--- title: "@토머스닐스 개발자 필수수학 - 파이썬" url: "https://notes.junghanacs.com/bib/20240529T120903" author: "Junghan Kim" date: "2024-05-29T12:09:00+09:00" lastmod: "2025-02-15T00:00:00+09:00" tags: ["bib","datascience","python"] description: "개발자를 위한 기초 수학을 파이썬 예제로 풀어, 데이터 과학과 프로그래밍의 바탕을 단단히 다진다." --- > [!abstract] 이 노트에 대하여 > > 이 책은 개발자와 데이터 과학 입문자를 위해 필요한 수학을 파이썬 예제로 풀어낸다. 미적분, 확률, 선형대수의 감각을 실제 코드와 함께 붙잡게 돕는다. ## BIBLIOGRAPHY - 토머스 닐드. 2024. *개발자를 위한 필수 수학 - 기초 수학으로 시작하는 데이터 과학 첫걸음*. Translated by 박해선. . ## 관련노트 - [@조엘그루스 밑바닥부터 데이터과학 - 파이썬](https://notes.junghanacs.com/bib/20240603T132845) 이 책이 좋아. ### 내보내기 방법 - [worg/ob-doc-python 파이썬 코드블록 이미지 출력](https://notes.junghanacs.com/notes/20250217T151136) - [@ emacs-jupyter 이맥스 파이썬 주피터 프로그래밍 환경](https://notes.junghanacs.com/notes/20240603T174450) ## 개발자를 위한 필수 수학 - 기초 수학으로 시작하는 데이터 과학 첫걸음 - ([토머스 닐드 2024](https://notes.junghanacs.com/bib/20240529T120903#citeproc_bib_item_1)) - 토머스 닐드 박해선 - 개발자를 구원하는 실용 수학 안내서기초 수학부터 회귀 모델, 신경망 그리고 진로 조언까지 데이터 과학, 머신러닝, 통계학에서 탁월한 능력을 발휘하는 데 필요한 수학을 이해하고 여러분의 것으로 만들어보자. 이 책에서는 미적분, 확률, 통계, 선형대수학을 설명하고... - Essential Math for Data Science ### 코드 및 이맥스 코딩 환경 구성 - : 주피터 박해선 번역자 <개발자를 위한 필수 수학>(한빛미디어, 2024)의 코드 저장소 - tensorflow.blog/math4ds/ - : 파이썬 코드 북마크 등록 ```text git@github.com:rickiepark/math4ds.git git@github.com:thomasnield/oreilly_essential_math_for_data_science_book.git ``` - [#리터레이트 #프로그래밍 #이맥스 콰르토 주피터](https://notes.junghanacs.com/notes/20240603T174450) ```shell python --version ``` `M-x` conda-env-activate -> pydata ```text Python 3.10.14 ``` ```python print("Hello World!") ``` ```text Hello World! ``` ### 1장 기초 수학과 미적분 - 1.1 정수론 - 1.2 연산 순서 - 1.3 변수 - 1.4 함수 - 1.5 합계 - 1.6 거듭제곱 - 1.7 로그 - 1.8 오일러 수와 자연로그 - 1.9 극한 - 1.10 미분 - 1.11 적분 - 1.12 마치며 ### 2장 확률 #### \_2.1 확률 이해하기 #### \_2.2 확률 계산 #### \_2.3 이항 분포 #### \_2.4 베타 분포 #### \_2.5 마치며 ### 3장 기술 통계와 추론 통계 #### \_3.1 데이터란 무엇인가요? #### \_3.2 기술 통계와 추론 통계 #### \_3.3 모집단, 표본, 편향 #### \_3.4 기술 통계 #### \_3.5 추론 통계 #### \_3.6 t 분포: 소규모 표본 처리 #### \_3.7 빅 데이터 고려 사항과 텍사스 명사수 오류 #### \_3.8 마치며 ### 4장 선형대수학 #### \_4.1 벡터란 무엇인가요? #### \_4.2 선형 변환 #### \_4.3 행렬 곱셈 #### \_4.4 행렬식 #### \_4.5 특수 행렬 #### \_4.6 연립 방정식과 역행렬 #### \_4.7 고유 벡터와 고윳값 #### \_4.8 마치며 ### 5장 선형 회귀 #### \_5.1 기본 선형 회귀 #### \_5.2 잔차와 제곱 오차 #### \_5.3 최적의 직선 찾기 #### \_5.4 과대적합 및 분산 #### \_5.5 확률적 경사 하강법 #### \_5.6 상관 계수 #### \_5.7 통계적 유의성 #### \_5.8 결정 계수 #### \_5.9 추정 표준 오차 #### \_5.10 예측 구간 #### \_5.11 훈련/테스트 분할 #### \_5.12 다중 선형 회귀 #### \_5.13 마치며 ### 6장 로지스틱 회귀와 분류 #### \_6.1 로지스틱 회귀 이해하기 #### \_6.2 로지스틱 회귀 수행하기 #### \_6.3 다변수 로지스틱 회귀 #### \_6.4 로그 오즈 이해하기 #### \_6.5 R2 #### \_6.6 p 값 #### \_6.7 훈련/테스트 분할 #### \_6.8 오차 행렬 #### \_6.9 베이즈 정리와 분류 #### \_6.10 ROC 곡선과 AUC #### \_6.11 클래스 불균형 #### \_6.12 마치며 ### 7장 신경망 #### \_7.1 언제 신경망과 딥러닝을 사용할까요? #### \_7.2 간단한 신경망 #### \_7.3 역전파 #### \_7.4 사이킷런 사용하기 #### \_7.5 신경망과 딥러닝의 한계 #### \_7.6 마치며 ### 8장 경력 조언과 앞으로의 진로 #### \_8.1 데이터 과학의 재정의 #### \_8.2 데이터 과학의 간략한 역사 #### \_8.3 나만의 강점 찾기 #### \_8.4 데이터 과학 직무에서 주의해야 할 사항 #### \_8.5 꿈의 직업이 존재하지 않나요? #### \_8.6 이제 어디로 가야 하나요? #### \_8.7 마치며 ### 부록 A 보충 학습 #### A.1 심파이로 수학식 표현하기 #### A.2 밑바닥부터 이항 분포 구현하기 #### A.3 밑바닥부터 베타 분포 구현하기 #### A.4 베이즈 정리 유도하기 #### A.5 밑바닥부터 CDF와 역CDF 구현하기 #### A.6 e를 사용해 시간 경과에 따른 사건 확률 예측하기 #### A.7 언덕 오르기와 선형 회귀 #### A.8 언덕 오르기와 로지스틱 회귀 #### A.9 선형 계획법에 대한 간략한 소개 #### A.10 사이킷런을 사용한 MNIST 분류기 ### 워크북