데이터 사이언스

💾 데이터 사이언스를 배워야 하는 이유

• 데이터 사이언스
  • 데이터를 다루는 일

• 데이터가 많을수록 할 수 있는 일이 많다

• 소프트웨어를 통해 데이터 수집, 저장
  • 인스타그램, 카카오톡, 유튜브, 쿠팡, ...
  • 결제 시스템
  • 교통 카드

• 데이터를 기반으로 움직이는 업계들
  • 쇼핑몰
  • 음악 스트리밍 사이트
  • 정치인 선거 캠페인

• 분야를 막론하고 중요한 데이터
  • 데이터를 다룰 수 있는 능력 >> 경쟁력

💾 데이터 사이언스

• 데이터 과학
  • 다양한 데이터로부터 지식과 인사이트를 추출하는 분야
  • 데이터와 연관된 모든 것

• 데이터 사이언스에 필요한 역량
  • 프로그래밍
    • 데이터 수집
    • 데이터 분석
  • 수학 / 통계
    • 논리적 분석
    • 머신러닝
  • 특정 분야에 대한 전문성
    • 현실의 문제 해결 수단

• 데이터 사이언티스트
  • 가치를 더할 수 있는 일을 찾고 데이터를 이용해서 문제를 해결하는 사람

💾 데이터 사이언스에 대한 오해

• 데이터 사이언스에서 가장 중요한 건 인공지능, 딥러닝??
  • 데이터 사이언스의 순서
    • 데이터 엔지니어링(수집, 저장, 정리)
    • 분석
    • A/B 테스트
    • 인공지능
  • 인공지능 전 단계
    • 적은 노력으로 많은 가치를 얻을 수 있는 과정
  • 인공지능 단계
    • 노력, 돈, 시간 대비 가치가 비교적 적은 편

• 데이터 사이언티스트는 하루종일 컴퓨터와 수학만 하는 사람??
  • 데이터 사이언스의 목표
    • 가치를 더할 수 있는 문제를 데이터로 해결하는 것
  • 데이터 사이언스를 위한 역량
    • 수학/통계/프로그래밍
    • 특정 분야의 문제 인식
    • 창의적 문제 해결을 위한 인사이트
    • 커뮤니케이션

💾 Python으로 데이터 분석을 하는 이유

• 데이터 분석을 위한 프로그래밍 언어의 양대 산맥
  • Python
  • R

• R
  • 통계와 시각화를 위해 만들어진 언어
  • 데이터 분석의 도구가 잘 갖춰짐
  • 주로 연구에 활용

• Python
  • 다양한 용도로 만들어진 언어
  • 데이터 분석의 도구가 평범
  • Numpy, Pandas, Tensorflow 같은 라이브러리로 R의 일부 기능 대체

💾 데이터 사이언스 프로세스

• 데이터 사이언스의 단계
  • 문제 정의하기
  • 데이터 모으기
  • 데이터 다듬기
  • 데이터 분석하기
  • 데이터 시각화 및 커뮤니케이션

• 문제 정의하기
  • 해결하고자 하는 문제를 정의하는 단계
  • 목표 설정
  • 기간 설정
  • 평가 방법 설정
  • 필요한 데이터 설정

• 데이터 모으기
  • 필요한 데이터를 모을 수 있는 방법을 찾는 단계
  • 웹 크롤링
  • 자료 모으기
  • 파일 읽고 쓰기

• 데이터 다듬기
  • 데이터의 퀄리티를 높여서 의미 있는 분석이 가능하게끔 하는 단계
  • 데이터 관찰하기
  • 데이터 오류 제거
  • 데이터 정리하기

• 데이터 분석하기
  • 준비된 데이터로부터 의미를 찾는 단계
  • 데이터 파악하기
  • 데이터 변형하기
  • 통계 분석
  • 인사이트 발견
  • 의미 도출

• 커뮤니케이션
  • 분석 결과를 다른 사람들에게 전달하는 단계
  • 다양한 시각화
  • 커뮤니케이션
  • 리포트

출처: CODEIT - 데이터 사이언스 입문