YES24 카테고리 리스트

YES24 유틸메뉴

Global YES24안내보기: Global YES24는?

K-POP/K-Drama 관련상품(음반,도서,DVD)을
영문/중문 으로 이용하실 수 있습니다.

Korean wave shopping mall, sell the
K-POP/K-Drama (CD,DVD,Blu-ray,Book) We aceept PayPal/UnionPay/Alipay
and support English/Chinese Language service
English
作为出售正规 K-POP/K-Drama 相关(CD,图书,DVD) 韩流商品的网站, 支持中文/英文等海外结账方式
中文
Exclusive ticket sales for domestic and international pop artists
Global yesticket

어깨배너

1/6

빠른분야찾기

YES24 코너/서비스

YES24 분야별코너

신용카드 (54x86mm)

A4용지 (210x297mm)

사이즈비교 공유하기

소득공제 에이콘 데이터 과학 시리즈

데이터 마이닝 개념과 기법 4/e

빅데이터에 숨겨진 패턴과 인사이트 발견의 방법

지아웨이 한, 지안 페이, 항항 통 저/동준상 역 | 에이콘출판사 | 2025년 01월 31일 | 원제 : Data Mining: Concepts and Techniques, 4th Edition 첫번째 리뷰어가 되어주세요. | 판매지수 564 판매지수란?

상품 가격정보
정가	55,000원
판매가	49,500원 (10% 할인)
YES포인트	2,750원 (5% 적립) 5만원이상 구매 시 2천원 추가적립 5만원이상 구매 시 2천원 추가적립 안내

결제혜택
결제혜택	카드/간편결제 혜택을 확인하세요 카드/간편결제 혜택 보기/감추기 카카오페이 3,000원 즉시할인 일 500명, 5만원 이상 관련페이지 바로가기 네이버페이 4천 포인트 추첨지급 2천명 추첨 관련페이지 바로가기 카카오페이 생애첫결제 4천원 즉시할인 5만원이상, 머니 결제시 관련페이지 바로가기 현대백화점카드 앱카드 발급시 1만원 상품권 신규발급시 관련페이지 바로가기

구매 시 참고사항
구매 시 참고사항

판매중

수량

카트에 넣기 바로구매

국내배송만 가능
최저가 보상
문화비소득공제 신청가능

리스트에 넣기 분철서비스 알림신청

데이터 마이닝 개념과 기법 4/e

카트에 넣기 바로구매

품목정보

품목정보
발행일	2025년 01월 31일
쪽수, 무게, 크기	1,080쪽 \| 18823544mm
ISBN13	9791161759647
ISBN10	1161759646

책소개

1장. 데이터 마이닝 개요 1.1 데이터 마이닝이란? 1.2 데이터 마이닝: 지식 발견의 핵심 절차 1.3 데이터 타입의 다양성 1.4 다양한 지식 유형의 마이닝 1.4.1 다차원 데이터의 요약 기법 1.4.2 빈발 패턴, 연관성, 상관관계 마이닝 1.4.3 예측적 분석을 위한 분류와 회귀 분석 1.4.4 클러스터 분석 1.4.5 딥러닝 1.4.6 이상점 분석 1.4.7 데이터 마이닝 결과의 유의미성 1.5 데이터 마이닝: 다양한 학문의 융합 1.5.1 데이터와 통계학 1.5.2 머신러닝과 데이터 마이닝 1.5.3 데이터베이스와 데이터 마이닝 1.5.4 데이터 과학과 데이터 마이닝 1.5.5 다른 학문과 데이터 마이닝 1.6 데이터 마이닝과 응용 분야 1.7 데이터 마이닝과 사회과학 1.8 정리 1.9 연습 문제 1.10 참고 자료 2장. 데이터, 측정, 전처리 2.1 데이터 타입 2.1.1 명목형 데이터 2.1.2 이진 데이터 2.1.3 서수형 데이터 2.1.4 수치형 데이터 2.1.5 이산형 및 연속형 데이터 2.2 데이터 분석을 위한 통계의 주요 개념 2.2.1 중심화 경향의 측정 2.2.2 분산화 수준의 측정 2.2.3 공분산과 상관관계 2.2.4 통계적 분석 결과의 시각화 2.3 유사성과 비유사성 측정 2.3.1 데이터 행렬과 비유사성 행렬 2.3.2 명목형 데이터의 확률 측정 2.3.3 이진 데이터의 확률 측정 2.3.4 수치형 데이터의 비유사성: 민코프스키 거리 2.3.5 서수형 데이터의 확률 측정 2.3.6 혼합 데이터 타입의 비유사성 측정 2.3.7 코사인 유사성 2.3.8 유사성 분포도 측정: KL 발산 2.3.9 유사성을 이용한 패턴 발견 2.4 전처리: 데이터 품질 개선을 위한 정련, 통합 2.4.1 데이터 품질 측정 2.4.2 데이터 정련 기법 2.4.3 데이터 통합 기법 2.5 데이터 변환 2.5.1 데이터 정규화 2.5.2 데이터 이산화 2.5.3 데이터 압축 2.5.4 데이터 표본 추출 2.6 복잡한 데이터의 차원 축소 기법 2.6.1 PCA 기법 2.6.2 속성 하위 집합 선택 기법 2.6.3 비선형 차원 축소 기법 2.7 정리 2.8 연습 문제 2.9 참고 자료 3장. 데이터 웨어하우스와 OLAP 3.1 데이터 웨어하우스 3.1.1 데이터 웨어하우스란? 3.1.2 데이터 웨어하우스 아키텍처: 기업용 데이터 웨어하우스 및 데이터 마트 3.1.3 데이터 레이크 3.2 데이터 웨어하우스 구현: 스키마와 측정 기법 3.2.1 데이터 큐브: 다차원 데이터 모델 3.2.2 다차원 데이터 스키마: 스타, 스노플레이크, 팩트 컨스텔레이션 3.2.3 개념 계층 구조 3.2.4 측정: 카테고리화 및 연산 3.3 OLAP 연산 3.3.1 전형적인 OLAP 연산 3.3.2 OLAP 데이터 인덱싱: 비트맵 인덱싱 및 조인 인덱싱 3.3.3 스토리지 구현: 칼럼 기반 데이터베이스 3.4 데이터 큐브 연산 3.4.1 데이터 큐브 연산의 주요 용어 3.4.2 데이터 큐브 구현: 아이디어 3.4.3 OLAP 서버 아키텍처: ROLAP, MOLAP, HOLAP 비교 3.4.4 데이터 큐브 연산의 검증된 전략 3.5 데이터 큐브 연산 기법 3.5.1 MultiWay - 전체 큐브에 대한 다방향 배열 집계 3.5.2 BUC: 꼭지점 큐보이드에서 하향 아이스버그 큐브 계산하기 3.5.3 셸 프래그먼트: 고차원 OLAP에 대한 사전 연산 3.5.4 큐보이드를 이용한 OLAP 쿼리 효율성 개선 3.6 정리 3.7 연습 문제 3.8 참고 문헌 4장. 패턴 마이닝의 개념과 기법 4.1 빈발 패턴의 기본 개념 4.1.1 마켓 바스켓 분석 4.1.2 빈발 아이템셋, 닫힌 아이템셋, 연관 규칙 4.2 빈발 아이템셋 마이닝 기법 4.2.1 Apriori 알고리듬: 제한된 후보 생성을 통한 빈발 아이템셋 탐색 4.2.2 빈발 아이템을 통한 연관 규칙 생성 4.2.3 Apriori의 효율성 개선 4.2.4 빈발 아이템셋 마이닝을 위한 FP-growth 기법 4.2.5 수직적 데이터 형식을 이용한 빈발 아이템셋 마이닝 4.2.6 닫힌 패턴 및 최대 패턴 마이닝 4.3 패턴 검증: 패턴의 유용성 평가 4.3.1 강한 규칙이 항상 유용한 것은 아니다 4.3.2 상관관계 분석을 위한 연관성 분석 4.3.3 패턴 검증 방식 비교 4.4 정리 4.5 연습 문제 4.6 참고 문헌 5장. 패턴 마이닝: 고급 기법 5.1 다양한 패턴의 마이닝 기법 5.1.1 다수준 연관 규칙 마이닝 5.1.2 다차원 연관 규칙 마이닝 5.1.3 양적 연관 규칙 마이닝 5.1.4 고차원 데이터 마이닝 5.1.5 희귀 패턴 및 부정적 패턴 마이닝 5.2 압축 패턴 또는 근사 패턴 마이닝 5.2.1 패턴 클러스터링 기반의 압축 패턴 마이닝 5.2.2 중복성을 고려한 상위 k 패턴 마이닝 5.3 제약 조건 기반 패턴 마이닝 5.3.1 제약 조건 기반 패턴 공간 가지치기 5.3.2 제약 조건 기반의 데이터 공간 가지치기 5.3.3 간결성 조건 기반의 마이닝 공간 가지치기 5.4 순차적 패턴 마이닝 5.4.1 순차적 패턴 마이닝: 개념과 원리 5.4.2 순차적 패턴 마이닝 기법의 확장 5.4.3 제약 조건 기반 순차적 패턴 마이닝 5.5 서브그래프 패턴 마이닝 5.5.1 빈발 서브그래프 마이닝 기법 5.5.2 다양성 기반 및 제약 조건 기반 서브그래프 마이닝 5.6 패턴 마이닝 사례 분석 5.6.1 대규모 텍스트 데이터의 구 마이닝 5.6.2 소프트웨어의 복사 및 붙여넣기 오류 마이닝 5.7 정리 5.8 연습 문제 5.9 참고 자료 6장. 분류: 기본 개념과 기법 6.1 분류의 기본 개념 6.1.1 분류의 정의 6.1.2 기본적인 분류 기법 6.2 분류 모델: 의사결정 트리 6.2.1 의사결정 트리 모델 개요 6.2.2 속성 선택 척도 6.2.3 의사결정 트리 가지치기 6.3 베이즈 분류 기법 6.3.1 베이즈 정리 6.3.2 나이브 베이즈 분류기 6.4 레이지 러너 6.4.1 KNN 분류기 6.4.2 사례 기반 추론 6.5 선형 분류기 6.5.1 선형 회귀 6.5.2 퍼셉트론: 선형 회귀의 분류 변환 6.5.3 로지스틱 회귀 6.6 모델 평가 및 선택 6.6.1 분류 모델 성능 평가 지표 6.6.2 홀드아웃 기법 및 랜덤 서브샘플링 6.6.3 교차 평가 기법 6.6.4 부트스트랩 6.6.5 모델 선택을 위한 통계적 유의성 검정 6.6.6 비용-이익 및 ROC 커브를 이용한 분류기 성능 비교 6.7 분류 정확도 개선 방법 6.7.1 앙상블 기법 개요 6.7.2 배깅 6.7.3 부스팅 6.7.4 랜덤 포레스트 6.7.5 클래스 불균형 데이터의 분류 정확도 개선 6.8 정리 6.9 연습 문제 6.10 참고 문헌 7장. 분류의 고급 기법 7.1 특성치 선택, 특성치 구성 7.1.2 래퍼 기법 7.1.3 임베디드 기법 7.2 베이즈 신뢰 네트워크 7.2.1 개념과 작동 원리 7.2.2 베이즈 신뢰 네트워크 훈련시키기 7.3 서포트 벡터 머신 7.3.1 선형 서포트 벡터 머신 7.3.2 비선형 서포트 벡터 머신 7.4 규칙 기반 분류, 패턴 기반 분류 7.4.1 IF-THEN 규칙 기반 분류 7.4.2 의사결정 트리에서 규칙 추출하기 7.4.3 순차적 커버링 알고리듬을 이용한 규칙 유추 7.4.4 연관 분류 7.4.5 차별적 빈발 패턴 기반 분류 7.5 약한 지도식 분류 7.5.1 반지도식 분류 7.5.2 액티브 러닝 7.5.3 전이 학습 7.5.4 원격 지도 7.5.5 제로샷 러닝 7.6 리치 데이터 타입의 분류 7.6.1 스트림 데이터 분류 7.6.2 시퀀스 데이터 분류 7.6.3 그래프 데이터 분류 7.7 최신의 분류 기법, 연관 기술 7.7.1 멀티클래스 분류 7.7.2 거리 지표 학습 7.7.3 분류의 의미 해석 7.7.4 유전적 알고리듬 7.7.5 강화 학습 7.8 정리 7.9 연습 문제 7.10 참고 문헌 8장. 클러스터링의 기본 개념과 주요 기법 8.1 클러스터 분석 8.1.1 클러스터 분석의 개요 8.1.2 클러스터링을 위한 요구 사항 8.1.3 기본적인 클러스터링 기법 개요 8.2 파티셔닝 클러스터링 기법 8.2.1 k-means: 중심 기반 클러스터링 8.2.2 k-means 변형 클러스터링 기법 8.3 계층적 클러스터링 기법 8.3.1 계층적 클러스터링의 기본 개념 8.3.2 병합식 계층적 클러스터링 8.3.3 분할식 계층적 클러스터링 8.3.4 BIRCH: 클러스터 피처 트리 기반의 계층적 클러스터링 8.3.5 확률식 계층적 클러스터링 8.4 밀도 기반 클러스터링과 그리드 기반 클러스터링 8.4.1 DBSCAN: 고밀도 연결 지역을 이용한 밀도 기반 클러스터링 8.4.2 DENCLUE: 밀도 분포 함수 기반 클러스터링 8.4.3 그리드 기반 클러스터링 8.5 클러스터링 성능 평가 8.5.1 클러스터링 경향 평가 8.5.2 클러스터의 수 결정 방식 8.5.3 클러스터링 품질 측정: 외연적 기법 8.5.4 내재적 기법 8.6 정리 8.7 연습 문제 8.8 참고 문헌 9장. 고급 클러스터링 기법 9.1 확률적 모델 기반 클러스터링 9.1.1 퍼지 클러스터 9.1.2 확률적 모델 기반 클러스터 9.1.3 기댓값 최대화 알고리듬 9.2 고차원 데이터에 대한 클러스터링 9.2.1 고차원 데이터에 대한 클러스터링이 어려운 이유 9.2.2 축 방향 하위 공간 접근법 9.2.3 임의 방향 하위 공간 접근법 9.3 바이클러스터링 9.3.1 바이클러스터링의 활용 방식 9.3.2 바이클러스터의 종류 9.3.3 바이클러스터링 기법 9.3.4 MaPle을 이용한 바이클러스터 열거 기법 9.4 클러스터링을 위한 차원 축소 9.4.1 클러스터링을 위한 선형 차원 축소 9.4.2 비음수 행렬 분해 9.4.3 스펙트럴 클러스터링 9.5 그래프 및 네트워크 데이터 클러스터링 9.5.1 응용 분야 및 도전 과제 9.5.2 그래프 데이터의 유사성 측정 9.5.3 그래프 데이터의 클러스터링 기법 9.6 반지도식 클러스터링 9.6.1 부분적 라벨 지정 데이터의 반지도식 클러스터링 9.6.2 쌍별 제약 조건 기반의 반지도식 클러스터링 9.6.3 반지도식 클러스터링을 위한 기반 지식 9.7 정리 9.8 연습 문제 9.9 참고 문헌 10장. 딥러닝과 CNN, RNN, GNN 모델 10.1 딥러닝의 기본 개념 10.1.1 딥러닝 개요 10.1.2 역전파 알고리듬 10.1.3 딥러닝 모델 학습의 주요 도전 과제 10.1.4 딥러닝 아키텍처 개요 10.2 딥러닝 모델의 학습 효율 개선 10.2.1 반응형 활성화 함수 10.2.2 적응형 학습률 10.2.3 드롭아웃 10.2.4 사전 학습 10.2.5 크로스 엔트로피 10.2.6 오토인코더: 비지도식 딥러닝 10.2.7 딥러닝 성능 및 효율 개선 기법 10.3 CNN 모델 10.3.1 컨볼루션 연산 개요 10.3.2 다차원 컨볼루션 10.3.3 컨볼루셔널 레이어 10.4 RNN 모델 10.4.1 기본적인 RNN 모델과 활용 방법 10.4.2 게이트 RNN 모델 10.4.3 장기 의존성을 고려한 RNN 기법 10.5 GNN 모델 10.5.1 GNN의 기본 개념 10.5.2 GCN 모델 10.5.3 GNN의 또 다른 기법 10.6 정리 10.7 연습 문제 10.8 참고 문헌 11장. 이상치 감지 11.1 기본 개념 11.1.1 이상치란? 11.1.2 이상점의 유형 11.1.3 이상치 감지의 도전 과제 11.1.4 이상치 감지 기법의 개요 11.2 통계적 이상치 감지 11.2.1 모수적 방법 11.2.2 비모수적 방법 11.3 인접성 기반 이상치 감지 11.3.1 거리 기반 이상치 감지 11.3.2 밀도 기반 이상치 감지 11.4 재구성 기반 이상치 감지 11.4.1 수치형 데이터에 대한 행렬 분해 기반 이상치 감지 11.4.2 범주형 데이터에 대한 패턴 기반 압축 이상치 감지 11.5 클러스터링 및 분류 모델을 이용한 이상치 감지 11.5.1 클러스터링 기반 이상치 감지 기법 11.5.2 분류 모델 기반 이상치 감지 11.6 맥락적 이상치 및 집단적 이상치 마이닝 11.6.1 맥락적 이상치 감지를 전통적인 이상치 감지로 변환하기 11.6.2 맥락을 고려한 정상 행동 모델링 11.6.3 집단적 이상치 마이닝 11.7 고차원 데이터의 이상치 감지 11.7.1 전통적인 이상치 감지 기법의 확장 11.7.2 하위 공간에서 이상치 찾기 11.7.3 앙상블 기반의 고차원 데이터 이상치 감지 11.7.4 딥러닝 기반의 고차원 데이터 이상치 감지 11.7.5 고차원 데이터의 이상치 감지 모델 구현 11.8 정리 11.9 연습 문제 11.10 참고 문헌 12장. 데이터 마이닝 트렌드 및 최신 연구 분야 12.1 다양한 데이터의 마이닝 12.1.1 텍스트 데이터 마이닝 12.1.2 공간-시간 데이터 12.1.3 그래프 및 네트워크 데이터 12.2 데이터 마이닝 애플리케이션 12.2.1 감정 및 의견 데이터의 마이닝 12.2.2 진실 발견 및 거짓 정보 식별 12.2.3 정보와 질병의 전파 모델 12.2.4 생산성과 팀 과학 12.3 데이터 마이닝 방법론 및 체계 12.3.1 지식 마이닝을 위한 비구조적 데이터의 구조화: 데이터 중심 접근법 12.3.2 데이터 증강 12.3.3 상관성 분석과 인과성 분석 12.3.4 맥락으로서 네트워크 12.3.5 Auto-ML의 주요 기법과 체계 12.4 데이터 마이닝, 사람, 사회 12.4.1 개인 정보 보호를 고려한 데이터 마이닝 12.4.2 인간과 알고리듬의 상호작용 12.4.3 데이터 마이닝 평가 지표: 공정성, 해석 가능성, 견고성 12.4.4 공익을 고려한 데이터 마이닝 13장. 데이터 분석을 위한 수학적 기초 A.1 확률과 통계 A.1.1 기본 분포의 확률 밀도 함수 A.1.2 최대 우도 추정과 최대 사후 확률 추정 A.1.3 유의성 검정 A.1.4 밀도 추정 A.1.5 편향-분산 상쇄 A.1.6 교차 검증과 잭나이프 A.2 수치 최적화 A.2.1 경사 하강법 A.2.2 다양한 경사 하강법 A.2.3 뉴턴 방법 A.2.4 좌표 하강법 A.2.5 이차 프로그래밍 A.3 행렬과 선형 대수 A.3.1 선형 시스템 Ax = b A.3.2 벡터와 행렬 거리 A.3.3 행렬 분해 A.3.4 벡터 공간과 하위 공간 A.3.5 직교성 A.4 신호 처리의 개념 및 분석 도구 A.4.1 엔트로피 A.4.2 KL 분산 A.4.3 상호 정보 A.4.4 이산 푸리에 변환과 고속 푸리에 변환 A.5 참고 문헌

펼쳐보기접어보기

저자 소개 (4명)

저 : 지아웨이 한 (Jiawei Han)

관심작가 알림신청 작가 파일

일리노이 대학교 어바나 샴페인 캠퍼스(UIUC, University of Illinois at Urbana-Champaign) 컴퓨터 과학 학부의 마이클 에이켄(Michael Aiken) 석좌 교수이며, 지식 발견 및 데이터 마이닝 연구에 대한 기여로 ACM(Association for Computing Machinery) SIGKDD 혁신상(2004), IEEE(Institute of Electrical and... 일리노이 대학교 어바나 샴페인 캠퍼스(UIUC, University of Illinois at Urbana-Champaign) 컴퓨터 과학 학부의 마이클 에이켄(Michael Aiken) 석좌 교수이며, 지식 발견 및 데이터 마이닝 연구에 대한 기여로 ACM(Association for Computing Machinery) SIGKDD 혁신상(2004), IEEE(Institute of Electrical and Electronics Engineers) 컴퓨터 학회 기술 공로상(2005), IEEE W. 월러스 맥도웰(Wallace McDowell)상(2009) 등을 수상했다. ACM 및 IEEE의 펠로(fellow) 연구자다. 『ACM Transactions on Knowledge Discovery from Data』(2006-2011)의 창립 편집장을 역임했으며, 『IEEE Transactions on Knowledge and Data Engineering』, 『Data Mining and Knowledge Discovery』 등 여러 저널의 편집위원회 회원으로 활동했다.

펼쳐보기접어보기

저 : 지안 페이 (Jian Pei)

관심작가 알림신청 작가 파일

듀크 대학교(Duke University)에서 컴퓨터 과학, 바이오 통계학 및 생명정보학, 전기 및 컴퓨터 공학 교수로 재직 중이다. 2002년에 사이먼 프레이저 대학교(Simon Fraser University)에서 지아웨이 한 교수의 지도 아래 컴퓨터 과학 박사 학위를 받았으며, 데이터 마이닝, 데이터베이스, 웹 검색, 정보 검색 분야에서 다수의 논문을 발표하고, 학계 커뮤니티에 적극적으로 기여했다. 캐나다 ... 듀크 대학교(Duke University)에서 컴퓨터 과학, 바이오 통계학 및 생명정보학, 전기 및 컴퓨터 공학 교수로 재직 중이다. 2002년에 사이먼 프레이저 대학교(Simon Fraser University)에서 지아웨이 한 교수의 지도 아래 컴퓨터 과학 박사 학위를 받았으며, 데이터 마이닝, 데이터베이스, 웹 검색, 정보 검색 분야에서 다수의 논문을 발표하고, 학계 커뮤니티에 적극적으로 기여했다. 캐나다 로열 소사이어티(Royal Society of Canada), 캐나다 공학 아카데미(Canadian Academy of Engineering), ACM 및 IEEE의 펠로 연구자다. 2017년 ACM SIGKDD 혁신상, 2015년 ACM SIGKDD 서비스상을 수상했다.

펼쳐보기접어보기

저 : 항항 통 (Hanghang Tong)

관심작가 알림신청 작가 파일

UIUC 컴퓨터 과학 학과에서 부교수로 재직 중이다. 2009년에 카네기 멜론 대학교(Carnegie Mellon University)에서 박사 학위를 받았으며, 200개 이상의 심사 논문을 발표했으며, 여러 권위 있는 상과 수천 건의 인용으로 인정받았다. SIGKDD Explorations(ACM)의 편집장이며 여러 저널의 부편집장으로 활동 중이다. UIUC 컴퓨터 과학 학과에서 부교수로 재직 중이다. 2009년에 카네기 멜론 대학교(Carnegie Mellon University)에서 박사 학위를 받았으며, 200개 이상의 심사 논문을 발표했으며, 여러 권위 있는 상과 수천 건의 인용으로 인정받았다. SIGKDD Explorations(ACM)의 편집장이며 여러 저널의 부편집장으로 활동 중이다.

역 : 동준상

관심작가 알림신청 작가 파일

클라우드, 인공지능 부문 강연자, 저술가다. KPC 한국생산성본부, 삼성SDS 멀티캠퍼스 등 주요 고객 외, 과학기술정보통신부, 산업통상자원부, 국방부 등 정부 부처 및 산하기관, 삼성SDS, 삼성전자, 신한은행, 기아자동차 등 기업, 서울대학교, 고려대학교, 포항공대 등 대학에서 관련 주제로 강연을 했다. 소프트웨어 엔지니어링과 오픈 소스에 관심이 많으며, 에이콘출판에서 출간한 『AWS 공인 솔루션스 아키텍트 ... 클라우드, 인공지능 부문 강연자, 저술가다. KPC 한국생산성본부, 삼성SDS 멀티캠퍼스 등 주요 고객 외, 과학기술정보통신부, 산업통상자원부, 국방부 등 정부 부처 및 산하기관, 삼성SDS, 삼성전자, 신한은행, 기아자동차 등 기업, 서울대학교, 고려대학교, 포항공대 등 대학에서 관련 주제로 강연을 했다. 소프트웨어 엔지니어링과 오픈 소스에 관심이 많으며, 에이콘출판에서 출간한 『AWS 공인 솔루션스 아키텍트 스터디 가이드 - 어소시에이트 4/e』(2023), 『AWS 공인 솔루션스 아키텍트 올인원 - 어소시에이트 2/e』(2021), 『Great Code Vol.3』(2021), 『자바 머신러닝 마스터』(2019)와 그 외 20여 권을 번역했다.

펼쳐보기접어보기

더보기접어보기

만든 이 코멘트

저자, 역자, 편집자를 위한 공간입니다. 독자들에게 전하고 싶은 말씀을 남겨주세요. 코멘트 쓰기

접수된 글은 확인을 거쳐 이 곳에 게재됩니다.
독자 분들의 리뷰는 리뷰 쓰기를, 책에 대한 문의는 1:1 문의를 이용해 주세요.

출판사 리뷰

◈ 이 책에서 다루는 내용 ◈ ◆ 딥러닝에 대한 포괄적인 지식을 제공하기 위해 딥러닝 모델 기반의 훈련 개선 전략, 합성곱 신경망(CNN), 순환 신경망(RNN), 그래프 신경망(GNN) 등에 대해 심도 있게 알아본다. ◆ 최신 연구 성과를 파악할 수 있도록 데이터 마이닝의 트렌드 및 각광받는 연구 분야를 다룬다. 텍스트, 시공간 데이터, 그래프/네트워크 등 리치 데이터 유형, 감정 분석, 진실 발견, 정보 전파 등 데이터 마이닝 응용 방법론, 데이터 마이닝 방법론 및 시스템, 사회적 가치를 고려한 데이터 마이닝에 대해 소개한다. ◆ 데이터에서 여러분이 필요로 하는 최상의 가치를 추출하기 위한 개념과 기법에 대해 살펴본다. ◈ 이 책의 구성 ◈ 이 책의 1, 2, 3판 출간 이후 데이터 마이닝 분야에서 다수의 큰 진전이 있었다. 특히 정보 네트워크, 그래프, 복합 구조, 데이터 스트림 등 새로운 유형의 데이터 처리에 특화된 데이터 마이닝 방법론, 시스템, 애플리케이션이 개발됐다. 이러한 빠른 발전과 새롭게 추가된 풍부한 기술을 한 권의 책에 담기는 어려우므로 우리 공저자는 나름의 대안을 찾아야 했다. 결국, 이번 4판에서는 책의 범위를 확장하는 대신 핵심 주제를 충분한 범위와 깊이로 다루고, 복잡한 데이터 유형과 분석 환경 등 해당 주제에 좀 더 집중하기로 결정했다. 4판은 지난 1~3판의 내용을 큰 폭에서 개정하고, 데이터 마이닝 기술 부분을 재구성했다. 특히, 다양한 데이터 유형에 대한 마이닝 방법론을 처리하는 핵심 기술 자료가 크게 확장되고 개선됐다. 우리 공저자는 책을 간결하면서도 최신 상태로 유지하기 위해 다음 방법으로 개정 작업을 진행했다. (1) 3판에서 두 개 장으로 구성된 ‘데이터 이해’와 ‘데이터 전처리’를 하나의 장, ‘데이터, 측정, 데이터 전처리’로 통합했다. 또, 기존 ‘데이터 시각화’는 개념의 이해가 쉽고, 다른 전문 데이터 시각화 서적에서 다뤘으며, 소프트웨어 도구가 웹에서 널리 사용 가능하므로 제외했다. (2) 3판의 ‘데이터 웨어하우징과 온라인 분석 처리’와 ‘데이터 큐브 기술’ 장을 하나의 장으로 병합했으며, 유용성이 다소 떨어지는 데이터 큐브 계산 방법과 데이터 큐브 확장을 생략하고, ‘데이터 레이크(lake)’라는 새로운 개념을 추가했다. (3) 3판의 주요 데이터 마이닝 방법론 장인 패턴 발견, 분류, 클러스터링, 이상치 분석은 내용을 향상시키고 최신의 트렌드를 반영해 업데이트했다. (4) 새로운 장으로 ‘딥러닝’을 추가했으며, 신경망과 딥러닝 방법론에 대한 체계적인 소개를 포함시켰다. (5) 마지막 장인 ‘데이터 마이닝 트렌드 및 최신 연구 분야’는 완전히 다시 작성했으며, 데이터 마이닝의 다양한 고급 주제를 종합적이며 간결하게 다뤘다. 마지막으로, (6) 이 책의 내용을 이해하는 데 필요한 기본적인 수학적 배경 지식을 부록으로 포함시켰다. ◈ 지은이의 말 ◈ 현대 사회의 컴퓨터화는 인간의 능력을 크게 향상시켰으며 다양한 출처에서 데이터를 생성하고 수집하는 데 많은 도움이 됐다. 우리 삶의 거의 모든 측면에서 엄청난 양의 데이터가 쏟아지고 있으며, 저장된 데이터 또는 전송 중 데이터의 급증으로 인해 데이터를 유용한 정보와 지식으로 변환하는 데 지능적으로 도움을 주는 새로운 기술과 자동화된 도구를 찾아야 한다. 데이터 마이닝과 다양한 응용 분야를 포함한 컴퓨터 과학의 발전은 대규모 데이터 처리에 대한 우리의 필요성을 반영한 것이다. 데이터 마이닝은 데이터로부터 지식 발견 또는 KDD(Knowledge Discovery from Data)로도 부르며, 대규모 데이터베이스, 데이터 웨어하우스(warehouse), 웹, 기타 대규모 정보 저장소 또는 데이터 스트림에 암묵적으로 저장되거나 캡처된 지식의 패턴을 자동으로 편리하게 추출하기 위한 개념, 방법, 절차를 의미한다. 이 책은 지식의 발견 및 데이터 마이닝을 위한 개념과 기술을 탐구한다. 데이터 마이닝은 통계학, 머신러닝, 패턴 인식, 데이터베이스 기술, 정보 검색, 자연어 처리, 네트워크 과학, 지식 기반 시스템, AI, 고성능 컴퓨팅, 데이터 시각화 등 다양한 분야와 연계된 연구 분야다. 데이터 마이닝 연구자는 대량의 데이터 집합에서 숨겨진 패턴을 발견하기 위한 기술의 타당성, 유용성, 효과성, 확장성 등 다양한 측면을 연구한다. 따라서 이 책은 통계학, 머신러닝, 데이터베이스 시스템 또는 다른 해당 분야의 입문서로 집필된 것은 아니지만, 이들 분야에 관심을 가진 독자를 위한 폭넓은 배경 지식을 제공한다. 이 책은 데이터 마이닝에 대한 포괄적인 입문서이며, 컴퓨터 과학 전공자, 애플리케이션 개발자, 비즈니스 전문가, 그리고 통계학, 머신러닝 등 앞서 언급한 연구자 모두에게 유용한 교과서 또는 참고서가 될 수 있다. 데이터 마이닝은 1980년대 후반에 등장한 뒤 1990년대에 큰 발전을 이뤘으며, 2000년대에도 지속적으로 발전하고 있다. 이 책은 데이터 마이닝 분야의 전반적인 그림을 제시하며, 흥미로운 데이터 마이닝의 개념과 기술을 소개하고 응용 분야와 연구 방향에 대해 논의한다. 이 책의 중요한 집필 동기 중 하나는 데이터 마이닝 연구를 위한 조직화된 프레임워크를 구축하는 것이며, 이는 다양한 학문 분야에 연계됐으며, 빠르게 발전하는 데이터 마이닝의 학문적 특성으로 인해 어려운 작업이었다. 우리는 이 책이 다양한 배경과 경험을 가진 사람들과 데이터 마이닝에 대한 의견을 교환하고, 흥미로우며 역동적인 우리의 연구 분야가 좀 더 활성화되는 데 도움이 되기를 기대한다. ◈ 옮긴이의 말 ◈ 1970년대의 기나긴 AI 침체기를 지나 1980년대 AI 부흥기에 등장한 데이터 마이닝은 머신 러닝과 딥러닝의 기반 기술로서, 데이터에서 유의미한 패턴과 지식을 추출해 AI 모델의 학습 효율과 성능 강화에 기여해왔다. 2000년대에 데이터 마이닝은 데이터 전처리, 특성 추출, 차원 축소 등 데이터의 품질을 높이고 효율적 분석 프로세스를 의미했으며, 이상치 감지, 연관 규칙 탐색, 분류 및 클러스터링 등 데이터 마이닝의 전통적인 접근 방식은 현대적인 머신러닝 기법이 돼 데이터에 대한 이해 수준을 높이고 알고리듬의 예측 정확성을 높이는 데 도움을 줬다. 2010년 이후 데이터 마이닝 기술은 현대 머신러닝 및 딥러닝 모델이 더욱 정교하고 신뢰성 있는 결과를 생성하도록 지원하며, 챗GPT 등 생성형 AI을 포함한 다양한 응용 분야가 발전하고 성장하기 위한 기반 기술로서 역할을 수행하고 있다. 데이터 과학자 및 데이터 엔지니어 등 연구자는 데이터 마이닝의 개념과 기법을 이해함으 로써 최신의 생성형 AI의 발전에 필요한 데이터 기반 통찰과 최적화 방법을 제공할 수 있으 며, 현대 AI 모델이 지닌 잠재력을 극대화할 수 있다. 지난 3판 이후 거의 10여 년 만에 출간된 이번 4판은 그동안 있었던 AI 산업과 데이터 분 석 기법의 변화를 반영했으며, 데이터 분석의 기초라고 할 수 있는 데이터 수집 및 전처리, 데이터 웨어하우스, 단순 또는 복잡한 데이터에서의 패턴 마이닝, 지도식 기법인 분류와 회귀분석, 비지도식 기법인 클러스터링 기법을 상세히 설명한다. 책의 후반부에서는 딥러닝 구현을 위한 기반 기술인 신경망 구현, 피드포워드와 역전파, 활 성 함수 및 손실 함수, 엔트로피, 오토인코더 등 전문적인 주제와 다양한 데이터 맥락에서의 이상치 탐색법, 최근 학계 및 산업계에서 주목받는 연구 주제도 알아본다. 이번 『데이터 마이닝 개념과 기법 4/e』은 데이터 분석가는 물론이고, 최신의 생성형 AI 연 구자에게 필요한 지난 40여 년간의 데이터 마이닝 개념과 기술을 이해할 수 있는 소중한 기회가 될 것이다.

펼쳐보기접어보기

배송/반품/교환 안내

배송 안내

배송 안내
배송 구분	예스24 배송 배송비 : 무료배송
포장 안내	안전하고 정확한 포장을 위해 CCTV를 설치하여 운영하고 있습니다. 고객님께 배송되는 모든 상품을 CCTV로 녹화하고 있으며, 철저한 모니터링을 통해 작업 과정에 문제가 없도록 최선을 다 하겠습니다. 목적 : 안전한 포장 관리 촬영범위 : 박스 포장 작업

반품/교환 안내

※ 상품 설명에 반품/교환과 관련한 안내가 있는경우 아래 내용보다 우선합니다. (업체 사정에 따라 달라질 수 있습니다)

반품/교환 안내
반품/교환 방법	마이페이지 > 반품/교환 신청 및 조회, 1:1 문의, 고객만족센터(1544-3800), 중고샵(1566-4295) 판매자 배송 상품은 판매자와 반품/교환이 협의된 상품에 한해 가능합니다.
반품/교환 가능기간	출고 완료 후 10일 이내의 주문 상품 디지털 콘텐츠인 eBook의 경우 구매 후 7일 이내의 상품 중고상품의 경우 출고 완료일로부터 6일 이내의 상품 (구매확정 전 상태) 모바일 쿠폰의 경우 유효기간(발행 후 1년) 내 등록하지 않은 상품
반품/교환 비용	고객의 단순변심 및 착오구매일 경우 상품 반송비용은 고객 부담임 직수입양서/직수입일서중 일부는 변심 또는 착오로 취소시 해외주문취소수수료 20%를 부과할수 있음 단, 아래의 주문/취소 조건인 경우, 취소 수수료 면제 오늘 00시 ~ 06시 30분 주문을 오늘 오전 06시 30분 이전에 취소 오늘 06시 30분 이후 주문을 익일 오전 06시 30분 이전에 취소 직수입 음반/영상물/기프트 중 일부는 변심 또는 착오로 취소 시 해외주문취소수수료 30%를 부과할 수 있음 단, 당일 00시~13시 사이의 주문은 취소 수수료 면제 박스 포장은 택배 배송이 가능한 규격과 무게를 준수하며, 고객의 단순변심 및 착오구매일 경우 상품의 반송비용은 박스 당 부과됩니다.
반품/교환 불가사유	소비자의 책임 있는 사유로 상품 등이 손실 또는 훼손된 경우 소비자의 사용, 포장 개봉에 의해 상품 등의 가치가 현저히 감소한 경우 : 예) 화장품, 식품, 가전제품, 전자책 단말기 등 복제가 가능한 상품 등의 포장을 훼손한 경우 : 예) CD/LP, DVD/Blu-ray, 소프트웨어, 만화책, 잡지, 영상 화보집 소비자의 요청에 따라 개별적으로 주문 제작되는 상품의 경우 디지털 컨텐츠인 eBook, 오디오북 등을 1회 이상 다운로드를 받았을 경우 eBook 대여 상품은 대여 기간이 종료 되거나, 2회 이상 대여 했을 경우 취소 불가 모바일 쿠폰 등록 후 취소/환불 불가 중고상품이 구매확정(자동 구매확정은 출고완료일로부터 7일)된 경우 LP상품의 재생 불량 원인이 기기의 사양 및 문제인 경우 (All-in-One 일체형 일부 보급형 오디오 모델 사용 등) 시간의 경과에 의해 재판매가 곤란한 정도로 가치가 현저히 감소한 경우 전자상거래 등에서의 소비자보호에 관한 법률이 정하는 소비자 청약철회 제한 내용에 해당되는 경우
소비자 피해보상	상품의 불량에 의한 반품, 교환, A/S, 환불, 품질보증 및 피해보상 등에 관한 사항은 소비자분쟁해결기준(공정거래위원회 고시)에 준하여 처리됨
환불 지연에 따른 배상	대금 환불 및 환불 지연에 따른 배상금 지급 조건, 절차 등은 전자상거래 등에서의 소비자 보호에 관한 법률에 따라 처리

예스이십사(주): 대표 : 김석환, 최세라 주소 : 서울시 영등포구 은행로 11, 5층~6층(여의도동,일신빌딩) 사업자등록번호 : 229-81-37000 통신판매업신고 : 제 2005-02682호 사업자 정보확인 이메일 : yes24help@yes24.com 호스팅 서비스사업자 : 예스이십사(주)
Copyright ⓒ YES24 Corp. All Rights Reserved.

고객문의

도서/음반 1544-3800

중고도서 1566-4295

티켓예매 1544-6399

eBook 1:1문의/채팅상담
1:1 문의하기 자주 묻는 질문 상담시간 안내

EQUUS12

YES24 카테고리 리스트

YES24 유틸메뉴

어깨배너

빠른분야찾기

데이터 마이닝 개념과 기법 4/e

빅데이터에 숨겨진 패턴과 인사이트 발견의 방법

데이터 마이닝 개념과 기법 4/e

품목정보

관련분류

책소개

목차

저자 소개 (4명)

만든 이 코멘트

출판사 리뷰

추천평

배송/반품/교환 안내

도착예상일

AI 리뷰 요약

도착예상일
상품준비	출고완료	도착예상일