데이터 사이언스

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요
2. 역사
- 2.1. 초기 사용
- 2.2. 현대적 사용
3. 정의 및 관련 분야
- 3.1. 통계학과의 관계
- 3.2. 데이터 분석과의 관계
4. 방법론
5. 윤리적 고려 사항
6. 응용 분야
- 6.1. 소득 평등
7. 한국의 데이터 과학
- 7.1. 클라우드 컴퓨팅
8. 학습 자료
참조

1. 개요

데이터 과학은 1960년대부터 사용된 용어로, 수학, 통계학, 컴퓨터 과학 등을 융합하여 데이터를 분석하고 활용하는 학문 분야를 의미한다. 2010년대 후반 '데이터 과학자'라는 직업이 주목받으면서 전 세계적으로 관심이 증가했으며, 인공지능, 빅데이터 등과 결합하여 다양한 산업 분야에서 혁신을 주도하고 있다. 데이터 과학은 통계학, 데이터 분석과 밀접한 관련이 있으며, 데이터에서 통찰력을 추출하고 예측 모델을 구축하는 데 중점을 둔다. 한국에서는 정부 주도의 데이터 경제 활성화 정책에 힘입어 빠르게 성장하고 있으며, 관련 교육 과정도 확대되고 있다.

더 읽어볼만한 페이지

정보과학 - 시소러스
시소러스는 특정 단어나 개념의 유의어, 상위어, 하위어를 모아놓은 사전으로, 어휘의 의미 관계를 보여주며 글쓰기, 번역 등 다양한 분야에 활용된다.
정보과학 - 지식 표현
지식 표현은 컴퓨터가 인간의 지식을 이해하고 활용하도록 정보를 구조화하는 기술이며, 표현력과 추론 효율성의 균형, 불확실성 처리 등을 핵심 과제로 다양한 기법과 의미 웹 기술을 활용한다.

데이터 사이언스
정의
학문 분야	데이터를 통해 통찰력을 추출하는 학문 분야
관련 분야	정보학 컴퓨터 과학
기계 학습 사이드바
문제	분류 클러스터링 회귀 이상 탐지 연관 규칙 학습 강화 학습 구조화 예측 특징량 공학 표현 학습 온라인 기계 학습 준지도 학습 비지도 학습 순위 학습 문법 유도
지도 학습	지도 학습회귀)}}
클러스터링	클러스터링
차원 축소	차원 축소
구조화 예측	구조화 예측
이상 탐지	이상 탐지
인공 신경망	인공신경망
강화 학습	강화 학습
이론	이론
학회/저널	학회/저널
일반	일반
데이터 시각화 사이드바
주요 범주	주요 범주
중요 인물	중요 인물
인포메이션 그래픽 유형	인포메이션 그래픽 유형
관련 주제	관련 주제

2. 역사

데이터 과학이라는 용어는 1974년 피터 나우어가 그의 저서 『Concise Survey of Computer Methods』에서 데이터 처리 기법을 설명하며 사용하면서 주목받기 시작했다.^[53]^[54]

이후 데이터 과학은 학문 분야로서 점차 발전해왔으며, 특히 2012년 하버드 비즈니스 리뷰가 데이터 과학자를 "21세기에 가장 멋진 직업"^[56]으로 소개하면서 대중적인 인지도를 얻게 되었다. 그러나 일각에서는 이 용어가 명확한 정의 없이 기존의 비즈니스 분석 등을 대체하는 유행어에 가깝다는 비판도 제기되었다.^[57]

2010년대 후반부터는 전 세계적으로 데이터 과학자 부족 현상이 나타났고, 이에 따라 고도의 전문 지식이 없는 사용자도 데이터 분석을 수행할 수 있도록 돕는 시스템 개발이 진행되었다.^[55] 2020년의 메타 분석 연구에 따르면 데이터 과학 분야의 수요는 꾸준히 증가하는 추세이다.^[58] 인공 지능(AI) 기술의 발전과 관련하여 데이터 과학자의 미래에 대한 전망은 엇갈리는데, AI로 인해 대체될 것이라는 예측과^[59] 오히려 AI 발전으로 인해 데이터 과학자의 수요가 폭발적으로 증가할 것이라는 예측이 공존한다.^[60]

2. 1. 초기 사용

1962년, 존 투키는 현대의 데이터 과학과 유사한 개념으로 "데이터 분석"이라는 분야를 설명했다.^[20] "데이터 과학"이라는 용어 자체는 1974년 피터 노어가 컴퓨터 과학의 대안으로 제안하면서 처음 등장했다.^[6] 그는 저서 Concise Survey of Computer Methods|^eng^[54]에서 데이터 처리 기법과 그 응용을 설명하며 이 용어를 사용했다.^[53]

1985년, C. F. 제프 우는 베이징의 중국 과학원에서 강연하며 통계학의 대안으로 "데이터 과학"이라는 용어를 처음으로 사용했다.^[21] 이후 1992년 몽펠리에 2 대학교에서 열린 통계학 심포지엄에서는 통계학과 데이터 분석의 기존 개념 및 원리를 컴퓨팅과 결합하여 다양한 출처와 형태의 데이터를 다루는 새로운 학문 분야의 등장을 공식적으로 인정했다.^[22]^[23]

1990년대에는 대규모 데이터 세트에서 패턴을 찾는 과정을 가리키는 일반적인 용어로 "지식 발견"과 "데이터 마이닝"이 사용되었다.^[6]^[25]

1996년, 국제 분류 학회 연맹은 데이터 과학을 주제로 특별히 다룬 첫 번째 회의를 개최했다.^[6] 그러나 용어의 정의는 여전히 명확하지 않았다. 1997년, C. F. 제프 우는 통계학을 데이터 과학으로 명칭을 변경해야 한다고 다시 제안하며, 새로운 이름이 통계학에 대한 고정관념(회계와 동의어이거나 단순히 데이터 설명에 국한된다는 오해)을 해소하는 데 도움이 될 것이라고 주장했다.^[24] 1998년에는 하야시 치키오가 데이터 설계, 수집, 분석이라는 세 가지 측면을 가진 새로운 학제 간 개념으로서 데이터 과학을 주장했다.^[23]

2. 2. 현대적 사용

독립적인 학문으로서 데이터 과학의 현대적 개념은 윌리엄 S. 클리블랜드에게서 비롯되었다고 보기도 한다.^[30] 그는 2001년 발표한 논문에서 통계학이 이론적 연구를 넘어 기술적인 영역으로 확장되어야 한다고 주장했다. 이러한 확장은 통계학 분야 자체를 크게 변화시킬 것이므로, '데이터 과학'이라는 새로운 이름이 필요하다고 생각했다.^[25]

이후 '데이터 과학'이라는 용어는 점차 널리 사용되기 시작했다. 2002년에는 과학기술 데이터 위원회(CODATA)가 ''Data Science Journal''을 창간했고,^[25] 2003년에는 컬럼비아 대학교가 ''The Journal of Data Science''를 발간했다.^[25] 학계에서도 데이터 과학의 중요성을 인식하기 시작했는데, 2014년 미국 통계 학회(ASA)의 '통계 학습 및 데이터 마이닝 분과'는 데이터 과학의 높아진 인기를 반영하여 '통계 학습 및 데이터 과학 분과'로 명칭을 변경했다.^[31]

전문 직업으로서 "데이터 과학자"라는 명칭은 2008년 D.J. 파틸과 제프 해머바처에 의해 구체화되었다.^[32] 물론 그 이전인 2005년 국립 과학 위원회(NSB)의 보고서 "오래 지속되는 디지털 데이터 컬렉션: 21세기의 연구 및 교육 활성화"에서도 이 용어가 등장했지만, 당시에는 디지털 데이터 수집 및 관리에 관련된 모든 핵심 역할을 포괄하는 넓은 의미로 사용되었다.^[33]

데이터 과학은 2012년 기술 전문가인 토머스 H. 데이븐포트와 D.J. 파틸이 하버드 비즈니스 리뷰에 기고한 글에서 "데이터 과학자: 21세기 가장 섹시한 직업"이라고 표현하면서 대중적인 관심을 받게 되었다.^[26]^[56] 이 표현은 뉴욕 타임스^[27]나 보스턴 글로브^[28]와 같은 주요 언론에도 소개될 정도로 화제가 되었다. 10년 뒤, 데이븐포트와 파틸은 "고용주들의 수요가 그 어느 때보다 많다"며 데이터 과학자의 중요성을 다시 한번 강조했다.^[29]

하지만 데이터 과학의 정의에 대해서는 아직 명확한 합의가 이루어지지 않았으며, 일각에서는 이를 유행어로 간주하기도 한다.^[34] 포브스는 데이터 과학이 명확한 정의 없이 기존 대학원의 Business analytics|비즈니스 분석^eng 과정을 단순히 대체한 것에 불과하다고 비판하기도 했다.^[57] 빅 데이터 역시 데이터 과학과 밀접하게 연관되어 자주 언급되는 마케팅 용어 중 하나이다.^[35] 일반적으로 데이터 과학자는 빅 데이터를 분석하여 의미 있는 정보로 변환하고, 기업이나 조직이 더 나은 의사결정을 내릴 수 있도록 돕는 소프트웨어나 알고리즘을 개발하는 역할을 수행한다.^[36]

2010년대 후반부터 전 세계적으로 데이터 과학자 부족 현상이 나타나면서, 고도의 전문 지식이 없는 사용자도 쉽게 데이터 분석을 수행할 수 있도록 돕는 시스템 개발이 활발히 진행되고 있다.^[55] 2020년에 발표된 질 높은 메타 분석 연구에 따르면, 데이터 과학 분야의 수요는 꾸준히 증가하는 추세이다.^[58] 인공지능(AI) 기술의 급격한 발전과 관련하여 데이터 과학자의 미래에 대한 전망은 엇갈린다. 일부 전문가는 데이터 과학과 같은 분석 관련 직업이 결국 AI에 의해 대체될 것이라고 예측하는 반면^[59], 다른 한편에서는 AI 기술의 발전이 오히려 데이터 과학자의 수요를 폭발적으로 증가시킬 것이라고 예측하기도 한다.^[60]

3. 정의 및 관련 분야

데이터 과학은 일반적으로 대규모 데이터 세트에서 지식을 추출하고, 여기서 얻은 지식과 통찰력을 다양한 응용 분야의 문제 해결에 적용하는 데 중점을 두는 학제 간 학문이다.^[10] 이 분야는 분석을 위한 데이터 준비, 데이터 과학 문제 공식화, 데이터 분석, 데이터 기반 솔루션 개발, 그리고 광범위한 응용 분야에서 고위 의사 결정을 알리기 위한 결과 발표까지 포괄한다.

데이터 과학은 컴퓨터 과학, 통계학, 정보 과학, 수학, 데이터 시각화, 정보 시각화, 데이터 음향화, 데이터 통합, 그래픽 디자인, 복잡계, 의사소통, 비즈니스 등 다양한 분야의 기술과 지식을 통합한다.^[11]^[12] 또한 패턴 인식, 기계 학습, 데이터 마이닝, 데이터베이스 등과도 밀접한 관련이 있다. 통계학자 네이선 야우는 벤 프라이를 인용하며 데이터 과학을 인간-컴퓨터 상호 작용과 연결하기도 했는데, 이는 사용자가 데이터를 직관적으로 제어하고 탐색할 수 있어야 한다는 점을 강조한다.^[13]^[14] 2015년 미국 통계 협회는 데이터베이스 관리, 통계학 및 기계 학습, 분산 및 병렬 시스템을 데이터 과학의 세 가지 핵심 기초 전문 분야로 식별했다.^[15]

독립적인 학문으로서 데이터 과학의 현대적 개념은 때때로 윌리엄 S. 클리블랜드에게서 비롯된 것으로 여겨진다.^[30] 2001년 그는 통계학을 이론을 넘어 기술 분야로 확장할 것을 주장하며 새로운 이름이 필요하다고 보았다.^[25] "데이터 과학"이라는 용어는 이후 몇 년간 더 널리 사용되었는데, 2002년 과학기술 데이터 위원회가 ''Data Science Journal''을 창간했고, 2003년 컬럼비아 대학교가 ''The Journal of Data Science''를 창간했다.^[25] 2014년에는 미국 통계 학회의 통계 학습 및 데이터 마이닝 분과가 데이터 과학의 인기가 높아짐에 따라 통계 학습 및 데이터 과학 분과로 이름을 변경했다.^[31]

"데이터 과학자"라는 전문 직함은 2008년 D.J. 파틸과 제프 해머바처에 의해 생겨났다고 알려져 있다.^[32] 2012년 기술 전문가인 토머스 H. 데이븐포트와 파틸은 "데이터 과학자: 21세기 가장 섹시한 직업"이라고 선언했고,^[26] 이 문구는 널리 퍼졌다. 10년 후에도 그들은 데이터 과학자에 대한 수요가 여전히 높다고 재확인했다.^[29] 데이터 과학자는 빅 데이터를 사용 가능한 정보로 분류하고, 기업과 조직이 최적의 운영 방식을 결정하는 데 도움이 되는 소프트웨어와 알고리즘을 만드는 역할을 한다.^[36]

그러나 데이터 과학의 정의에 대한 명확한 합의는 아직 없으며, 일부에서는 이를 유행어로 간주하기도 한다.^[34] 빅 데이터는 이와 관련된 마케팅 용어로 자주 사용된다.^[35] 데이터 과학은 통계적, 계산적, 인간적 관점에서 조망할 수 있으며, 이 세 가지 시각의 유기적인 결합이 중요하다.^[49]

3. 1. 통계학과의 관계

많은 통계학자들은 네이트 실버를 포함하여, 데이터 과학이 새로운 분야가 아니라 통계학의 또 다른 이름이라고 주장해 왔다.^[16] 다른 이들은 데이터 과학이 디지털 데이터에 특유한 문제와 기술에 초점을 맞추기 때문에 통계학과 다르다고 주장한다.^[17] 바산트 다르는 통계학이 정량적 데이터와 설명을 강조하는 반면, 데이터 과학은 정량적 데이터와 더불어 이미지, 텍스트, 센서, 거래, 고객 정보 등과 같은 질적 데이터를 다루며 예측과 행동을 강조한다고 설명했다.^[18] 컬럼비아 대학교의 앤드루 겔먼은 통계학을 데이터 과학의 필수적이지 않은 부분으로 묘사했다.^[19]

스탠퍼드 대학교 교수 데이비드 도노호는 데이터 과학이 단순히 데이터 세트의 크기나 컴퓨팅 사용 여부로 통계학과 구별되는 것은 아니라고 지적했다. 그는 많은 대학원 프로그램들이 분석 및 통계 교육을 마치 데이터 과학 프로그램의 핵심인 것처럼 잘못 광고하고 있다고 비판하며, 데이터 과학을 전통적인 통계학에서 파생되어 발전한 응용 분야로 간주했다.^[20]

3. 2. 데이터 분석과의 관계

summary statistics and scatterplots showing the Datasaurus dozen data set — 탐색적 데이터 분석의 유용성을 보여주는 예시로, Datasaurus dozen 데이터 세트를 사용함

데이터 과학과 데이터 분석은 모두 데이터 관리 및 분석 분야에서 중요한 역할을 하지만, 몇 가지 중요한 차이점이 있다. 두 분야 모두 데이터를 다루지만, 데이터 과학은 데이터에서 통찰력을 얻고 예측을 하기 위해 통계, 계산, 머신 러닝 방법을 사용하는 융합 학문에 가깝다. 반면, 데이터 분석은 패턴과 추세를 찾기 위해 데이터를 검토하고 해석하는 데 더 집중한다.^[37]^[38]

데이터 분석은 보통 특정 질문에 답하거나 특정 문제를 해결하기 위해 비교적 작고 구조화된 데이터를 다룬다. 데이터 정제, 데이터 시각화, 탐색적 데이터 분석 같은 작업을 통해 데이터에 대한 이해를 높이고 변수 간의 관계에 대한 가설을 세운다. 데이터 분석가는 주로 통계적 방법을 사용해 이러한 가설을 검증하고 결론을 도출한다. 예를 들어, 판매 데이터를 분석하여 고객 행동의 경향을 파악하고 마케팅 전략을 제안할 수 있다.^[37]

반면, 데이터 과학은 더 크고 복잡한 데이터를 다루는 경우가 많으며, 분석을 위해 고급 계산 및 통계 기법이 필요하다. 데이터 과학자는 텍스트나 이미지 같은 비정형 데이터를 다루기도 하며, 머신 러닝 알고리즘을 이용해 예측 모델을 만들고 데이터 기반 의사 결정을 돕는다. 통계 분석 외에도 데이터 전처리, 특징 공학, 모델 선택과 같은 작업이 포함된다. 예를 들어, 전자 상거래 플랫폼에서 사용자 행동 패턴을 분석하고 머신 러닝 알고리즘으로 사용자 선호도를 예측하여 추천 시스템을 개발할 수 있다.^[38]^[39]

데이터 분석이 기존 데이터에서 의미를 찾는 데 중점을 둔다면, 데이터 과학은 여기서 더 나아가 정보에 기반한 결정을 내리기 위한 예측 모델의 개발과 실제 적용까지 포함한다. 데이터 과학자는 데이터를 수집하고 정리하며, 적절한 분석 기법을 선택하고, 개발된 모델을 실제 상황에 배포하는 역할도 맡는다. 이들은 수학, 컴퓨터 과학, 그리고 해당 분야의 전문 지식(도메인 전문성)을 결합하여 복잡한 문제를 해결하고 대규모 데이터 속 숨겨진 패턴을 찾아낸다.^[38]

이러한 차이에도 불구하고, 데이터 과학과 데이터 분석은 서로 밀접하게 연관되어 있으며 비슷한 기술을 요구하는 경우가 많다. 두 분야 모두 통계, 프로그래밍, 데이터 시각화에 대한 탄탄한 지식이 필요하며, 분석 결과를 기술 전문가가 아닌 사람들에게도 효과적으로 전달하는 능력이 중요하다. 또한, 데이터의 맥락과 미묘한 차이를 이해하는 것이 정확한 분석과 모델링에 필수적이므로 비판적 사고 능력과 도메인 지식이 큰 도움이 된다.^[37]^[38]

결론적으로, 데이터 분석과 데이터 과학은 넓은 의미의 데이터 관리 및 분석 분야 안에서 서로 다르면서도 연결된 학문이다. 데이터 분석은 구조화된 데이터에서 통찰력을 얻고 결론을 내는 데 초점을 맞추는 반면, 데이터 과학은 통계 분석, 계산 방법, 머신 러닝을 통합하여 통찰력을 추출하고 예측 모델을 구축하며 데이터 기반 의사 결정을 이끄는 더 포괄적인 접근 방식을 취한다. 두 분야 모두 데이터를 활용하여 패턴을 이해하고, 정보에 입각한 결정을 내리며, 다양한 영역의 복잡한 문제를 해결하는 데 기여한다.

4. 방법론

데이터 과학에서 사용되는 기법은 매우 다양하며, 수학, 통계학, 컴퓨터 과학, 정보 공학, 패턴 인식, 기계 학습, 데이터 마이닝, 데이터베이스, 시각화 등 여러 학문 분야와 관련이 있다.

5. 윤리적 고려 사항

데이터 과학은 개인적이고 민감한 정보를 포함하는 데이터를 수집, 처리, 분석하는 과정을 포함한다. 이 과정에서 잠재적인 개인 정보 침해, 편견의 지속, 그리고 부정적인 사회적 영향과 같은 윤리적 문제가 발생할 수 있다.^[43]^[44]

특히 머신 러닝 모델은 학습에 사용되는 데이터에 이미 존재하는 편견을 증폭시킬 수 있다. 이로 인해 차별적이거나 불공정한 결과를 초래할 위험이 있으므로 주의가 필요하다.^[45]^[46]

6. 응용 분야

데이터 사이언스는 명확한 응용 문맥을 가지며 여러 학문 분야에 걸쳐 적용되는 초영역적(transdisciplinary) 특징을 지닌다. 연구 성과에 대해서는 사회적 설명 책임이 요구되며, 성과의 질적 보증을 위한 기준도 중요하다. 데이터 사이언스의 유효한 추진을 위해서는 조직의 이종 혼합성도 중요하며, 이러한 요건을 충족하는 과학은 기번스 등이 주장하는 모드 2 과학^[51]의 일종으로 인식할 수 있다. 데이터 사이언스의 연구자나 실천자는 데이터 과학자라고 불린다.

데이터 사이언스는 생물학, 의학, 공학, 경제학, 사회학, 인문학, 화학 등 매우 다양한 학문 분야에서 응용되고 있다. 특히 4차 산업혁명 시대의 핵심 기술인 인공지능, 빅데이터, 사물인터넷(IoT) 등과 결합하여 스마트 팩토리, 자율주행차, 헬스케어, 금융 등 다양한 산업 분야에서 혁신을 이끄는 데 활용된다.

6. 1. 소득 평등

선진국과 개발도상국 모두 데이터 사이언스 기술이 뛰어난 국가에서는 소득 불평등이 낮아지는 경향을 보인다. 국가 전체의 평균적인 데이터 사이언스 기술 능력과 소득 상위 10%가 전체 소득에서 차지하는 비율 사이에는 음(-)의 상관관계가 나타난다.^[52]

7. 한국의 데이터 과학

한국은 OECD 국가 중에서 높은 수준의 ICT 인프라를 보유하고 있으며, 이를 바탕으로 정부가 주도하는 데이터 경제 활성화 정책에 힘입어 데이터 과학 분야가 빠르게 성장하고 있다. 특히 문재인 정부 시기에는 '데이터 고속도로' 구축과 '데이터 댐' 프로젝트 등을 통해 데이터 활용을 위한 기반 시설 확충에 중점을 두었다. 더불어민주당 역시 데이터에 기반한 혁신 성장을 목표로 관련 정책들을 지속적으로 추진하고 있다.

그러나 한국의 데이터 과학 분야는 여전히 해결해야 할 과제들을 안고 있다. 데이터 활용과 관련된 각종 규제, 개인정보보호 문제, 그리고 데이터 분석 및 활용 능력을 갖춘 전문 인력의 부족 등이 주요 문제로 지적된다.

7. 1. 클라우드 컴퓨팅

빅 데이터 분석을 가능하게 하는 클라우드 기반 아키텍처. 데이터는 개인용 컴퓨터, 노트북, 스마트폰과 같은 다양한 소스에서 처리 및 분석을 위한 클라우드 서비스를 거쳐 다양한 빅 데이터 애플리케이션으로 이어진다.

클라우드 컴퓨팅은 대량의 컴퓨팅 성능과 저장소에 대한 접근을 제공할 수 있다.^[40] 정보의 양이 지속적으로 생성되고 처리되는 빅 데이터 환경에서 이러한 플랫폼은 복잡하고 리소스 집약적인 분석 작업을 처리하는 데 사용될 수 있다.^[41]

일부 분산 컴퓨팅 프레임워크는 빅 데이터 워크로드를 처리하도록 설계되었다. 이러한 프레임워크를 통해 데이터 과학자는 대규모 데이터 세트를 병렬로 처리하고 분석할 수 있으며, 이는 처리 시간을 단축할 수 있다.^[42]

8. 학습 자료

아래는 데이터 사이언스 학습에 참고할 수 있는 자료 목록이다. 주로 일본에서 출판된 서적들이며, 일부 영어 원서도 포함되어 있다.

데이터 사이언스 관련 학습 자료
구분	저자/시리즈	제목	출판사	ISBN	출판일
강담사 데이터 사이언스 입문 시리즈	하마다 에쓰오	データサイエンスの基礎\|데이터 사이언스의 기초^일본어	고단샤	978-4-06-517000-7	2019년 8월 29일
강담사 데이터 사이언스 입문 시리즈	시이나 히로시, 히메노 테츠토, 호시나 가후	データサイエンスのための数学\|데이터 사이언스를 위한 수학^일본어	고단샤	978-4-06-516998-8	2019년 8월 29일
강담사 데이터 사이언스 입문 시리즈	우메즈 유타, 니시이 류에이, 우에다 유스케	スパース回帰分析とパターン認識\|스파스 회귀 분석과 패턴 인식^일본어	고단샤	978-4-06-518620-6	2020년 2월 26일
사이언스사 라이브러리 데이터 과학	와세다 대학 데이터 과학 교육 팀	제1권, データ科学入門I データに基づいた意思決定の基礎\|데이터 과학 입문 I: 데이터에 기반한 의사 결정의 기초^일본어	사이언스사	978-4-7819-1540-1	2022년 4월 10일
사이언스사 라이브러리 데이터 과학	와세다 대학 데이터 과학 교육 팀	제2권, データ科学入門II 特徴記述・構造推定・予測 ― 回帰と分類を例に\|데이터 과학 입문 II: 특징 기술・구조 추정・예측 ― 회귀와 분류를 예로^일본어	사이언스사	978-4-7819-1567-8	2023년 3월 10일
사이언스사 라이브러리 데이터 과학	(발행 예정)	제3권, データ科学入門III\|데이터 과학 입문 III^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제4권, データ科学入門IV\|데이터 과학 입문 IV^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제5권, データ科学実践\|데이터 과학 실천^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제6권, 回帰と分類のデータ科学\|회귀와 분류의 데이터 과학^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제7권, 時系列構造のデータ科学\|시계열 구조의 데이터 과학^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제8권, 潜在構造のデータ科学\|잠재 구조의 데이터 과학^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제9권, 空間構造のデータ科学\|공간 구조의 데이터 과학^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제10권, 因果構造のデータ科学\|인과 구조의 데이터 과학^일본어	사이언스사	(발행 예정)	(발행 예정)
사이언스사 라이브러리 데이터 과학	(발행 예정)	제11권, データ科学のためのモデリング\|데이터 과학을 위한 모델링^일본어	사이언스사	(발행 예정)	(발행 예정)
단행본	Anand Rajaraman, Jeffrey David Ullman	大規模データマイニング\|대규모 데이터 마이닝^일본어	쿄리쓰 출판	978-4-320-12375-5	2014년 7월 25일
단행본	Daniela Calvetti, Erkki Somersalo	Mathematics of Data Science: A Computational Approach to Clustering and Classification^영어	SIAM	978-1-611976-36-6	2020년
단행본	길버트 스트랭	ストラン：線形代数とデータサイエンス\|스트랭: 선형대수와 데이터 사이언스^일본어	근대 과학사	978-4-7649-0600-6	2021년 10월 31일
단행본	D.P.Kroese, Z.I.Botev, T.Taimre, R.Vaisman	データサイエンスと機械学習：理論からPythonによる実装まで\|데이터 사이언스와 기계 학습: 이론부터 Python에 의한 구현까지^일본어	도쿄 화학 동인	978-4-8079-2029-7	2022년 12월 5일
단행본	마키노 코지, 하야시 모토히로	データサイエンス教本（第2版）\|데이터 사이언스 교본(제2판)^일본어	옴사	978-4-274-23114-8	2023년 11월 20일
단행본	미나모토 테루야	Pythonによる数理・データサイエンス・AI\|Python에 의한 수리・데이터 사이언스・AI^일본어	사이언스사	978-4-7819-1585-2	2023년 11월 25일

참조

_[1] 논문 50 Years of Data Science
_[2] 논문 Data science and prediction http://cacm.acm.org/[...] 2015-09-02
_[3] 간행물 Computing Competencies for Undergraduate Data Science Curricula https://dstf.acm.org[...] 2021
_[4] 논문 What is Data Science? 2023-01-20
_[5] 서적 Data Science, Classification, and Related Methods Springer Japan 1998-01-01
_[6] 논문 Data Science: A Comprehensive Overview 2017-06-29
_[7] 서적 The Fourth Paradigm: Data-intensive Scientific Discovery https://books.google[...] Microsoft Research
_[8] 논문 Computer Science: Beyond the Data Deluge
_[9] 논문 Data Scientist: The Sexiest Job of the 21st Century https://hbr.org/2012[...] 2012-10
_[10] 논문 Defining data science by a data-driven quantification of the community
_[11] 웹사이트 1. Introduction: What Is Data Science? https://www.oreilly.[...] O’Reilly 2020-04-03
_[12] 웹사이트 the three sexy skills of data geeks https://medriscoll.c[...] 2020-04-03
_[13] 웹사이트 Rise of the Data Scientist https://flowingdata.[...] 2020-04-03
_[14] 웹사이트 Basic Example https://benfry.com/p[...] 2020-04-03
_[15] 웹사이트 ASA Statement on the Role of Statistics in Data Science https://www.statisti[...] American Statistical Association 2019-05-29
_[16] 웹사이트 Nate Silver: What I need from statisticians https://www.statisti[...] 2020-04-03
_[17] 웹사이트 What's the Difference Between Data Science and Statistics? http://priceonomics.[...] 2020-04-03
_[18] 논문 Data science and prediction http://archive.nyu.e[...] 2013-12-01
_[19] 웹사이트 Statistics is the least important part of data science « Statistical Modeling, Causal Inference, and Social Science https://statmodeling[...] 2020-04-03
_[20] 웹사이트 50 years of Data Science http://courses.csail[...] 2020-04-02
_[21] 논문 Future directions of statistical research in China: a historical perspective https://www2.isye.ga[...] 2020-11-29
_[22] 서적 Data science and its applications Academic Press/Harcourt Brace
_[23] 논문 The Development of Data Science: Implications for Education, Employment, Research, and the Data Revolution for Sustainable Development 2018
_[24] 웹사이트 Statistics=Data Science? http://www2.isye.gat[...] 2020-04-02
_[25] 웹사이트 A Very Short History of Data Science https://www.forbes.c[...] 2020-04-03
_[26] 간행물 Data Scientist: The Sexiest Job of the 21st Century https://hbr.org/2012[...] 2022-10-10
_[27] 뉴스 Data Science: The Numbers of Our Lives https://www.nytimes.[...] 2022-10-10
_[28] 뉴스 Behind the scenes of the 'sexiest job of the 21st century' https://www.bostongl[...] 2022-10-10
_[29] 간행물 Is Data Scientist Still the Sexiest Job of the 21st Century? https://hbr.org/2022[...] 2022-10-10
_[30] 웹사이트 William S. Cleveland https://www.stat.pur[...] 2020-04-02
_[31] 뉴스 ASA Expands Scope, Outreach to Foster Growth, Collaboration in Data Science https://magazine.ams[...] American Statistical Association 2016-06-01
_[32] 뉴스 Data Scientist: The Sexiest Job of the 21st Century https://hbr.org/2012[...] 2020-04-03
_[33] 웹사이트 US NSF – NSB-05-40, Long-Lived Digital Data Collections Enabling Research and Education in the 21st Century https://www.nsf.gov/[...] 2020-04-03
_[34] 웹사이트 Data Science: What's The Half-Life of a Buzzword? https://www.forbes.c[...] 2020-04-03
_[35] 웹사이트 The Impacts of Big Data That You May Not Have Heard Of https://www.forbes.c[...] 2020-04-03
_[36] 웹사이트 How Data Science will Impact Future of Businesses? https://static1.squa[...] 2019-09-20
_[37] 서적 An Introduction to Statistical Learning: with Applications in R. Springer 2017-09-29
_[38] 웹사이트 Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. https://www.research[...] 2013-08-01
_[39] 서적 Data Mining: Concepts and Techniques. https://www.scienced[...] 2011
_[40] 간행물 The rise of "big data" on cloud computing: Review and open research issues https://linkinghub.e[...] "2015"
_[41] 간행물 A survey of machine learning for big data processing "2016"
_[42] 서적 Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data ACM 2015-05-27
_[43] 간행물 What is data ethics? 2016-12-28
_[44] 간행물 The Ethics of Big Data: Current and Foreseeable Issues in Biomedical Contexts http://link.springer[...] "2016"
_[45] 간행물 Big Data's Disparate Impact https://lawcat.berke[...] "2016"
_[46] 간행물 Semantics derived automatically from language corpora contain human-like biases https://www.science.[...] 2017-04-14
_[47] 간행물 システム科学とデータ科学 https://doi.org/10.1[...] 横断型基幹科学技術研究団体連合
_[48] 간행물 データジャーナリズムとデータ科学（Data Journalism and Data Science） http://www.chokkan.o[...] "2016"
_[49] 간행물 Science and data science https://www.pnas.org[...] 2017-08-15
_[50] 간행물 Data science is science's second chance to get causal inference right: A classification of data science tasks https://arxiv.org/ab[...] 2018-04-28
_[51] 간행물 The New Production of Knowledge: The Dynamics of Science and Research in Contemporary Societies. https://doi.org/10.2[...] 1995-11
_[52] 웹사이트 Announcing the Coursera 2020 Global Skills Index https://blog.courser[...] 2020-07-16
_[53] 간행물 Data Science 2017-06-29
_[54] 서적 Concise Survey of Computer Methods http://www.naur.com/[...] Studentlitteratur, Lund, Sweden 2022-01-12
_[55] 뉴스 NEC、業務システムにおける大規模データ予測を自動化する｢予測分析自動化技術｣を開発 https://jpn.nec.com/[...] 日本電気株式会社 2016-12-15
_[56] 간행물 Data Scientist: The Sexiest Job of the 21st Century https://hbr.org/2012[...] Harvard Business Review 2012-10
_[57] 웹사이트 Data Science: What's The Half-Life Of A Buzzword? https://www.forbes.c[...] Forbes 2013-08-19
_[58] 간행물 Data Science: State of the Art and Trends http://www.scirp.org[...] 2020-10-23
_[59] 웹사이트 A Theory of AI Job Replacement - AI and the future of work https://www.coursera[...] 2023-08-07
_[60] 웹사이트 Feel the Fear! AI Turns Deadly, Data Disappears, Criminals Clone Voices, and more https://www.deeplear[...] 2023-10-25
_[61] 웹인용 Data science https://en.wikipedia[...]

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com