머신러닝을 활용한 예측분석론 (미래 예측의 과학적 방법론)

윤현식

(Hyun Shik “Bryan” Yoon, Ph.D.)
University of Missouri(Columbia)에서 정보시스템 전공으로 박사학위를 취득하였다. 동 대학교 경영대학과 Oklahoma State University(Stillwater) 경영대학에 재직한 후, 현재 전남대학교 경영학부 교수로 재직 중이다. 공동체가 직면한 다양한 사회 문제를 풀기 위해 머신러닝 기반 해결책을 찾는 연구와 설명하기 어려운 인간 행동을 사전에 예측하고 판별하는 연구에 매진하고 있다.

머리말 / 06

1. 예측 분석 왜 중요한가?
1.1. 용어 속의 의미 / 16
1.2. 애널리틱스(analytics)와 애널리시스(analysis)의 차이 / 20
1.3. 데이터 마이닝(data mining)은 어디에 위치하는가? / 20
1.4. 애널리틱스와 데이터 사이언스가 갑자기 주목받는 이유 / 21
1.5. 애널리틱스의 응용 분야 / 24
1.6. 애널리틱스의 주요 도전 과제 / 25
■요약 / 31

2. 비즈니스 분석에 대한 분류 체계
■요약 / 48

3. 예측 분석과 데이터 마이닝
3.1. 데이터 마이닝이란 무엇인가? / 55
3.2. 데이터 마이닝이 아닌 것은 무엇인가? / 58
3.3. 일반적인 데이터 마이닝 응용 분야 / 60
3.4. 데이터 마이닝으로 발견할 수 있는 패턴의 종류 / 66
3.5. 데이터 마이닝의 학습 방식 분류 / 68
3.6. 데이터 마이닝의 그늘: 개인정보 침해 문제 / 73
■요약 / 78

4. 예측 분석을 위한 표준화된 절차
4.1. KDD(Knowledge Discovery in Databases) 프로세스 / 81
4.2. CRISP-DM: 범용 데이터 마이닝 표준 프로세스 / 82
4.3. SEMMA / 94
4.4. SEMMA와 CRISP-DM의 비교 / 99
4.5. 데이터 마이닝을 위한 식스 시그마(Six Sigma) / 100
4.6. 어떤 방법론이 가장 우수한가? / 103
■요약 / 103

5. 예측 분석을 위한 표준화된 절차
5.1. 데이터 분석에서의 데이터의 본질 / 107
5.2. 범주형 데이터와 수치형 데이터의 특성 / 108
5.3. 분석을 위한 데이터 전처리 / 113
5.4. 데이터 마이닝 기법 / 121
5.5. 분류기법 개요 / 137
5.6. 데이터 마이닝과 예측 분석에 대한 오해와 현실 / 160
■요약 / 164
6. 머신러닝 모델의 학습
6.1. 회귀와 분류 모델 / 166
6.2. 비용 함수와 머신러닝 모델의 학습 / 170
6.3. 최대 우도 추정 / 172
6.4. 경사 기반 학습 / 174
6.5. 회귀 및 분류 과업에서의 성능 평가 / 179
■요약 / 182

7. 예측 분석을 위한 표준화된 절차
7.1. 나이브 베이즈(Naive Bayes) / 187
7.2. k-최근접 이웃(k-Nearest Neighbor: k-NN) / 193
7.3. 인공신경망(Artificial Neural Networks: ANN) / 199
7.4. 서포트 벡터 머신(Support Vector Machines: SVM) / 205
7.5. 선형 회귀 / 211
7.6. 로지스틱 회귀 / 218
7.7. 시계열 예측(Time-Series Forecasting) / 220
■요약 / 222

8. 텍스트 분석, 토픽 모델링, 감성 분석
8.1. 자연어 처리(Natural Language Processing: NLP) / 231
8.2. 택스트 마이닝 프로세스 / 238
8.3. 토픽 모델링(topic modeling) / 248
8.4. 감정 분석(Sentiment Analysis) / 253
■요약 / 264