인공지능(AI) 도구 오렌지로 바로 실행하는 피플 애널리틱스
Regular price
$28.09
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
피플 애널리틱스를 실행하는 사람들이 실질적/주도적으로 분석 모델을 설정하고 데이터를 분석하여 의사결정에 의미 있는 시사점을 뽑을 수 있는 역량을 확보할 수 있도록 도움을 주고자 한다. 사람과 관련한 다양한 데이터 분석을 통해, 경영진이 궁금해하는 질문에 대한 분석적이고 설득력 있는 답을 모색함으로써 인적자원 운영의 효과성을 높이고자 하는 것이다.
책은 크게 4개의 파트로 구성되어 있다. 첫 번째 파트는 피플 애널리틱스의 전반적인 개요, 필요성 및 실행 단계에 대해서 언급하였다. 두 번째 파트는 피플 애널리틱스를 실행하기 위해 이해가 필요한 핵심 사항들을 정리하였다. 이 저서의 가장 중요한 부분이라고 생각되는 세 번째 파트는 실제 데이터를 가지고 피플 애널리틱스를 실행해보는 사례로 구성되어 있다. 쉽게 따라할 수 있도록 단계별로 오렌지를 작동하는 방법과 의미를 설명하였다. 마지막 네 번째 파트는 향후 피플 애널리틱스의 과제에 대해 간략하게 이야기하고 있다.
책은 크게 4개의 파트로 구성되어 있다. 첫 번째 파트는 피플 애널리틱스의 전반적인 개요, 필요성 및 실행 단계에 대해서 언급하였다. 두 번째 파트는 피플 애널리틱스를 실행하기 위해 이해가 필요한 핵심 사항들을 정리하였다. 이 저서의 가장 중요한 부분이라고 생각되는 세 번째 파트는 실제 데이터를 가지고 피플 애널리틱스를 실행해보는 사례로 구성되어 있다. 쉽게 따라할 수 있도록 단계별로 오렌지를 작동하는 방법과 의미를 설명하였다. 마지막 네 번째 파트는 향후 피플 애널리틱스의 과제에 대해 간략하게 이야기하고 있다.
Couldn't load pickup availability
출판사 리뷰
출판사 리뷰
목차
목차
들어가기 전에 ⅱ
사례 데이터 활용 방법 ⅵ
PART 01 인공지능과 HR의 연계:피플 애널리틱스
01 HR 의사결정, 분석이냐 직관이냐? 3
02 왜 지금 피플 애널리틱스인가? 10
03 피플 애널리틱스의 실행 단계 20
PART 02 피플 애널리틱스 실행을 위해알아야 할 것들
01 인공지능은 어떻게 일을 하는가? 31
02 인공지능이 잘 해결할 수 있는 영역은? 40
03 인공지능이 일을 잘했다는 것을 어떻게 알 수 있을까? 46
04 인공지능에서 활용하는 알고리즘은? 54
05 인공지능 모델의 성능을 어떻게 고도화할까? 69
PART 03 AI 도구 오렌지(Orange)를 활용한 분석 실행하기
오렌지 설치하기 83
사례 1 퇴직자 예측: 누가 왜 회사를 떠나는가? 86
사례 2 HR과 조직 성과: HR을 잘하면 성과가 좋을까? 146
사례 3 구성원 개인에게 적합한 교육 과정은? 183
사례 4 우리의 채용 대상자는 누구인가? 219
사례 5 Kaggle Competitions: 타이타닉, 주택 가격 250
PART 04 피플 애널리틱스의 미래 과제
01 데이터와 친해지기 295
02 향후 피플 애널리틱스 실행의 주요 포인트 300
참고 사이트 및 자료 304
사례 데이터 활용 방법
사례에 사용되는 데이터 파일은 출판사 홈페이지(www.pybook.co.kr) 도서자료실에서 다운로드할 수 있다.
사례에 활용할 파일은 사례별 폴더로 나뉘어져 있다. 사례 데이터의 구성은 다음과 같다.
● 사례 1 폴더
train: 퇴직자 파악을 위한 학습 데이터
test: 향후 퇴직자 예측을 위한 테스트 데이터
train_Involvement: 재직자 직무 몰입 분석을 위한 데이터
● 사례 2 폴더
Case2_Analysis_Basic: HRM과 조직 성과 관계 파악을 위한 학습 데이터
Case2_Analysis_Test: HRM을 통한 조직 성과 예측을 위한 테스트 데이터
Case2_Analysis_prediction: 예측치와 실제치의 오차 분석 결과
● 사례 3 폴더
employee_course_ratings: 구성원 ID, 과목 ID, 구성원 평가 점수 등의 데이터
course_names: 과목 ID와 과목명 데이터
employee_names: 구성원 ID, 구성원 이름 데이터
Popular_Course_Deriving: 인기 과목 도출을 위한 코딩 내용
Index_Adjusting: 인덱스 조정을 위한 코딩 내용
● 사례 4 폴더
aug_train: 채용 대상자 파악을 위한 학습 데이터
aug_test: 채용 데이터 예측을 위한 테스트 데이터
● 사례 5 폴더: 1_타이타닉
train: 생존자 파악을 위한 학습 데이터
train_cabin_regroup: train 데이터 중 cabin 변수를 조정한 데이터
test: 생존자 예측 시 활용할 테스트 데이터
test_cabin_regroup: test 데이터 중 cabin 변수를 조정한 데이터
gender_submission: 예측한 결과의 제출 형식을 보여주는 파일
● 사례 5 폴더: 2_주택가격
train: 주택가격 예측을 위한 학습 데이터
train_Modify: train 데이터의 결측값 형식을 바꾼 데이터
test: 주택가격 예측할 때 활용하는 테스트 데이터
test_Modify: test 데이터의 결측값 형식을 바꾼 데이터
sample_submission: 예측한 결과의 제출 형식을 보여주는 파일
data_description: 변수의 의미를 설명하는 텍스트 파일
사례 데이터 활용 방법 ⅵ
PART 01 인공지능과 HR의 연계:피플 애널리틱스
01 HR 의사결정, 분석이냐 직관이냐? 3
02 왜 지금 피플 애널리틱스인가? 10
03 피플 애널리틱스의 실행 단계 20
PART 02 피플 애널리틱스 실행을 위해알아야 할 것들
01 인공지능은 어떻게 일을 하는가? 31
02 인공지능이 잘 해결할 수 있는 영역은? 40
03 인공지능이 일을 잘했다는 것을 어떻게 알 수 있을까? 46
04 인공지능에서 활용하는 알고리즘은? 54
05 인공지능 모델의 성능을 어떻게 고도화할까? 69
PART 03 AI 도구 오렌지(Orange)를 활용한 분석 실행하기
오렌지 설치하기 83
사례 1 퇴직자 예측: 누가 왜 회사를 떠나는가? 86
사례 2 HR과 조직 성과: HR을 잘하면 성과가 좋을까? 146
사례 3 구성원 개인에게 적합한 교육 과정은? 183
사례 4 우리의 채용 대상자는 누구인가? 219
사례 5 Kaggle Competitions: 타이타닉, 주택 가격 250
PART 04 피플 애널리틱스의 미래 과제
01 데이터와 친해지기 295
02 향후 피플 애널리틱스 실행의 주요 포인트 300
참고 사이트 및 자료 304
사례 데이터 활용 방법
사례에 사용되는 데이터 파일은 출판사 홈페이지(www.pybook.co.kr) 도서자료실에서 다운로드할 수 있다.
사례에 활용할 파일은 사례별 폴더로 나뉘어져 있다. 사례 데이터의 구성은 다음과 같다.
● 사례 1 폴더
train: 퇴직자 파악을 위한 학습 데이터
test: 향후 퇴직자 예측을 위한 테스트 데이터
train_Involvement: 재직자 직무 몰입 분석을 위한 데이터
● 사례 2 폴더
Case2_Analysis_Basic: HRM과 조직 성과 관계 파악을 위한 학습 데이터
Case2_Analysis_Test: HRM을 통한 조직 성과 예측을 위한 테스트 데이터
Case2_Analysis_prediction: 예측치와 실제치의 오차 분석 결과
● 사례 3 폴더
employee_course_ratings: 구성원 ID, 과목 ID, 구성원 평가 점수 등의 데이터
course_names: 과목 ID와 과목명 데이터
employee_names: 구성원 ID, 구성원 이름 데이터
Popular_Course_Deriving: 인기 과목 도출을 위한 코딩 내용
Index_Adjusting: 인덱스 조정을 위한 코딩 내용
● 사례 4 폴더
aug_train: 채용 대상자 파악을 위한 학습 데이터
aug_test: 채용 데이터 예측을 위한 테스트 데이터
● 사례 5 폴더: 1_타이타닉
train: 생존자 파악을 위한 학습 데이터
train_cabin_regroup: train 데이터 중 cabin 변수를 조정한 데이터
test: 생존자 예측 시 활용할 테스트 데이터
test_cabin_regroup: test 데이터 중 cabin 변수를 조정한 데이터
gender_submission: 예측한 결과의 제출 형식을 보여주는 파일
● 사례 5 폴더: 2_주택가격
train: 주택가격 예측을 위한 학습 데이터
train_Modify: train 데이터의 결측값 형식을 바꾼 데이터
test: 주택가격 예측할 때 활용하는 테스트 데이터
test_Modify: test 데이터의 결측값 형식을 바꾼 데이터
sample_submission: 예측한 결과의 제출 형식을 보여주는 파일
data_description: 변수의 의미를 설명하는 텍스트 파일
저자
저자
김범열
연세대학교에서 경영학 학사/석사/박사 학위를 받았다. LG경제연구원(현 경영연구원)에서 30년 넘게 주요 기업 조직설계, 평가/보상 시스템 구축, R&D 운영 체계 수립, 기업 비전 및 조직문화 구축 등 조직 운영의 효과성 제고를 위한 다양한 프로젝트 및 연구를 수행하였다. 또한 LG인화원 MBA HR 과정, 신임 임원 과정 등 다양한 과정에서 강의 수행과 기고 활동도 하였다. 인사혁신처 자체평가위원회/정책자문위원회 위원, 국가과학기술심의회 기초기반전문위원회 위원, 다목적 방사광가속기 구축사업 추진위원회 위원 등을 역임하였다. 현재는 퇴직하여 관심 있는 이슈에 대해 읽고 쓰는 일을 하고 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.

