빅데이터 분석을 위한 데이터 마이닝

CHAPTER 1 데이터 마이닝 개요
1. 데이터 마이닝의 의미
2. 데이터 마이닝과 비즈니스 인텔리전스
3. 데이터 마이닝의 활용 분야
4. 데이터 마이닝의 필요성
5. 데이터 마이닝 시스템의 구조
6. 데이터 마이닝 관련 용어 정리
7. 데이터 마이닝 기원
8. 데이터 마이닝: 다양한 학문의 합류점
9. OLAM 구조
10. 데이터 마이닝의 급속한 성장
11. 데이터 마이닝의 응용 분야
12. 왜 다양한 데이터 마이닝 기법들이 존재하는가?
13. 용어와 표기
■ 연습문제

CHAPTER 2 데이터 기초 분석
1. 변수의 종류
1.1 수치형 변수와 범주형 변수
1.2 시계열 자료와 횡단면 자료
2. 자료의 측정
2.1 명목척도
2.2 서열척도
2.3 구간척도
2.4 비율척도
3. 자료의 정리
3.1 도수분포표
3.2 히스토그램
4. 산포도
4.1 산포도-시계열 그래프
5. 피벗테이블
■ 연습문제

CHAPTER 3 데이터 마이닝 프로세스
1. 데이터 마이닝 기법
2. 지도학습과 자율학습
3. 데이터 마이닝 단계
4. 데이터 마이닝 사전 단계
5. 모형 구축: 선형 회귀분석을 이용한 예제
■ 연습문제

CHAPTER 4 차원 축소
1. 차원 축소
2. 예제를 통한 고찰
3. 데이터의 요약
4. 상관관계 분석
5. 데이터 수의 축소-표본추출
6. 변수 수의 축소-주성분분석
■ 연습문제

CHAPTER 5 분류 및 예측 성능의 평가
1. 개요
2. 분류모형 평가
2.1 분류모형 평가를 위한 측도
3. 예측모형의 성과평가
■ 연습문제

CHAPTER 6 회귀 분석
1. 개요
2. 선형회귀분석
3. 선형회귀분석의 예측변수 선정
4. 로지스틱 회귀분석
5. 다중선형회귀분석
6. 분류 성과의 평가
7. 적합도 평가
■ 연습문제

CHAPTER 7 k 최근접이웃기법
1. k 최근접이웃기법
2. K의 선택
3. k-최근접 기법 예측기
4. k 최근접이웃기법의 특성
■ 연습문제

CHAPTER 8 나이브 베이즈 분류 모형
1. 개요
2. 베이즈 정리
3. 베이즈 정리를 사용한 분류
4. 단순 규칙
5. 나이브 베이즈 분류 모형
6. 나이브 베이지안 분류모형의 특성과 장단점
7. 나이브 베이지안 분류기의 예
■ 연습문제

CHAPTER 9 분류와 회귀나무
1. 결정나무
2. 분류 과정(모델 구조)
3. 분류 과정 2(예측을 위한 모델의 사용)
4. 의사결정 트리 구축하기
5. 결정나무 알고리즘의 비교
6. 과적합 없애기
7. 악취 데이터 예제
8. 분류나무에 의한 분류 규칙
9. 모형의 장단점과 추가 고려사항
■ 연습문제

CHAPTER 10 군집분석
1. 군집분석
2. 단순한 군집의 예
3. 군집분석 모형
4. 계층적 군집분석
4.1 두 레코드 간 거리 계산
4.2 두 군집 간 거리 계산
5. K-평균 알고리즘
5.1 k-means 군집화 장단점
6. EM 알고리즘
7. 악취데이터 예제
■ 연습문제

CHAPTER 11 인공 신경망
1. Elementary Neurophysiology: Neuron
2. Hebbian Learning
3. 단층신경망
4. 다층신경망
5. 다층신경망 모형의 학습
6. 과적합 없애기
7. 신경망 모형의 장단점
■ 연습문제

CHAPTER 12 연관성 규칙
1. 시장바구니 분석 개요
1.1 시장바구니 분석(연관성 규칙 발견)이란?
1.2 거래와 항목
1.3 연관성 규칙
2. 시장바구니 분석의 기본 개념
2.1 거래데이터
2.2 연관성 규칙 발견
3. 시장바구니 분석 지표
3.1 지지도와 신뢰도 1
3.2 지지도와 신뢰도 2
4. 연관성 규칙 기법의 기본 과정
4.1 1단계: 적절한 제품 수준에 따른 분석 항목 선정
4.2 2단계: 동시구매 행렬(co-occurrence matrix) 작성 및 확률 계산
4.3 3단계: 확률 분석과 유용한 연관성 규칙 결정
5. 시장바구니 분석 예제
6. 연관성 규칙의 장 단점
7. 어프라이어리 알고리즘(Apriori Algorithm)
8. 기타 연관성 규칙 기법
8.1 순차적 연관성 규칙 발견(Sequence Association Rules Discovery)
8.2 다수준 연관성 규칙(Multi-level Association Rules)
8.3 다수준 내 균일 지지도 사용 연관성 규칙
8.4 다수준 내 감소 지지도 사용 연관성 규칙
■ 연습문제

CHAPTER 13 부록: 소프트웨어 소개 및 설치
1. WEKA 소프트웨어 설치 및 사용
1.1 R 소프트웨어
1.2 R-Studio 소프트웨어
2. COLAB 소프트웨어

찾아보기

최상현 충북대학교 경영대학의 경영정보학과와 융합대학의 빅데이터학과에서 교편을 잡고 있다. 한국과학기술원 경영정보학과에서 경영공학 전공으로 박사 학위를 받았으며, 한국과학기술원 산업공학과에서 산업공학 전공으로 공학석사 학위를 받았다. 《빅데이터 이해와 활용》, 《프로세스 마이닝》, 《비즈니스 프로세스 분석》을 비롯한 다수 저서의 공동 저자이다.
2002년에 국립경상대학교 산업공학과 교수가 되기 전에는 University of Arizona의 경영정보학과에서 박사 후 연수 과정을 1년간 수행하였으며, LG CNS 엔트루컨설팅에서 전략 CRM 팀장으로 6년간 근무하며 기업들의 빅데이터 분석 플랫폼에 대한 전략 컨설팅을 수행하였다. 현재는 에이아이컴스의 대표이사로 재직 중이며, 한국빅데이터서비스학회 회장을 역임하고 있다. 또한, 산업체 및 대학에서 15년간 데이터 마이닝 및 빅데이터 분석 관련 교과목을 강의하고 있다.