 데이터
Data Transformation
38.Node 06. Data Transformation - 의료 보험 청구 데이터
나이, 성별, BMI, 흡연 여부, 지역 등 다양한 변환(더미 변수, 로그 변환 등) 주소: https://www.kaggle.com/datasets/mirichoi0218/insurance
39.Node 07. Feature Engineering - 스피드 데이팅 데이터
스피드 데이팅 실험 데이터참가자 특성, 매칭 결과 등 다양한 파생 변수 생성 및 상호작용 변수 실습에 적합주소: https://www.kaggle.com/datasets/annavictoria/speed-dating-experiment
40.Node 08. Feature Engineering - eBay 중고차 판매 데이터
eBay 중고차 판매 데이터설명: 차량 정보, 판매가, 연식, 주행거리 등 다양한 피처 엔지니어링(예: 연식 대비 가격, 주행거리 대비 가격 등)에 활용주소: https://www.kaggle.com/datasets/orgesleka/used-cars-data
41.Node 09. Feature Engineering - 신용거래 이상탐지 데이터
신용카드 거래 이상탐지 데이터설명: 거래 패턴, 시간, 금액 등에서 다양한 통계 기반 파생 피처 생성 및 이상탐지 실습주소: https://www.kaggle.com/datasets/kartik2112/fraud-detection
42.---------------------------N.E.X.T
43.Statistics & Visualization
통계 & 시각화
44.[statistics] Node 01. 기초 통계와 EDA
Statistics & EDA
45.[statistics] Node 02. PA & 추론통계
Supervised learning
46.[statistics] Node 03. A/B Test
분류
47.[visualization] Node 04. Data Visualization
파이썬 라이브러리 Pandashttps://pandas.pydata.org/docs/index.htmlMatplotlibhttps://matplotlib.org/stable/gallery/index.htmlSeabornhttps://seabo
48.[visualization] Node 05. 시각화 심화(Tableau & Power Bi)
tableau & Power Bi
49.---------------------------N.E.X.T
N.E.X.T
50.머신러닝 Machine Learning
머신러닝
51.[ML] Node 01. scikit-learn
python을 이용한 머신러닝 툴(도구)데이터 분석 및 예측을 위한 툴사용이 쉽다학습 : fit, 예측 : predict
52.[ML] Node 02. 지도학습(supervised learning) - 분류
지도학습(분류)
53.[ML] Node 03. 지도학습(supervised learning) - 회귀
지도학습 (회귀)
54.[ML] Node 04. 비지도 학습
비지도학습
55.[ML] Node 05. 자연어처리 / NLP
자연어처리
56.[ML] Node 06. 텍스트분석
텍스트분석
57.Credit Card Fraud Detection
Credit Card Fraud Detection
58.---------------------------N.E.X.T
N.E.X.T
59.FINANCE Time Series
FINANCE Time Series
60.[Time Series] Node 01. 시계열 데이터 분석 시작하기
시계열 데이터 분석 시작하기
61.[Time Series] Node 02. 시계열 데이터의 성질
시계열 데이터
62.[Time Series] Node 03. 시계열 데이터 EDA
시계열 데이터 EDA
63.[Time Series] Node 04. 시계열 분류
시계열 분류
64.[Time Series] Node 05. 통계 모델을 활용한 시계열 예측 (ARIMA, ARCH)
통계 모델을 활용한 시계열 예측 (ARIMA, ARCH)
65.[Time Series] Node 06. 금융 시계열의 특징
금융 시계열의 특징
66.---------------------------N.E.X.T
N.E.X.T
67.NLP 프로젝트 (챗봇 및 텍스트 처리)
NLP 프로젝트 (챗봇 및 텍스트 처리)
68.---------------------------N.E.X.T
N.E.X.T
69.추천 시스템 - 사용자 맞춤형 경험 제공
추천시스템
70.[RS] Node 01. 사이킷런을 활용한 추천 시스템 입문
사이킷런을 활용한 추천 시스템 입문
71.---------------------------N.E.X.T
N.E.X.T
72.MLOps (Machine Learning Operations)
MLOps (Machine Learning Operations)
73.Node 01. MLOps 소개
MLOps
74.Node 02. 도커(Docker)
도커(Docker)란? 머신러닝 환경을 손쉽게 옮기는 마법 같은 기술
75.Node 03. 클라우드 플랫폼 소개
클라우드 플랫폼 소개 (GCP, AWS, Azure 등)머신러닝 프로젝트를 시작할 때, 강력한 컴퓨팅 자원과 유연한 확장성은 필수입니다.많은 팀과 기업이 클라우드 플랫폼을 활용합니다.가장 널리 사용되는 플랫폼 3가지를 소개합니다:AWS (Amazon Web Servic
76.Node 04. Airflow
Airflow 소개 및 활용 Apache Airflow의 기본 개념DAG(Directed Acyclic Graph) 스케줄링 및 모니터링
77.Node 05. 머신러닝 파이프라인 구축
머신러닝 파이프라인:데이터 수집 → 전처리 → 모델 학습 → 검증 → 배포 과정을 자동화하고 체계화한 워크플로우목표반복 가능한, 재사용 가능한, 자동화된 머신러닝 프로세스를 만드는 것!