[D2 CAMPUS] Tech meet-up `data science` 발표자료
•
4 gostaram•897 visualizações
Tech meet-up `data science` 발표자료 입니다.
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (13)
Semelhante a [D2 CAMPUS] Tech meet-up `data science` 발표자료
Semelhante a [D2 CAMPUS] Tech meet-up `data science` 발표자료 (20)
Mais de NAVER D2
Mais de NAVER D2 (20)
[D2 CAMPUS] Tech meet-up `data science` 발표자료
- 3. 2003년 입사 면접 질문 : 디버깅은 어떻게 합니까? 답변 : 버그가 없습니다. 버그프리….
- 4. 2017년 인재 사용자
- 5. 크게 분류하면.. 검색연구와 검색시스템 검색연구 검색시스템
- 6. 1. 데이터 사이언스
- 7. ML DM STAT Data Mining (KDD) Machine Learning ( AI ) Statistics From http://www.kdnuggets.com/2014/06/data-science-skills-business-problems.html
- 9. 1.2 Machine Learning From http://www.humphreysheil.com/blog/dee p-learning-and-machine-learning -AI is all of computer science -Learn, learn and learn
- 10. 1.3 Statistics From www.quora.com - The World is probabilistic - Model and Distribution Too formal but strong
- 11. 1.4 Why statistics? Data Mining (KDD) Machine Learning ( AI ) Statistics DATA Probability – inevitably Association Rule ( Conditional Probability) K-means ( EM ) 1. NO BLACK BOX 2. BREAKTHROUGH 畵龍點睛
- 12. 아마도 머지않아 데이터사이언스란 말은 사라질 것이다
- 14. 누구나 데이터를 다룬다
- 15. 딥러닝도 보편화 되어간다.
- 16. NEXT..
- 17. 데이터 사이언스의 고유영역이 사라짐
- 18. 2. 진로
- 19. 1. 함께 일하고 싶은 사람 데이터 분석 잘 하는 사람? 딥러닝 잘 하는 사람? 스마트한 인재 ..
- 20. 2. 학위 석사 – 논문을 이해하고 구현할 수 있음 박사 – 문제를 정의하고 풀 수 있음. 학위는 유리한 면이 있음. 학위가 없다면 그 수준까지 왔음을 스스로 입증
- 21. 3. 준비해야 할 것 Data Mining (KDD) Machine Learning ( AI ) Statistics 딥러닝
- 22. 3. 현업 이야기
- 23. 1. 네이버에서 일하기
- 24. 1. 네이버에서 일하기 현업 분위기? 야근 많이 하는지? 어떤언어를 많이 사용하는지? 개발자가 겪는 고충?
- 25. 1. 네이버에서 일하기 현업 분위기? 야근 많이 하는지? 어떤 언어를 많이 사용하는지? 개발자가 겪는 고충?
- 26. 2. 네이버에서 데이터분석 네이버에 어떤 데이터가 있는지? 네이버에서 머신러닝,마이닝 어떻게 쓰는지, 실제적용사례? 시행착오를 가장 많이 겪는 것은 무엇인지? 데이터수집과 전처리정보를 어디서 얻는지? 데이터분석을 통한 개선 사례?
- 27. 네이버 & 검색 기술 연관검색어 자동완성 협력필터 LDA 지식그래프 실시간검색어 사용자클러스터링 뉴스클러스터링 이미지그룹화 랭킹시스템 키워드분류기 주변핫검색 Fraud detection Team matching … 실시간 검색 음성인식 대화시스템 문장 요약 데이터마이닝 딥러닝 머신러닝 언어처리 수집 ROBOT IR ( 검색모델 ) 빅데이터 실시간처리 TOPIC모델
- 28. UX 그리고 데이터 분석 -네이버 UI 변경 -7%
- 29. 2nd 3600px 1st 2750px 3rd 4550px 2nd 1060px 1st 560px 3rd 2050px 1000px 2000px 3000px 4000px 5000px 첫 화면 크기 560px 네이버가 제공한 화면크기 User가 사용한크 기 첫 화면크기 Valid max 4050 ( 98%) 2nd 610px 1st 560px 3rd 720px -크기 boxplot 이 자료를 바탕으로 제공화면 크기를 조절 할 계획임.
- 30. -50000 0 50000 100000 150000 200000 250000 300000 350000 0 500 1000 1500 2000 2500 3000 3500 4000 4500 네이버제공 사용자이용 첫화면크기 median 사용자이용크기 median 네이버화면크기 median -크기에 따른 제공, 이용 Graph 이 자료를 바탕으로 정답형 등이 크기를 조 절할 계획임
- 31. 4. 기술
- 32. 질문 NLP 는 유망한가? 딥러닝 분야에서의 text 마이닝? 직군관리?
- 42. 5. 분석 & 통계
- 43. 0. 데이터 분석 데이터 분석은 크게 5가지 작업으로 구분된다. (1) Data Collection – 수집 : 필요한 자료수집 ( 생각보다 어려움 ) (2) Descriptive Statistics - 기술통계 : 데이터를 이해하는 지점. (3) Exploratory data analysis – 탐구적 자료분석 : 같음, 다름을 찾아내는 지점. (4) Hypothesis testing – 가설검정 : 확신을 얻는 지점. (5) Estimation – 추정 : 모델을 완성하는 지점.5가지를 균형있게 수행할 수 있는 사람을 ‘데이터사이언티스트’ 라고 한다.
- 44. 1. 기술통계 (Descriptive Statistics) - 데이터가 어떻게 생겼는지 이해하는 부분 “송중기가어떻게생겼는가?” ->잘생겼네. ->눈은어떻고,코는어떻고,… 평균 Median, quantile, variance, …
- 45. 1. 기술통계 (Descriptive Statistics) - 데이터가 어떻게 생겼는지 이해하는 부분 “기초 통계를보고싶다” 데이터가 어떻게 생겼는지 알고싶다 [ multi modal 예제 ] 가장짧은말로,가장많은모습을설명한다. ! 대부분, 데이터를 이해하는 과정에서 분석의 전체 구조가 나온다.
- 46. 2. 탐구적 자료분석 (Exploratory Data Analysis ) - 특징 ( 패턴 및 특이점) 찾는 부분 이중에유독 다른 한장을 찾을 수 있 나? ① ② ③ ④
- 47. 2. 탐구적 자료분석 (Exploratory Data Analysis ) - 패턴 및 특이점 찾는 부분 - Sequence Mining - Clustering - Classification - Topic modeling - Deep learning [ clustering 예제]
- 48. 3. 가설검정 (Hypothesis testing) - 찾아낸 특징이 정말로 그러한지 확신하는 부분 “송중기와송혜교가만나는 사이인 가?” ->증거: 반지,커플티..
- 49. 3. 가설검정 (Hypothesis testing) - 찾아낸 특징이 정말로 그러한지 확신하는 부분 - P-value - T test, Chi square test - Likelihood ratio - Cross validation
- 50. 4. 추정 (Estimation) - 현재까지의 증거를 가지고, 현상의 본질을 설명하는 모델을 만드 는 것 “드라마를 같이 하면 사귄다”
- 51. 4. 추정 (Estimation) - 현재까지의 증거를 가지고, 현상의 본질을 설명하는 모델을 만드 는 것 - Bayesian Inference - Deep Learning
- 52. 5. 데이터 수집 (Data Collection) - 예상되는 결론을 입증하기 위해 필요한 자료를 수집 “드라마를 같이 하면 사귄다” O X ?뉴스 SNS 지식인 연애 모델
- 54. 3.2 Learn from problem-solving Gaussian Mixture Model for MUSIC ( 2012 ) Beat빠르기 전자음 가우시언믹스쳐를 알고는 있었지만, 사용할 수 없을 것 같았음. 실제 상황 + 이론 “느리니까 쓰지않는다.”
- 55. 3.3 Roughly saying about Statistics.. 분포통계기술통계 검정통계회귀통계
- 56. 3.5 분포통계 제가 사용하는 분포 구조입니다. 베르누이 이항분포 정규분표 t분표 카이스퀘 어분표 F분표 다항분포 다변량정 규분표 베타분포 드리쉴레 분포 프아송 분포 감마분포 (지수분포) 검정통계continuousdiscrete 동전던지기 여러번 무한번 평균 제곱: 분산 나누기 일정시간 거꾸로 거꾸로 거꾸로 주사위 여러번 무한번
- 57. 3.5 분포통계 제가 사용하는 분포 구조입니다. 베르누이 이항분포 정규분표 t분표 카이스퀘 어분표 F분표 다항분포 다변량정 규분표 베타분포 드리쉴레 분포 프아송 분포 감마분포 (지수분포) 검정통계continuousdiscrete bernuill binomial poisson multinomial Multivariate normaml gaussian beta dirichlet Student t Chi-square F Gamma 일정시간 -
- 60. Q&A
- 61. Thank You