인과 데이터 사이언스
AI 시대를 위한 분석·평가 모델링의 진화
Regular price
$33.71
Sale price
Regular price
✈️
Estimated delivery date 예상 배송일
Standard Shipping
불러오는 중...
주문일로부터 8-12 영업일
Express Shipping
불러오는 중...
주문일로부터 6-8 영업일
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
목차
목차
제1장 의사결정 과학과 AI 기반 인과 데이터 사이언스
1.1 AI 시대의 인과 데이터 사이언스
1.2 AI 기반 분석ㆍ평가 프레임워크와 기술 통합
1.3 전통적 방법론과 Causal ML의 비교
제2장 인과추론 기초와 인과 머신러닝
2.1 잠재적 결과 프레임워크(Potential Outcomes Framework)
2.2 전통적 인과추론 방법론 개요
2.3 Causal Machine Learning의 등장
2.4 Causal ML 핵심 방법론
2.5 실습: EconML 패키지 활용
2.6 Causal ML과 Predictive Analytics의 통합
제3장 성향점수매칭(PSM)에서 딥러닝 기반 성향점수매칭으로
3.1 전통적 성향점수매칭(PSM)
3.2 성향점수 추정을 위한 기계학습(Machine Learning)
3.3 심층 비모수 성향점수(Deep Nonparametric Propensity Scores)
3.4 최적화된 공변량 균형(Optimized Covariate Balance)
3.5 PyTorch 기반 딥 성향점수매칭(Deep PSM) 구현
제4장 이중차분법(DID)과 합성통제법(SCM)의 기계학습 확장
4.1 전통적 이중차분법(Difference-in-Differences)
4.2 이중 기계학습(Double Machine Learning)과 DID 확장
4.3 합성통제법(Synthetic Control Method)
4.4 합성 이중차분법(Synthetic Difference-in-Differences, SDID)
4.5 검증 방법론
4.6 종합 구현
4.7 방법론 선택 전략과 연구 전망
제5장 회귀불연속설계(RDD)와 기계학습 방법론
5.1 회귀불연속설계의 기본 원리
5.2 비모수적 추정과 대역폭 선택
5.3 퍼지 회귀불연속(Fuzzy RDD)과 도구변수 접근
5.4 기계학습과 RDD의 통합: 이중 기계학습(DML)
5.5 이질적 처치효과 추정: 조건부 평균 처치효과(CATE)와 BART
5.6 지리적 경계 회귀불연속설계(Geographic RDD)
5.7 한국 정책 평가에서의 RDD 적용과 과제
제6장 도구변수법(IV)과 DeepIV
6.1 전통적 도구변수(Instrumental Variables)
6.2 전통적 도구변수의 한계
6.3 DeepIV(Hartford et al., 2017)
6.4 DeepGMM(Bennett et al., 2019)
6.5 Deep Feature IV(DFIV, Xu et al., 2021)
6.6 Kernel IV(KIV, Singh et al., 2019)
6.7 딥러닝 도구변수 방법론 종합 비교
6.8 이질적 처치효과 추정
6.9 교육 수익률 추정
제7장 분위 회귀(Quantile Regression)와 분포적 처치효과
7.1 분위 회귀의 기초
7.2 분위 처치효과(Quantile Treatment Effects)
7.3 분포적 이중차분법(Distributional DID)과 Changes-in-Changes
7.4 분위 회귀를 위한 기계학습 방법론
7.5 종합 실습: 교육정책의 분포적 효과 분석
7.6 최신 연구 동향과 미래 방향
제8장 A/B 테스트와 적응형 실험 설계
8.1 전통적 A/B 테스트(RCT)의 한계
8.2 적응형 시험설계(Adaptive Trial Design)의 등장
8.3 반응 적응형 무작위배정(RAR)과 Multi-Armed Bandits
8.4 Bayesian Adaptive Design
8.5 디지털 헬스케어 서비스 최적화 사례
8.6 최신 연구 동향과 미래 방향
8.7 기계학습 앙상블 RAR과 하이브리드 접근
제9장 딥러닝 기반 시계열 예측과 전략적 활용
9.1 딥러닝 기초와 신경망
9.2 시계열 분석과 인과추론
9.3 순환신경망(RNN)의 구조와 한계
9.4 장단기 메모리 네트워크(LSTM)와 GRU
9.5 시계열 예측 모델링 실습
9.6 최신 연구 동향과 향후 방향
제10장 딥러닝 기반 텍스트 분석과 문서 지능
10.1 딥러닝 기반 텍스트 분석 개론
10.2 Transformer 아키텍처의 이해와 텍스트 분석 응용
10.3 한국어 특화 사전학습 모델: KoBERT, HyperCLOVA, XAONE
10.4 문서 분류, 감정 분석, 유사도 탐지
10.5 BERTopic 기반 고급 토픽 모델링
10.6 문서 분석 파이프라인 구축 실습
10.7 미래 전망과 실무 적용 가이드
제11장 그래프 신경망(GNN)과 조직 네트워크 분석
11.1 그래프 이론 기초와 네트워크 과학
11.2 네트워크 중심성 분석과 영향력 측정
11.3 커뮤니티 탐지와 전략적 제휴 분석
11.4 동적 네트워크 분석과 혁신 확산 모델링
11.5 한계와 비판적 평가
제12장 복잡계 이론과 비즈니스 시뮬레이션
12.1 복잡계 이론과 시스템의 창발성
12.2 시스템 다이내믹스와 전략 피드백
12.3 에이전트 기반 모델링(ABM)
12.4 강화학습과 의사결정 최적화
12.5 복잡계 모델링의 검증과 한계
1.1 AI 시대의 인과 데이터 사이언스
1.2 AI 기반 분석ㆍ평가 프레임워크와 기술 통합
1.3 전통적 방법론과 Causal ML의 비교
제2장 인과추론 기초와 인과 머신러닝
2.1 잠재적 결과 프레임워크(Potential Outcomes Framework)
2.2 전통적 인과추론 방법론 개요
2.3 Causal Machine Learning의 등장
2.4 Causal ML 핵심 방법론
2.5 실습: EconML 패키지 활용
2.6 Causal ML과 Predictive Analytics의 통합
제3장 성향점수매칭(PSM)에서 딥러닝 기반 성향점수매칭으로
3.1 전통적 성향점수매칭(PSM)
3.2 성향점수 추정을 위한 기계학습(Machine Learning)
3.3 심층 비모수 성향점수(Deep Nonparametric Propensity Scores)
3.4 최적화된 공변량 균형(Optimized Covariate Balance)
3.5 PyTorch 기반 딥 성향점수매칭(Deep PSM) 구현
제4장 이중차분법(DID)과 합성통제법(SCM)의 기계학습 확장
4.1 전통적 이중차분법(Difference-in-Differences)
4.2 이중 기계학습(Double Machine Learning)과 DID 확장
4.3 합성통제법(Synthetic Control Method)
4.4 합성 이중차분법(Synthetic Difference-in-Differences, SDID)
4.5 검증 방법론
4.6 종합 구현
4.7 방법론 선택 전략과 연구 전망
제5장 회귀불연속설계(RDD)와 기계학습 방법론
5.1 회귀불연속설계의 기본 원리
5.2 비모수적 추정과 대역폭 선택
5.3 퍼지 회귀불연속(Fuzzy RDD)과 도구변수 접근
5.4 기계학습과 RDD의 통합: 이중 기계학습(DML)
5.5 이질적 처치효과 추정: 조건부 평균 처치효과(CATE)와 BART
5.6 지리적 경계 회귀불연속설계(Geographic RDD)
5.7 한국 정책 평가에서의 RDD 적용과 과제
제6장 도구변수법(IV)과 DeepIV
6.1 전통적 도구변수(Instrumental Variables)
6.2 전통적 도구변수의 한계
6.3 DeepIV(Hartford et al., 2017)
6.4 DeepGMM(Bennett et al., 2019)
6.5 Deep Feature IV(DFIV, Xu et al., 2021)
6.6 Kernel IV(KIV, Singh et al., 2019)
6.7 딥러닝 도구변수 방법론 종합 비교
6.8 이질적 처치효과 추정
6.9 교육 수익률 추정
제7장 분위 회귀(Quantile Regression)와 분포적 처치효과
7.1 분위 회귀의 기초
7.2 분위 처치효과(Quantile Treatment Effects)
7.3 분포적 이중차분법(Distributional DID)과 Changes-in-Changes
7.4 분위 회귀를 위한 기계학습 방법론
7.5 종합 실습: 교육정책의 분포적 효과 분석
7.6 최신 연구 동향과 미래 방향
제8장 A/B 테스트와 적응형 실험 설계
8.1 전통적 A/B 테스트(RCT)의 한계
8.2 적응형 시험설계(Adaptive Trial Design)의 등장
8.3 반응 적응형 무작위배정(RAR)과 Multi-Armed Bandits
8.4 Bayesian Adaptive Design
8.5 디지털 헬스케어 서비스 최적화 사례
8.6 최신 연구 동향과 미래 방향
8.7 기계학습 앙상블 RAR과 하이브리드 접근
제9장 딥러닝 기반 시계열 예측과 전략적 활용
9.1 딥러닝 기초와 신경망
9.2 시계열 분석과 인과추론
9.3 순환신경망(RNN)의 구조와 한계
9.4 장단기 메모리 네트워크(LSTM)와 GRU
9.5 시계열 예측 모델링 실습
9.6 최신 연구 동향과 향후 방향
제10장 딥러닝 기반 텍스트 분석과 문서 지능
10.1 딥러닝 기반 텍스트 분석 개론
10.2 Transformer 아키텍처의 이해와 텍스트 분석 응용
10.3 한국어 특화 사전학습 모델: KoBERT, HyperCLOVA, XAONE
10.4 문서 분류, 감정 분석, 유사도 탐지
10.5 BERTopic 기반 고급 토픽 모델링
10.6 문서 분석 파이프라인 구축 실습
10.7 미래 전망과 실무 적용 가이드
제11장 그래프 신경망(GNN)과 조직 네트워크 분석
11.1 그래프 이론 기초와 네트워크 과학
11.2 네트워크 중심성 분석과 영향력 측정
11.3 커뮤니티 탐지와 전략적 제휴 분석
11.4 동적 네트워크 분석과 혁신 확산 모델링
11.5 한계와 비판적 평가
제12장 복잡계 이론과 비즈니스 시뮬레이션
12.1 복잡계 이론과 시스템의 창발성
12.2 시스템 다이내믹스와 전략 피드백
12.3 에이전트 기반 모델링(ABM)
12.4 강화학습과 의사결정 최적화
12.5 복잡계 모델링의 검증과 한계
저자
저자
이석민
현재 한신대학교 공공인재빅데이터융합학부에서 AI 기반 정책분석과 딥러닝 응용 연구를 진행하고 있다. [AI를 활용한 시니어 정신건강 진단앱]을 개발하고 특허출원하였다.
저서로는 [R과 STATA를 활용한 정책평가방법론](2017), [빅데이터분석방법론], [구조방정식: 준실험설계접근] 등이 있으며, 행정학 학술지, Transactions on Software and Data Engineering, Journal of Information Processing Systems (JIPS) 등에 논문을 게재하였다. 웹프로그래밍, 데이터베이스, MLOps, 딥러닝 자연어처리 및 영상처리, AI 에이전트, 정책분석평가, 분석기획론 등 인문사회과학과 AIㆍSoftware 기술을 융합하는 교육을 실천하고 있다.
저서로는 [R과 STATA를 활용한 정책평가방법론](2017), [빅데이터분석방법론], [구조방정식: 준실험설계접근] 등이 있으며, 행정학 학술지, Transactions on Software and Data Engineering, Journal of Information Processing Systems (JIPS) 등에 논문을 게재하였다. 웹프로그래밍, 데이터베이스, MLOps, 딥러닝 자연어처리 및 영상처리, AI 에이전트, 정책분석평가, 분석기획론 등 인문사회과학과 AIㆍSoftware 기술을 융합하는 교육을 실천하고 있다.
Payment & Security
Payment methods
Your payment information is processed securely. We do not store credit card details nor have access to your credit card information.
$99 이상 무료 배송
3% 리워드 크레딧 적립
Secure Payment

