Microsoft Azure Machine Learning

1부. 데이터 과학과 마이크로소프트 애저 머신 러닝 소개

1장. 데이터 과학 소개
- 데이터 과학이란 무엇인가?
- 분석 범위
- 왜 주목을 받았고 계속 주목받고 있는가?
- 데이터 과학의 공통 기술
- 데이터 과학은 어디까지 발전했나?
- 요약
- 참고 자료

2장. 마이크로소프트 애저 머신 러닝 소개
- 안녕, 머신 러닝 스튜디오!
- 실험의 구성 요소들
- 갤러리 소개
- 간단한 5단계 학습 실험 제작
- 모델을 실제 환경에 배포하기
- 요약

3장. 데이터 준비
- 데이터 청소와 처리
- 피처 선택
- 피처 엔지니어링
- 요약

4장. R과의 통합
- R 간보기
- 처음 R 스크립트를 만들고 배포하기
- 데이터 전처리에 R 이용하기
- 스크립트 묶음 사용(ZIP)
- R을 이용해 의사 결정 트리를 만들고 배포하기
- 요약

5장. 파이썬과의 통합
- 개요
- 파이썬 처음 맛보기
- 애저 머신 러닝 실험에서 파이썬 사용
- 파이썬을 이용한 데이터 전처리
- 요약

2부. 통계와 머신 러닝 알고리즘들

6장. 통계와 머신 러닝 알고리즘들 소개
- 회귀 분석 알고리즘
- 분류 알고리즘
- 클러스터링 알고리즘
- 요약

3부. 실 예제들

7장. 고객 성향 분석 모델 구축
- 사업 관련 문제
- 데이터 확보와 준비
- 모델 학습시키기
- 모델의 테스트와 검증
- 모델 성능
- 평가 지표 우선순위 결정
- 요약

8장. Power BI로 모델 시각화
- 개요
- Power BI 소개
- Power BI로 시각화하는 세 가지 방법
- 애저 머신 러닝에서 예측 실행한 결과를 엑셀에서 시각화하기
- 엑셀에서 예측과 시각화 실행하기
- 애저 머신 러닝에서 예측된 결과를 powerbi.com에서 시각화하기
- 요약

9장. 이탈 탐지 모델 구축
- 이탈 탐지에 대한 간단한 소개
- 고객 이탈 예측 모델의 구축과 배포
- 요약

10장. 고객 분할
- 고객 분할 모델들의 간단한 소개
- 첫 번째 K-평균 클러스터링 모델 구축과 배포
- 도매 고객의 분할
- 요약

11장. 예측 관리 모델의 구축
- 개요
- 예측 관리 시나리오들
- 업무 관련 문제
- 데이터 수집과 준비
- 모델 학습시키기
- 모델 테스트와 확인
- 모델 성능
- 모델 성능 향상 기술
- 모델 배포
- 요약

12장. 추천 시스템
- 개요
- 추천 시스템의 접근 방식과 시나리오
- 사업 관련 문제
- 데이터 수집과 준비
- 모델 학습시키기
- 모델 테스트와 확인
- 요약

13장. 애저 마켓플레이스의 모델을 사용하고 모델을 출판하기
- 머신 러닝 API란 무엇인가?
- 애저 마켓플레이스 API 사용 방법
- 애저 마켓플레이스에 자신의 모델 게시하기
- 제작된 머신 러닝 모델을 웹 서비스로 게시하기
- API 키와 OData 엔드포인트 주요 정보 입수
- 모델을 애저 마켓플레이스에 API로 게시하기
- 요약

14장. 코타나 분석 시스템
- 코타나 분석 스위트는 무엇인가?
- 코타나 분석 스위트의 기능들
- 예제 시나리오
- 요약