data_science.md

Data Science

• Learn on Towards Data Science 주제별 글 모음 링크
• Data science Python notebooks: Deep learning (TensorFlow, Theano, Caffe, Keras), scikit-learn, Kaggle, big data (Spark, Hadoop MapReduce, HDFS), matplotlib, pandas, NumPy, SciPy, Python essentials, AWS, and various command lines
• R에서 파이썬까지…데이터과학 학습 사이트 8곳
• 리다, 기업을 위한 데이터과학 강의 공개
• Data Analysis - YouTube
• 데이터과학에 입문하고 싶다면, 이곳부터
• 데이터과학을 시작할 때 도움되는 것들
• 데이터 사이언스의 학습 로드맵 (번역) – 이바닥늬우스
• 헬로 데이터 과학- 헬로 데이터 과학당신의 삶과 업무를 바꾸는 데이터 과학 (데이터 사이언스)
  • 데이터 과학자의 데이터로 책 쓰기: 데이터는 기획력과 감수성이다
  • 온라인 서비스 개선을 데이터 활용법 (How We Use Data 발표)
  • 데이터 지능(Data Intelligence) 팟캐스트
• 인정받는 데이터 분석가 되기 – 외부 세미나 요약 –
• 데이터 분석가는 어떤 SKILLSET을 가져야 하는가?
• 당근마켓 팀과 데이터 분석. 프로덕트 데이터 분석가는 어떤 일을 하는가 | by matthew l | 당근마켓 팀블로그 | Aug, 2021 | Medium
• 데이터 분석가가 되기 위해서는?
• 데이터 분석, 의심에서 전달까지 | Pega Devlog
• 데이터 분석이란 무엇일까 기술적인 이야기는 아님
• Overfitting을 피해보자!
• 손에 잡히는 데이터 과학 이야기
• How to Become a Data Scientist for Free
  • 데이터 과학을 무료로 공부해보자
• 데이터 과학을 지탱하는 기본기
• Hiring data scientists
  • (part 1): what to look for in a candidate
  • (part 2): the perfect candidate doesn’t exist
  • (part 3): interview questions
  • (part 4): the case study
• Top Python Data Science Interview Questions | .cult by Honeypot
• GitHub Special: Data Scientists to Follow & Best Tutorials on GitHub
• How to Become a Data Scientist
• So You Want To Be a Data Scientist: A Guide for College Grads
• Aspiring data scientist? Master these fundamentals
• How I Became a Data Scientist Despite Having Been a Math Major
• Data Scientist: The Sexiest Job of the 21st Century
• Lessons in Becoming an Effective Data Scientist
• PyData Paris 2016 - Round table: "How to become a data scientist"
• Renee Teate | Becoming a Data Scientist Advice From My Podcast Guests
• How to land a Data Scientist job at your dream company — My journey to Airbnb
• 어서와~ 데이터사이언티스트는 처음이지?
• 장바구니를 든 데이터 사이언티스트
• B급 프로그래머 데이터 과학자로 취직하려면 남들처럼 하지 마라
• 세상에서 가장 이해받지 못하는 영웅, 데이터 과학자 (1/3)
• 세상에서 가장 이해받지 못하는 영웅, 데이터 과학자 (2/3)
• 세상에서 가장 이해받지 못하는 영웅, 데이터 과학자 (3/3)
• 데이터분석가의 분석포트폴리오만들기 · Present
• 카일데이 : 카일의 데이터 이야기 - YouTube
• Full Stack Data Science: The Next Gen of Data Scientists Cohort | by Jay Kachhadia | Towards Data Science
• Engineers as Data Scientists?. How the Trends of IoT and Big Data can… | by Christianlauer | Jun, 2022 | Medium
• Is Data Science a Dying Profession? | R-bloggers
• Data Science Career Ladder - YouTube
• Data Engineering Technology Tree | Jesse Anderson DBA/Data Warehouse/SQL-Focused, Software Engineer, Data Scientists tech stack tree
• The Rise of the Data Engineer
• 데이터 직군 안내서: DA, TA, DE, DS, ML엔지니어, BI 분석가
• A Beginner’s Guide to Data Engineering
  • Part I
    • 주된 내용
      • 데이터 엔지니어링이 무엇이고 왜 어려운지?
      • 데이터 과학의 계층 구조
      • ETL 프레임워크 (airflow 소개)
      • 두 가지 패러다임 : SQL- v.s. JVM 중심의 ETL 비교
    • 불행히도 많은 기업들은 기존의 데이터 과학 교육 프로그램 중 대부분이 학계 또는 전문직인 경우 피라미드 지식의 최상 부분(Ex. AI)에 집중하는 경향이 있다는 것을 인식하지 못합니다, 대부분은 학생들에게 테이블 스키마를 적절하게 설계하거나 데이터 파이프 라인을 작성하는 방법을 가르치지 않습니다.
    • ETL은 일부실험 구성 파일을 가져와서 해당 실험에 대한 관련 측정 항목을 계산하고 마지막으로 UI에서 p 값 및 신뢰 구간을 출력하여 제품 변경으로 인해 사용자 변동이 방지되는지 여부를 알릴 수 있습니다. 또 다른 예는 일일 단위로 기계 학습 모델의 기능을 계산하여 사용자가 며칠 이내에 이탈하는지 예측하는 배치 ETL 작업입니다. 가능성은 무한합니다!
    • SQL 중심 ETL은 일반적으로 SQL, Presto 또는 Hive와 같은 언어로 작성됩니다. ETL 작업은 종종 선언적 방법으로 정의되며 거의 모든 것이 SQL 및 테이블을 중심으로 이루어집니다. UDF를 작성하는 것은 때로는 다른 언어 (예 : Java 또는 Python)로 작성해야 하기 때문에 번거롭습니다. 이 이유 때문에 테스트가 훨씬 어려울 수 있습니다. 이 패러다임은 데이터 과학자들 사이에서 인기가 있습니다.
  • Part II
• A Beginner’s Guide to Data Engineering
  • Part I Data Engineering: The Close Cousin of Data Science
  • Part II Data Modeling, Data Partitioning, Airflow, and ETL Best Practices
• data-engineering-zoomcamp: Free Data Engineering course!
• 시리즈 | IBM Data Science - DEV_SK
• 데이터 아키텍처의 변화 ETL -> ELT
• 인터뷰ㅣ"기술 회사도 IT 현대화해야 한다" 키사이트 테크놀로지스 CIO - CIO Korea ETL -> ELT로의 이유
• 칼럼ㅣ'ETL'은 빅데이터와의 경쟁에서 패배했다 - CIO Korea ETL -> ELT or pipelined data streaming
• ETL, ELT의 4가지 주요 차이점 - 밥먹는 개발자
• ETL vs ELT, 당신의 선택은?. ELT의 장단점과 딜라이트룸에서의 도입 후기 | by Chris Lee | DelightRoom | Jan, 2024 | Medium
• GumGum Builds and Maintains High-Performance ETL Pipelines for Ad Exchange Reporting - YouTube
• Tables as Code: The Journey from Ad-hoc Scripts to Maintainable ETL Workflows at Booking.com - YouTube
• I want to study Data Science Wiki 한글
• A Beginner’s Guide to the Data Science Pipeline
• Big Data: Its Benefits, Challenges, and Future | by Benedict Neo | Oct, 2020 | Towards Data Science
• Big Data Pipeline Recipe. Introduction | by Javier Ramos | Aug, 2020 | ITNEXT
• Designing Functional Data Pipelines for Reproducibility and Maintainability | PyData Global 2021 - YouTube
• Data Engineering Principles - Build frameworks not pipelines - Gatis Seja - YouTube
• Live Data Demo – Practical Pipelines - YouTube
• 29CM 데이터 파이프라인 소개. 안녕하세요 데이터그로스팀 이진환입니다. 29CM에선 21년 9월… | by brownbears | 29CM TEAM | Jan, 2023 | Medium
• FMS(차량 관제 시스템) 데이터 파이프라인 구축기 1편. 스트리밍/배치 파이프라인 개발기 - SOCAR Tech Blog
• FMS(차량 관제 시스템) 데이터 파이프라인 구축기 2편. 신뢰성 높은 데이터를 위한 테스트 환경 구축기 - SOCAR Tech Blog
• FMS(Fleet Management System) 주행이벤트 파이프라인 개선기 - SOCAR Tech Blog
• Data Pipelines Overview
• How to jump into Data Science
• Functional Data Engineering — a modern paradigm for batch data processing
• Data Engineers are in Greater Demand than Data Scientists
• Data Infrastructure at In Loco
  • Loco 라는 회사에서 일 약 15TB 데이터를 분석 및 BI 플랫폼에 활용하는 데이터 인프라 설명
  • Kafka, Presto, Airflow, Spark 사용
• Data engineers vs. data scientists
• 데이터 사이언티스트 vs 데이터 엔지니어: 주요 차이점과 이해
• 쏘카 데이터 그룹 - 데이터 엔지니어링 팀이 하는 일 - SOCAR Tech Blog
• 실무 AI 프로젝트 - 분석보다 엔지니어링이 중요한 이유
• Analytics Engineer 란? (Feat. Modern Data Stack)
• Analytics Engineer 란? (Feat. Modern Data Stack)
• Coalesce 2022 New Orleans 후기 - Analytics Engineering 그리고 Modern DataStack
• How The Modern Data Stack Is Reshaping Data Engineering | Preset - Blog | Preset
• 온프레미스 데이터 플랫폼 팀의 데이터 엔지니어가 하는 일(feat. 11번가 데이터 플랫폼 2020년 회고) :: Kaden Sungbin Cho
• 쏘카 신입 데이터 엔지니어 디니의 4개월 회고 - SOCAR Tech Blog
• Data Product (1) 쏘카 고객은 무슨 목적으로 쏘카를 이용할까? - SOCAR Tech Blog
• Data Product (2) AI(데이터)로 실제 운영 효율화가 가능할까? - SOCAR Tech Blog
• 데이터 엔지니어란 무엇일까? - Nephtyw’S Programming Stash
  • 데이터 엔지니어란 무엇인가? | GeekNews
• 데이터분석가 vs 데이터엔지니어 vs 데이터과학자 차이가 뭘까? (1) 역할과 정의
• 데이터분석가 vs 데이터엔지니어 vs 데이터과학자 차이가 뭘까? (2) 필요 역량, 기술
• 데이터분석가 vs 데이터엔지니어 vs 데이터과학자 차이가 뭘까? (3) 연봉과 보상
• Roadmap to Data Engineering in 2022. | by Chetan Dekate | Mar, 2022 | Medium
• There’s No Such Thing as a Data Scientist
• 데이터 사이언티스트가 되기 위해 필요한 기술,이 문장만 보면 다 알 수 있다
• 새로운 데이터 분석가와의 랑데부를 위하여(2) SQL 중요성 강조
• 따라 하는 데이터 과학 – 강의 PPT
• datasciencetech.institute
• mindscale.kr
• How to actually learn data science
• Skills You Need for that Data Science Job
• 데이터과학 자료모음
• A curated list of data science blogs
• Data Science Courses
• Faster Data Science Education Kaggle
• Pascal Poupart's Homepage
• dataquest.io
• Linear Algebra for Data Scientists
• Reading Between the Lines: How We Make Sense of Users’ Searches
• Research papers that changed the world of Big Data
• Paper Search using ScopusAPI | Pega Devlog
• Data Analysis (1): Neuroimaging Data loading using SPM8 toolbox
• 당신이 알고 있는 좋은 데이터 분석 슬라이드가 있나요?
• The last-mile problem: How data science and behavioral science can work together
• The democratization of predictive analytics
• Tracking Economic Development with Open Data and Predictive Algorithms
• Predictive maintenance
• Data Science for Startups: Predictive Modeling
• 공공데이터를 연결하라…‘LOD’
• GE산업인터넷 플랫폼, 프레딕스™(Predix™)에 대해 알아야 할 모든 것
• articles
• 트위터로 들여다보는 빅데이터 분석
• 버즈피드의 교훈: 분산 미디어와 데이터 분석
• 실리콘 밸리 데이터 사이언티스트의 하루
• “데이터의 잡음 속 숨겨진 진실을 찾아라”
• Data Science From Scratch: First Principles with Python
• Three Things About Data Science You Won't Find In the Books
• Weekly Digest, January 8
• Weekly Digest, June 15
• Grepping logs is terrible
• Grepping logs is still terrible
• Why Topological Data Analysis Works
• Topological Data Analysis (TDA) is a cool thing that data scientists should know
• HyperLogSandwich
• Pipelining - A Successful Data Processing Model
• NASA'S DATA PORTAL
• 신선한 데이터를 냉장고에서 꺼내기
• Algorithm reduces size of data sets while preserving their mathematical properties
• A BEGINNER'S GUIDE TO DATA ANALYSIS WITH UNIX UTILITIES
• Enterprise Data Analysis and Visualization: An Interview Study
• Why Interactive Data Visualization Matters for Data Science in Python | PyData Global 2021 - YouTube
• Prologue to Data Science
• Data Science in Clojure at Yieldbot
• Mining the Web to Predict Future Events
• Using Data Science to Measure a Musical Revolution
• Data Science Career Alert - June 12
• Comparing Python and R for Data Science
• Data Science for Startups: R -> Python
• Introducing ShArc: Shot Arc Analysis
• Inside Data@Scale 2015
  • Dato
• DataLake
  • A Data Lake Architecture With Hadoop and Open Source Search Engines
  • 데이터 관리 패러다임 바꾼 ‘데이터 레이크’ (1) - 데이터넷
  • 데이터 관리 패러다임 바꾼 ‘데이터 레이크’ (2) - 데이터넷
  • 데이터 관리 패러다임 바꾼 ‘데이터 레이크’ (3) - 데이터넷
  • 빅데이터 분석 위한 대규모 확장형 스토리지··· ‘데이터 레이크’ A to Z - CIO Korea
• Data Lake with Serverless | 월요일 오후 9시
• Data Warehouse vs. Data Mart vs. Data Lake | by Christianlauer | Jul, 2022 | Medium
• 기획특집 ‘창고’와 ‘호수’를 넘어서는 데이터 레이크하우스 lakehouse
• ‘일관성·유연성’ 덕에 각광… 데이터 레이크하우스 활용 사례 - CIO Korea
• Data Lake vs. Data Lakehouse | 01
• What is a Data Fabric?. How to realize modern Data Management | by Christianlauer | Aug, 2022 | Medium
• Data Warehouse vs. Data Lake vs. Data Fabric | by Christianlauer | Nov, 2022 | Medium
• Data Maven
• Data Catalog, 데이터경험의 심리학 법칙. https://us.semantix.ai/ | by reckoner | Nov, 2022 | Medium
• ryd.io - A data science exploration of the NYC Taxi data set via clustering and time-series analysis
• 프레임드, 예측 분석 기술 클라우드 서비스로 출시
• 11 Facts about Data Science that you must know
• The Data Science Workflow
• Eric Ma - Principled Data Science Workflows | PyData Boston July Virtual Meetup - YouTube
• 퇴물개발자가 생각하는 빅데이터 기술
• Predicting winners of the Rugby World Cup
• Building Analytics at 500px
• 2015 Data Science Salary Survey / 2015 데이터과학 소득 조사
• 데이터과학자들의 실험실, 넘버웍스
• 50 years of Data Science
• 기획자·마케터가 알아둘 데이터과학 원칙 6가지
• 우리 식당 김사장이 데이터 과학자가 된 사연은?
• 데이터 과학자에서 AI 연구자로 들어서며…
• e커머스 데이터 파헤치기-6편
• 데이터와 관련하여 기업들이 공개한 기술은 어떤게 있을까?
• The Automatic Statistician - An artificial intelligence for data science
• 좋다는 건 알겠는데 좀 써보고 싶소. 데이터! - 넘버웍스 하용호 대표
• ‘데이터’를 똑똑하게 만드는 오픈소스 기술 12종
• Google Data Studio (beta) provides everything you need to turn your data into beautiful, informative reports that are easy to read, easy to share, and fully customizable
  • How to create a Ethereum DeFi realtime dashboard | Towards Data Science
• 쉽게 이해하는 모바일 데이타 분석
• 데이터 사이언티스트로 성장하기
• Data School
• github.com/collections/open-journalism
• data.fivethirtyeight.com
  • github.com/fivethirtyeight/data
  • A User’s Guide To FiveThirtyEight’s 2016 General Election Forecast
• 어떻게 하면 싱싱한 데이터를 모형에 바로 적용할 수 있을까? – Bayesian Online Leaning
• 데이터 과학 여름 학교 2016
• 데이터에 현혹되지 않고, 데이터를 잘 활용할수 있는 14가지 룰
• Demystifying Different Roles in Data Team
• Why Data Science Teams Need Generalists, Not Specialists 스페셜리스트가 아닌 제너럴리스트도 필요하다
• Causal Data Science
• Announcing the general availability of the Microsoft Excel API to expand the power of Office 365
• 16 analytic disciplines compared to data science
• 글로벌 사례로 보는 데이터로 돈 버는 법 - 트레저데이터 (Treasure Data)
• 데이터 전처리에 대한 모든 것
• 데이터 사이언스 스쿨 - Python 데이터 핸들링과 시각화 라이브러리 실무
• 데이터 과학을 공부하는 이유
• 데이터는 차트가 아니라 돈이 되어야 한다
• Practical Data Science at Honestbee - DataScienceSG
• 빅데이터의 대중화
• 이론의 종말: 데이터 홍수가 과학적 연구방법을 구닥다리로 만든다
• 이메일로 분석해 보는 나의 3년
• E-Mail 데이터 곱씹어보기
• 스터디뽀개기.zip
  • GNMT로 알아보는 신경망 기반 기계번역 / 구글 신경망 기계번역 시스템 리뷰
  • Spark + R / spark + R 기본 사용법, 특징과 장단점 소개
  • Spark를 이용한 분산 컴퓨팅 / 분산환경에서 머신러닝을 운용하기 위한 기반으로 Spark와 클라우드를 활용하는 법
  • 강화학습을 활용한 대화형 시스템 / 대화형 시스템을 구성하기 위해 강화학습을 이용하는 방법 리뷰
• How to Make Your Database 200x Faster Without Having to Pay More?
  • 데이터 분석에 있어 정확한 수치가 필요한 것이 아니라 데이터의 추이 또는 비율 등을 분석하는 경우에는 전체 데이터가 아닌 샘플링을 하는 방식을 이용할 수 있다는 내용
  • Presto, BlinkDB / G-OLA, SnappyData 등과 같은 샘플링 방식을 지원하는 데이터 처리 솔루션에 대해서도 간단하게 소개
• 3 methods to deal with outliers
• Visual Information Theory
• 가장 위대한 데이터 분석가
• Tutorial 1: Protein - DNA interaction
• A survey on predicting the popularity of web content
• Data analysis in excel
• Common Probability Distributions: The Data Scientist’s Crib Sheet
• dataplatforms.com
• 빅데이터 파라독스 표본수가 클수록 정확할 거 같지만, 선택편향이 있는 경우 실제 정확도는 400명의 확률표본으로 조사한 것과 마찬가지
• How to Start a Data Science Project in Python
  • 데이터 분석을 위한 기본적인 Python 환경 설정 방법
  • Anaconda의 Conda를 활용해 분리된 환경 설정
  • 하나의 Python 데이터 분석 프로젝트의 디렉토리를 구성하는 방법
• 50 Best Data Science Project Ideas You Must Know in 2022
• Ian Ozsvald - Data Science Project Patterns that Work | PyData Global 2022 - YouTube
• Why Most Data Projects Fail & How to Avoid It • Jesse Anderson • GOTO 2023 - YouTube
• 이야기 12. 당신은 데이터 문맹(Data Illiterate) 인가?
• Q&A with leading Data Scientists
• 수많은 데이터 사이언티스트들이 직장을 떠나는 이유는 무엇인가?
• Forrester vs Gartner on Data Science Platforms and Machine Learning Solutions
• sooyongshin.wordpress.com
  • Healthcare Data? Data! Data!! (0) – 왜 데이터 이야기를 하나
• Data Science Ontology
• Automated Machine Learning — A Paradigm Shift That Accelerates Data Scientist Productivity @ Airbnb
• A list of artificial intelligence tools you can use today — for personal use (1/3)
• Data Science Bowl 2017, Predicting Lung Cancer: Solution Write-up, Team Deep Breath
• Strata Data Conference
• Data Science Resources : Cheat Sheets
• Data Science Cheatsheets
• Top 28 Cheat Sheets for Machine Learning, Data Science, Probability, SQL & Big Data
• ds-cheatsheets: List of Data Science Cheatsheets to rule the world
• Getting started: the 3 stages of data infrastructure
• EVERYTHING A DATA SCIENTIST SHOULD KNOW ABOUT DATA MANAGEMENT
• Back To The Future: Data Engineering Trends 2020 & Beyond - Data Engineering Weekly Data Infrastructure, Data Architecture, Data Management를 주제로 여러가지 좋은 글 link 모음
• Silent data corruption: Mitigating effects at scale - Facebook Engineering
• Roadmap: Data Infrastructure · Bessemer Venture Partners
• The Guide to Modern Data Architecture | Future
• 데이터를 얻으려는 노오오력
• #2.5. Intra/Inter-Class Variability 데이터의 '질'이란?
• Analyzing GitHub, how developers change programming languages over time
• Regression 모델 평가 방법
  • opendataminer object mapper
• 7 Techniques to Handle Imbalanced Data
• 초급자를 위한 데이터 과학 비디오 1: 데이터 과학으로 답변할 수 있는 5가지 질문
• Brunch Magzine List about Data Science
• 오픈 글로벌 데이터세트를 탐구하고 시각화하는 과정에 대해 확인해 보세요
• 빅데이터 : 샘플 양의 힘 (quantity over quality)
• 데이터야놀자2107 강남 출근길에 판교/정자역에 내릴 사람 예측하기
• How to Set Up Data Science?
• FIAN Research
  • blog.naver.com/tortellini
• A Reference Stack for Modern Data Science
• Comprehensive Repository of Data Science and ML Resources
• Top 10 Popular GitHub Repositories to learn about Data Science
• If you’re a developer transitioning into data science, here are your best resources
• How to Handle Missing Data
• Missing Data Handling |How to Deal with Missing Data using Python
• 5 Amazing Improvement Big Data Can Bring to Retail
• Notes On Using Data Science & Artificial Intelligence To Fight For Something That Matters
• Five Misconceptions about Data Science - Knowing What You Don't Know
• Data Preprocessing For Non-Techies: Basic Terms and Definitions
• What Getting A Job In Data Science Might Look Like
• Data Science. Intro
• Weekly Selection — Mar 2, 2018
• Big Data Engineering VS Data Warehousing
• 데이터 웨어하우스(Data Warehouse)와 데이터 레이크(Data Lake)의 차이
• Free Data Engineering Course for Beginners - #1 EXTRACT - YouTube
• How ‘Big’ should be your Data?
• Self Driven Data Science — Issue #40
• How I automated my job search by building a web crawler from scratch
• 다양한 사람들의 데이터 사이언스 이야기 후기
• 10 Modern Data Trends
• Test-Driven Data Analysis - Nick Radcliffe
• Ways I Use Testing as a Data Scientist | Peter Baumgartner
• Data Science for Startups: R -> Python
• 데이터 사이언스(Data Science) 프로세스 정리
• 데이터 저널리즘, 오픈 데이터를 넘어 코드 공개로
• The Data Science of K-Pop: Understanding BTS through data and A.I.
• Should data scientists learn JavaScript?
• Data Science with Watson Analytics
• 데이콘 주최 1회 펀다 상점매출 예측 대회 우승자 코드
• Dacon_KBO스카우팅챌린지 조용건 영상1 코드설명
• Mission 13. 2019 Jeju BigData Competition - 퇴근시간 버스승차인원 예측
• Mission 11. 에너지 빅데이터 활용 데이터 사이언스·아이디어 콘테스트
• 데이터 사이언스 Meetup
• The penalty of missing values in Data Science
• Machine Learning and Data Science Applications in Industry 다양한 분야의 적용 예
• 4 Pillars of Analytics Data acquisition, processing, surfacing and actioning are key to an effective analytics initiative
• Data Science for Startups: Tracking Data
• TF에서 팀 빌딩까지 9개월의 기록 : 성장하는 조직을 만드는 여정
  • I want to study Data Science Wiki
• Organizing and scaling an effective data team
• 빅데이터 조직과 시스템
• Generating and visualizing alpha with Vectorspace AI datasets and Canvas
• 쿠팡 데이터 플랫폼의 진화
• 데이터 플랫폼 구현 사례
• When your data doesn’t fit in memory: the basic techniques
• Top 5 must-have Data Science skills for 2020
• 순차 패턴 마이닝을 활용한 EHR 분석 – 1편
• 순차 패턴 마이닝을 활용한 EHR 분석 – 2편
• 데이터사이언스 취업 전에 꼭 고민하면 좋을 내용 공개!
• 다시 찾아간 지표의 세계 vanity metrics, actionable metrics
• 3 Design Principles for Engineering Data
• 데이터분석가로서 업무 과정과 경험, 배움을 공유합니다 - 우아한형제들 기술 블로그
• 제로베이스 데이터 사이언스 스쿨 | 직무 인터뷰 ③ 현직 네이버 계열사 데이터 분석가가 말하는 ‘데이터 분석가의 일’ | zero-base
• 컬리에서 데이터 분석가로 일한다는 것 - 컬리 기술 블로그 요구사항에 대한 이야기가 인상적, 맘에 듦
• Becoming A Data Analyst: Step by Step Guide - YouTube
• 데이터분석가의 분석포트폴리오만들기 · Present
• interview 아이디어스팀이 데이터로 일하는 방법. 아이디어스팀의 데이터 기반으로 일하는 문화를 함께 만들어가고 있는… | by Saeyeon Park | idus-Tech | Mar, 2022 | Medium
• IT 회사에서 데이터 직군은 데이터를 어떻게 관리할까?
• Data Science Life Cycle 101 for Dummies like Me | by Sangeet Moy Das | Towards Data Science
• 입력 데이터를 정규화 하는 이유 : 네이버 블로그
• Quantified Self Part 6 - 생산적인 하루에 대한 정량적인 표현과 4년간의 데이터 이야기 - HumanBrain
• Almost Everything You Need To Know on Data Discovery Platforms
• What Is Data Engineering and Is It Right for You? – Real Python realpython post지만 python이 아니라 general한 글
• Data Experience Report 모음
• The Top 5 Data Trends for CDOs to Watch Out for in 2021 | by Prukalpa | Jan, 2021 | Towards Data Science
  • 2021년 5가지 데이터 트렌드 | GeekNews
• 9 Distance Measures in Data Science | Towards Data Science
• The Future of Data Engineering
• 🗃개발에 필요한 데이터 구하기 #fetch - YouTube
• 좋은 분석환경은 공짜가 아니다
• Causal design patterns for data analysts | Emily Riederer
• Design patterns every data engineer should know | by Raj Samuel | Jan, 2022 | Medium
• 1부: 스타벅스 DT 소셜 데이터를 이용한 감성분석 – SPH
• 머신러닝 비지도학습으로 찾은 최적의 스타벅스 DT, TOP 4 ! – SPH
• 머신러닝 지도학습을 통해서 꼽아본 최적의 스타벅스 DT 장소!? – SPH
• ‘데이터 랭글링’ 및 ‘탐구 데이터 분석’ 따라잡기 - CIO Korea
• 글로벌 칼럼 | 데이터 랭글링을 비하해선 안 되는 이유 - ITWorld Korea
• 칼럼ㅣ결코 하찮지 않다!··· '데이터 랭글링' 작업이 가치 있는 이유 - CIO Korea
• 데이터 처리 플랫폼 : 네이버 블로그
• 김진철의 How-to-Big Data | How-to-Big Data 핵심 정리(Key Takeaways) (1) - CIO Korea
• 세미나 후기 Wanted Con. Data 요즘 데이터 팀은 어떻게 일할까?
• How to structure a data team to climb the pyramid of Data Science | Airbyte
• 게임 속 시장을 들여다보기 위한 단 하나의 지표
• Why and how should you learn “Productive Data Science”? - KDnuggets
• The Quick and Dirty Guide to Building Your Data Platform | by Barr Moses | Jul, 2021 | Towards Data Science
• 데이터 플랫폼 2022: 페타바이트 규모의 글로벌 확장. 쿠팡 데이터 플랫폼의 데이터 인제스천(Ingestion), 머신 러닝… | by 쿠팡 엔지니어링 | Coupang Engineering Blog | Medium
• 데이터 플랫폼 2022: 데이터를 비즈니스 인사이트로 전환하기 | 쿠팡 엔지니어링 | Coupang Engineering Blog
• Big Data World, Part 1: Definitions | JetBrains News
• 빅데이터의 세계, 2부: 직무 | JetBrains News
• 빅데이터의 세계, 3부: 데이터 파이프라인 구축 | JetBrains News
• 빅데이터의 세계, 4부: 아키텍처 | JetBrains News
• Building a Scalable Data Science Pipeline at REA • Justin Hamman & Jack Low • YOW! 2019 - YouTube
• Big Data World, Part 5: CAP Theorem | JetBrains News
• 현대 신경과학은 과연 동키콩을 이해할 수 있는가 (2016) | GeekNews 기술적으로 관련이 있는 건 없지만 시사점이 있음
• Why MapReduce is making a comeback — Estuary
• 오늘의집 데이터 마케팅 활용법 : 유입 기여 분석 시스템 - 오늘의집 블로그
• 양질의 데이터를 판별하는 5가지 방법 : 데이터 양은 충분한가? | 요즘IT
• Log-based Change Data Capture — lessons learnt | by Andreas Buckenhofer | Daimler TSS Tech | Medium Debezium, DynamoDB Streams, VoltDB
• 데이터 분석에 필수적인 5 가지 마인드
• 업무 지식도 모르면 데이터 분석을 할 수 없다！
• 업무 지식도 모르면 데이터 분석을 할 수 없다! 2
• 업무 지식도 모르면 데이터 분석을 할 수 없다! 3
• 업무 지식도 모르면 데이터 분석을 할 수 없다! 4
• 글로벌 칼럼 | ‘머신러닝은 만능이 아니다’ ML 대신 SQL 쿼리를 써야하는 이유 - ITWorld Korea
• 칼럼ㅣ머신러닝의 첫 번째 규칙은 ML 없이 시작하는 것이다 - CIO Korea
• 모델만 잘 만들면 끝?··· 데이터 과학을 위한 ‘CI/CD’가 필요하다  - CIO Korea
• Five Predictions for the Future of the Modern Data Stack | by Jordan Volz | Medium
• Modern Data Stack for Startups. “Use the right tool for the job!” | by cyber-venom003 | Nybles | Medium
• Data Engineering: Major Technologies To Learn In 2022 | by Chandan Kumar | Jan, 2022 | Medium
• The Future of Data Engineering
• Roadmap to a Successful Data Engineer - Rock the JVM Blog
• 카우레터 B컷 중대재해 데이터를 공개합니다 - alookso
• Foundational Infrastructure to Create a Successful Data Science Team | PyData Global 2021 - YouTube
• Bridging Data and Business - Sylvia Lee | PyData Global 2021 - YouTube
• 2021년 가트너 Data Science hype graph에 등장한 용어들 – Cojette (꼬젯) – 잡덕 잉여 데이터 분석가의 이것저것 기술적인 이야기는 아니지만 봐둘만함
• The Importance of Ratios & KPIs in Data Science | by Christianlauer | CodeX | Feb, 2022 | Medium
• 데이터 실험에서의 실험자 편향 – Cojette (꼬젯) – 잡덕 잉여 데이터 분석가의 이것저것
• SEF2021 빅데이터가 도대체 무엇? 빅데이터 분석가는 또 무엇? - YouTube
• 브런치북 온라인서비스를 위한 데이터사이언스
• 7 Must-Know Data Buzzwords in 2022 | by Coco Li | Kyligence | Jan, 2022 | Medium
• Data Management Trends You Need to Know - Gradient Flow
• What is Data as a Service?. How the new Paradigm will make your… | by Christianlauer | Apr, 2022 | Medium
• 데이터 분석가 대디가 유소년 축구 플렉스하기
• Week 1 - What is advanced data science anyway?
• 데이터 분석에 필요한 자질은 뭘까? | Popit
• 데이터 스토리텔링 연습! Day3
• Data Is An Art, Not Just A Science—And Storytelling Is The Key — Data Science & Engineering (2022)
• There's no such thing as data — Benedict Evans
• 카카오페이 유저 프로파일링, 페이프로파일 | Kakao Pay Tech
• Data Versioning for Modern Data Teams and Platforms | by Christianlauer | CodeX | Jul, 2022 | Medium
• 데이터에 신뢰성과 재사용성까지, Analytics Engineering with dbt - SOCAR Tech Blog data build tool
• Typical Problems and Challenges in Data Science | by Christianlauer | CodeX | Aug, 2022 | Medium
• DataFest Seoul 발표자료
• 2022 카카오 채용연계형 겨울 인턴십 for Tech Developers을 진행합니다! – tech.kakao.com
• 빅데이터로 살펴본 '택시대란' : (1) 수요편
• 빅데이터로 살펴본 '택시대란' : (2) 공급편
• 빅데이터로 살펴본 '택시대란' : (3) 종합편
• 컬리는 물류 최적화 문제를 어떻게 풀고 있을까? - 1부 - 컬리 기술 블로그
• 컬리는 물류 최적화 문제를 어떻게 풀고 있을까? - 2부 - 컬리 기술 블로그
• 60. 데이터사이언스 원-포인트레슨
• Elena Dyachkova on Twitter: "Data folks, thoughts on this title overlap illustration? https://t.co/xe41a4JZJz" / Twitter 각 역할이 어떻게 겹치는지 diagram으로 표현
• Python vs. SQL in Data Science | 01
• 공학적 관점으로 데이터 분석 프로세스 만들기. 당근마켓 데이터 분석 프로세스 개선기 | by Theo | 당근마켓 테크 블로그 | Apr, 2023 | Medium
• 하나금융경영연구소
• DMOps(Data Management Operation and Recipes), 현업에서 데이터 구축하기 — Upstage
• 데이터로 콘텐츠 제대로 다루기. 오늘은 콘텐츠 스쿼드의 일원으로서 풀고 있는 29CM 콘텐츠 데이터… | by 김동욱 | 29CM TEAM | May, 2023 | Medium
• Uplift Modeling. Maximizing the incremental return of… | by Barış Karaman | Towards Data Science
• 100+ 팀원의 의사결정에 영향을 주는 Data Scientist, Decision | by matthew l | 당근마켓 테크 블로그 | Jul, 2023 | Medium test 관련 좋은 글
• Practical advice for analysis of large, complex data sets
  • 복잡한 대규모 데이터 세트의 분석에 대한 실무 조언. Patrick Riley의 Practical advice for… | by Jonas Kim | Medium
• Vin Vashishta on LinkedIn: #data #analytics #datascience #consulting | 698 comments data에 대한 재미있는 사진
• 공통 데이터 언어 구축 기반 ‘시맨틱 레이어’ < 비즈니스 인사이트 < IT·산업 < 뉴스 < 기사본문 - 지티티코리아
• 예측 모델 마크업 언어 ‘PMML’...기업 데이터 활용 최대화 < 비즈니스 인사이트 < IT·산업 < 뉴스 < 기사본문 - 지티티코리아
• 마이데이터 플랫폼의 대용량 데이터 처리 개선! 구경 한번 해볼래? | 카카오페이 기술 블로그

Book

• 시스템 트레이딩을 위한 데이터 사이언스 (파이썬 활용편)
• 밑바닥부터 시작하는 데이터 과학
  • 밑바닥부터 시작하는 데이터 사이언스
  • 밑바닥부터 시작하는 데이터 과학 ch.03 데이터 시각화
• 더북(TheBook): 모두의 데이터 과학 with 파이썬 3~5장만
• 더북(TheBook): 모두의 데이터 분석 with 파이썬
• 추천 시스템 | 에이콘출판사
• 파이썬을 활용한 데이터/AI 분석 사례 건강보험심사평가원에서 만든 "파이썬을 활용한 데이터/AI 분석 사례"
  • HIRA OAK Repository: 파이썬을 활용한 데이터·AI 분석 사례
• 12 Data Analytics Books for Beginners: A 2022 Reading List | Coursera
  • Coursera가 추천하는 초보자를 위한 데이터 분석 책들 : 2022 | GeekNews
• 27 free data mining books
• Foundations of Data Science
• The Data Science Handbook
• 16 Free Data Science Books
• Free Data Science Books
• 50+ Free Data Science Books
• 60+ Free Books on Big Data, Data Science, Data Mining, Machine Learning, Python, R, and more
• Welcome to the School of Data Handbook
• The Data Science Handbook
• The Data Analytics Handbook
• Reading for Growing Data Engineers — 2017
• Data Science at the Command Line
• List of Must – Read Free Data Science Books
• Learning Data Science: Our Favorite Data Science Books
• The Elements of Data Analytic Style
• Executive Data Science
• Data Analysis for the Life Sciences
• Data-Engineering-with-Python: Data Engineering with Python, published by Packt
• Statistical inference for data science
• Essays on Data Analysis
• Advanced Linear Models for Data Science
• Introduction to Data Science
• The Best Free Books for Learning Data Science
• The Data Engineering Cookbook
• Great Books for Data Science
• 브런치북 데이터 과학 미니북
• Efficient Python Tricks and Tools for Data Scientists — Effective Python for Data Scientists
• Free Book: Foundations of Data Science (from Microsoft Research Lab) - DataScienceCentral.com
• PDA_Book: Code Examples Data Science using Python
• Python for Data Analysis, 3E
  • 판다스 개발자가 직접 쓰고 공개한 파이썬 데이터 분석 3판

Conference

• David Aronchick - Revolutionizing the Big Data Age With Compute over Data | PyData Global 2022 - YouTube
• 데이터야놀자(2022) - 데이터로 토이 서비스만들기 · Present google sheets, telegram chatbot, pandas dataframe, airflow
  • chatbot-reviewrate-compare: 네이버/카카오/구글 맛집 평점을 비교해주는 챗봇입니다
• 데이터야놀자2021 데이터와 함께하는 똑똑한 중고 거래 - 삼데오백님 - YouTube
• 데이터야놀자2021 공공데이터를 활용한 서울시 공/사교육 분석 - 고동우(데이터드림)님 - YouTube
• Agile Data Science - John Sandall | PyData Global 2021 - YouTube
• 데이터로 트렌드 읽는 방법 | NHN FORWARD
• Taming the Data Mess, How Not to Be Overwhelmed by the Data Landscape - YouTube
• A Recap of the Data Engineering Open Forum at Netflix | by Netflix Technology Blog | Jun, 2024 | Netflix TechBlog
• SOCAR DATA MeetUp 2022 - YouTube
• Phillip Cloud & Gil Forsyth - Ibis: A fast, flexible, and portable tool for data analytics - YouTube

Course MOOC Lecture

• 수강료 500만원 데이터사이언스 스쿨 커리큘럼을 대체하는 온라인 무료강의 15개 커리큘럼
  • 통계학, 선형대수학, numpy, 검정 및 추정(확률론), machine learning, database, 데이터 시각화, 데이터 분석, deep learning
• 모두를 위한 데이터 사이언스 강좌소개 : 부스트코스
• Review: Udacity Data Analyst Nanodegree Program
• I Dropped Out of School to Create My Own Data Science Master’s — Here’s My Curriculum
• Learn Data Science in 3 Months
  • Learn_Data_Science_in_3_Months
• Our 25 Favorite Data Science Courses From Harvard To Udemy
• pubdata.tistory.com/category/Lecture_DataMining
• Nonnegative Matrix Factorization via Rank-One Downdate
  • 이 장에서는 새운 기법인 NMF(Non-negative Matrix Factorization) 을 소개
• 5 Bite-Sized Data Science Summaries
• 5 Online Data Science Courses You Can Finish in 1 Day | by Sara A. Metwalli | Aug, 2021 | Towards Data Science
• The online courses you must take to be a better Data Scientist | DataTau
• Data-Science-For-Beginners: 10 Weeks, 20 Lessons, Data Science for All!
• Dev Intro to Data Science - YouTube
• Practical Data Ethics | Data ethics
• Free Data Science for Beginners curriculum on GitHub - DEV Community
• Data Analytics Full Course 2022 | Data Analytics For Beginners | Data Analytics Course | Simplilearn - YouTube
• 5 Best Python Courses For Data Science Beginners in 2022 - Best of Lot
• Data Science Grandmaster Series - YouTube
• 12 Best+FREE Data Engineering Courses Online & Certifications- 2022
• 데이터 사이언스 스쿨 — 데이터 사이언스 스쿨

Data Cleaning

• The Simple Yet Practical Data Cleaning Codes To solve the common scenarios of messy data
• sampleclean - Data Cleaning With Algorithms, Machines, and People
• The Ultimate Guide to Data Cleaning

Data Cleaning Python

• Quick Guide: Steps To Perform Text Data Cleaning in Python
• Steps for effective text data cleaning (with case study using Python)
• The Art of Cleaning Your Data
• Cleaning and Tidying Data in Pandas || Daniel Chen

Data Mining

• Top 10 data mining algorithms in plain English
• Statistical Data Mining Tutorials
• Data Mining and Statistics: What's the Connection?
• Introduction to Data Mining
• Difference between classification and clustering in data mining?
• OPENDATAMINER - THE DATA MINING COMPANY THAT TURNS YOUR DATA INTO VALUES
• 데이터 전처리 - RomanticQ의 머신러닝
• 텍스트 마이닝 기법 - RomanticQ의 머신러닝
• 텍스트 마이닝 기법2 - RomanticQ의 머신러닝
• 텍스트 마이닝 기법3 - RomanticQ의 머신러닝
• knime.com
  • Principles of Guided Analytics
  • KNIMETV - YouTube
  • Michael Berthold on End-to-End Data Science Using KNIME Software

Library

• "가자, 데이터의 세계로" 무료 애널리틱스 툴 7선
• Comparison of top data science libraries for Python, R and Scala Infographic
• 10 Data Science Tools I Explored in 2018 - New Languages, Libraries, and Services
• 2018’s Top 7 Libraries and Packages for Data Science and AI: Python & R - This is a list of the best libraries and packages that changed our lives this year, compiled from my weekly digests
• The Five Best Frameworks for Data Scientists
• Learn Data Engineering: My Favorite Free Resources For Data Engineers
• Interactive Tools for ML, DL and Math
• Top 38 Python Libraries for Data Science, Data Visualization & Machine Learning - KDnuggets
• 10 Essential Tools Data Scientists Should Learn in 2022 | by javinpaul | Javarevisited | Jan, 2022 | Medium
• academictorrents.com
• Airbyte | Open-Source Data Integration Pipelines To Your Warehouses
  • Airbyte - 오픈소스 ELT | GeekNews
• Announcing FsLab: Data science package
• Beaker
• chatbot-reviewrate-compare: 네이버/카카오/구글 맛집 평점을 비교해주는 챗봇입니다
  • 데이터야놀자(2022) - 데이터로 토이 서비스만들기 · Present
• danfojs: Danfo.js is an open source, JavaScript library providing high performance, intuitive, and easy to use data structures for manipulating and processing structured data
  • Pandas를 자바스크립트에서! Danfo.js - YouTube
  • Danfo.js | 재미있는 기억만 남기자
  • Danfo.js에 관한 공부한 내용 정리
  • JavaScript에서도 pandas 같은 라이브러리를? Danfo.js를 소개합니다.
  • Introducing Danfo.js, a Pandas-like Library in JavaScript — The TensorFlow Blog
  • Danfo.js: A Pandas-like Library for JavaScript
• Dataflow Data pipeline asset management with Dataflow | by Netflix Technology Blog | Netflix TechBlog
• Datasette: An open source multi-tool for exploring and publishing data
  • Datasette - 개인용 데이터 웨어하우스 오픈소스 | GeekNews
• dataverse: The Universe of Data. All about data, data science, and data engineering
• datools a collection of Python-based tools for working with data in relational databases
  • Data diffs: Algorithms for explaining what changed in a dataset | N=1 (marcua’s blog)
• dbt - Transform data in your warehouse
  • dbt로 ELT 파이프라인 효율적으로 관리하기
• Decodable
  • Announcing General Availability of the Decodable Real-Time Data Platform - Decodable
• Digdag - a simple tool that helps you to build, run, schedule, and monitor complex pipelines of tasks Data Workflow Management Opensource Engine
• faker.js: generate massive amounts of realistic fake data in Node.js and the browser
  • How to generate mock data with faker.js | by Lucas Jellema | JavaScript In Plain English | Sep, 2020 | Medium
• GRID - Global Research Identifier Database Cataloging the world's research organisations
• HEARTCOUNT 모든 현업을 위한 데이터 분석 솔루션 :: 하트카운트 HEARTCOUNT
  • 홈쇼핑의 취소율 데이터 시계열 분석
  • 데이터에서 Signal(유의미한 차이)과 Noise(우연에 의한 차이) 분리하기
  • 매체별 광고비가 매출에 미치는 영향, 회귀분석
  • 데이터 분석 방법의 종류
  • Facet Plot, 다이아몬드 같은 시각화
• koheesio: Python framework for building efficient data pipelines. It promotes modularity and collaboration, enabling the creation of complex pipelines from simple, reusable components
  • Koheesio - Nike의 데이터 파이프라인 구축용 프레임워크 오픈소스 | GeekNews
• Metaflow - A framework for real-life data science
  • 데이터과학 프로젝트에서, 모델 개발 외적인 "인프라" 적인 요소를 관리하는 도구
  • Job 스케줄링, 플로우 요소별 버전 관리와 결과에 대한 Inspecting, 플로우 및 플로우 요소별 라이브러리 의존성 주입, Amazon S3에 대한 built-in 지원, 컴퓨팅 자원에 대한 손쉬운 스케일 인/아웃 등을 가능
  • 기본적으로 플로우는 그래프 형태로, 그 파이프라인의 연쇄성이 연결되어, 어떤 형태라도 플로우가 흘러가는 형상을 구상 가능
  • 모든 플로우의 목록은 싱글톤적인 객체에 의해서 관리
  • 일단 플로우가 생성되면, 원하는 어떤 환경(주피터 노트북, IDE등) 에서도 접근 가능
  • 추가적으로, 파일 (로컬 또는 S3) 및 실험에 사용되는 다양한 파라미터를 선언만 해두고, 값을 CLI로 프로그램 실행시 주입해주는것도 가능
  • 파라미터도 데이터 처럼 파일로 관리해서 버전관리가 가능
  • 라이브러리 형식으로 만들어졌지만, 요즘 추세처럼 annotation 형태로 기능 정의하는 방식 지원
  • 예를 들어, 플로우의 각 단계설정은 @step, 플로우 단위의 라이브러리 의존성 주입은 @conda_base, 플로우 요소별 { 라이브러리 의존성 주입은 @conda, 자원의 크기설정은 @resource, AWS 배치단위 자원 크기설정은 @batch, 단계 실패시 재시도여부 설정은 @retry} 등이 존재
  • 부가적으로, 플로우의 단계(요소)는 각각 버전이 컨트롤 되기 때문에, 각 단계별 결과를 조합해서 네임스페이스단위로 묶는것도 가능
  • 원하는 실험 단계의 결과를 조합해서 분석 가능 (tagging도 가능)
  • MetaFlow는 기본적으로, "first class support for various services on AWS" 인 라이브러리. Amazon S3에 배포하는 튜토리얼도 잘 작성
  • How Metaflow Became Netflix's Beloved Data Science Framework • Julie Amundson • YOW! 2022 - YouTube
• Mirador is a tool for visual exploration of complex datasets
• Mockaroo - Mockaroo lets you generate up to 1,000 rows of realistic test data in CSV, JSON, SQL, and Excel formats
• Mode - Analyze raw or modeled data with SQL, Python, or R without moving between different tools
• nf-data-explorer: The Data Explorer gives you fast, safe access to data stored in Cassandra, Dynomite, and Redis
  • Exploring Data @ Netflix. By Gim Mahasintunan on behalf of Data… | by Netflix Technology Blog | Jun, 2021 | Netflix TechBlog
• Piwik - Open Analytics Platform
• Psyberg
  • Psyberg: Automated end to end catch up | by Netflix Technology Blog | Nov, 2023 | Netflix TechBlog
  • Streamlining Membership Data Engineering at Netflix with Psyberg | by Netflix Technology Blog | Nov, 2023 | Netflix TechBlog | Netflix TechBlog
  • Diving Deeper into Psyberg: Stateless vs Stateful Data Processing | by Netflix Technology Blog | Nov, 2023 | Netflix TechBlog
• quary: Open-source BI for engineers
  • Quary - 엔지니어를 위한 오픈소스 BI | GeekNews
• Velox Hello from Velox | Velox
  • Introducing Velox: An open source unified execution engine
    • Meta에서 데이터 관리 시스템을 가속화하고 간소화하는 통합 실행 엔진 Velox를 오픈소스로 공개
    • presto, Spark, PyTorch 등 많은 발전이 있었지만 여러 시스템 간에 상호 작용해야 하는 어려움을 Meta 내에서 Velox로 해결하기 위해서 개발
• Weld: A common runtime for high performance data analytics
  • Numba와 비슷하게, Rust 기반 컴파일러를 이용해 Data 분석 스크립트의 속도를 최적화하여 빠르게 함
  • 내용에 따르면 특정 데이터 분석의 경우 속도 향상
  • Pandas, TensorFlow, Spark SQL등 결합 가능

Library data discovery

• 데이터 디스커버리 플랫폼 도입기 - 1편. 데이터 디스커버리란?(feat. Datahub VS Amundsen 비교 분석) - SOCAR Tech Blog
  • 쏘카의 데이터 디스커버리 플랫폼 도입기 | GeekNews
• 데이터 디스커버리 플랫폼 도입기 - 2편. GKE에 Datahub 구축하기 - SOCAR Tech Blog
• DDP를 말할 때 같이 고려해 볼 것들(1) – Cojette (꼬젯) – 잡덕 잉여 데이터 분석가의 이것저것
• DDP를 말할 때 같이 고려해 볼 것들(2) – Cojette (꼬젯) – 잡덕 잉여 데이터 분석가의 이것저것
• DDP를 말할 때 같이 고려해 볼 것들(3) – Cojette (꼬젯) – 잡덕 잉여 데이터 분석가의 이것저것
• amundsen Data discovery & metadata management (amundsen installation)
• datahub A Metadata Platform for the Modern Data Stack | DataHub
  • 뱅크샐러드 Data Discovery Platform의 시작 | 뱅크샐러드
• dbt - Transform data in your warehouse
  • Automating Propagations with DataHub and DataHub-Tools | by Ada Draginda | Mar, 2023 | DataHub
  • datahub-tools: simplify working with DataHub API endpoints

News

• The Best of Big Data: New Articles Published This Month (June 2017)

Public Data

• 19 Free Public Data Sets For Your First Data Science Project
• Fueling the Gold Rush: The Greatest Public Datasets for AI
• Awesome Public Datasets
• city of Chicago
• datalab.naver.com
• Open Data for Deep Learning
• Research data management simplified
• Welcome to Kaggle Datasets
• Creating a dataset using an API with Python
• Best Public Datasets for Machine Learning and Data Science

Python

• awesome-data-and-analytics-governance: 데이터 & 분석 거버넌스 제고를 위한 양질의 레퍼런스들을 수집하고 생각을 나눌 수 있습니다.
• Awesome Data Engineering Learning Path - Best resources, books, courses
• Awesome Data Science with Python
• awesome-ds-setting: Data science setting for a new machine
• github.com/PyDataKR/pydata.kr
• Hands-on Introduction to Spatial Data Analysis in Python
• Data Science for Losers
• Data Science for Losers, Part 2 – Addendum
• The Guide to Learning Python for Data Science
• dprl - 의사결정(DP) + 강화학습(RL) + 온라인광고(OA) + 파이썬웹(Pyweb)
• Infographic – Quick Guide to learn Python for Data Science
• PyDataSentry - Memory for Data Science
• Unisex names – Data Analysis Use Case
• A modern guide to getting started with Data Science and Python
• 빅데이터를 위한 파이썬(Python) 교육 내용 정리
• Python for Data Science - Python Brasil 11 (2015)
• Machine Learning in Python has never been easier
• python-data-analysis
  • Python으로 Big Data 분석하기
• Data Analysis with Python and Pandas
• Marco Bonzanini - Building Data Pipelines in Python
• Robson Junior - Mastering a data pipeline with Python: 6 years of learned lessons from mistakes - YouTube
• PyData Boston September 2023 session 1: Data sci done wrong: how & why data scientists make mistakes - YouTube
• Data manipulation primitives in R and Python
• How A Data Scientist Can Improve His Productivity
• Python으로 Big Data 분석하기
• Neuroimaging_Python 뉴로해킹 파이썬 파트 스터디 관련 자료를 저장
• python4mri - Introduction to Python for neuroimaging (MRI) analysis
• 차원 축소 (Principal Component Analysis)
• A Complete Tutorial on Ridge and Lasso Regression in Python
• Ridge와 Lasso Regression의 쉬운 풀이
• Intro to Linear Model Selection and Regularization Understand how to select the best linear model, and understand what lasso and ridge regression do
• How to Perform Lasso and Ridge Regression in Python
• Fast group lasso in Python
• Predicting Football Results With Statistical Modelling
• 12 Python Resources for Data Science
• 파이썬 코딩으로 말하는 데이터 분석
  • 1. 통계
  • 2. 베이즈 확률
  • 3. 군집화
  • 4. 연관 (Apriori 알고리즘)
  • 5. 데이터 다루기 (기본,척도조절,차원축소)
  • 6. 경사하강법
  • 7. 회귀분석 (최소제곱법,경사하강법)
  • 8. HMM 학습문제 (Baum-Welch 알고리즘)
  • 9. k-NN (최근접이웃,분류문제)
  • 10. DTW (Data time wrapping)
• The Python ecosystem for Data Science: A guided tour - Christian Staudt
• Analysing IPL Data to begin Data Analytics with Python
• Python for Data Science: 8 Concepts You May Have Forgotten
• 땀내를 줄이는 Data와 Feature 다루기
• Python Data Science Handbook
  • Python Data Science Handbook
  • Python Data Science Handbook.ipynb
  • Book: Python Data Science Handbook - DataScienceCentral.com
• 야구 대회 간단한 모델링 코드
• How to use Data Science to better understand your customers
• Aaron Richter: Your data fits in RAM: How to avoid cluster computing | PyData Miami 2019
• Data Science Toolkit (Concepts + Code) Jupyter, Numpy, Pandas, Plotly
• 10 Simple hacks to speed up your Data Analysis in Python
  • 1. Profiling the pandas dataframe dataframe 데이터를 보고서 형식으로
    • Pandas Profiling
  • 2. Bringing Interactivity to pandas plots
  • 3. A Dash of Magic
  • 4. Finding and Eliminating Errors
  • 5. Printing can be pretty too
  • 6. Making the Notes stand out.
  • 7. Printing all the outputs of a cell
  • 8. Running python scripts with the ‘i’ option.
  • 9. Commenting out code automatically
  • 10. To delete is human, to restore divine
• 영화진흥원 박스오피스 순위 분위
• Ondrej Kokes - High Performance Data Loss | PyData Fest Amsterdam 2020 - YouTube
• Data Science With Python | Python For Data Science | Data Science For Beginners | Simplilearn - YouTube
• python 데이터 분석 실습 코로나 19 2021 현재 시점 분석하기 1편
• 15 Python Snippets to Optimize your Data Science Pipeline - KDnuggets
• 5 ways for Data Scientists to Code Efficiently in Python
• Data scientist’s guide to efficient coding in Python | by Dr. Varshita Sher | Jul, 2021 | Towards Data Science
• Creating a Data Science Python Package Using Jupyter Notebook | by Abid Ali Awan | Jul, 2021 | Towards Data Science
• Why Python is best choice for Data Science? - DEV Community
• Python for Data Science - YouTube
• Analyzing Data with Python - YouTube
• 90+ Data Science Projects You Can Try with Python | Python in Plain English
• A Guide to Getting Datasets for Machine Learning in Python
• Refactoring A Data Science Project Part 1 - Abstraction and Composition - YouTube
• Refactoring A Data Science Project Part 2 - The Information Expert - YouTube
• Refactoring A Data Science Project Part 3 - Configuration Cleanup - YouTube
• Ian Ozsvald - Building Successful Data Science Projects | PyData London 2022 - YouTube
• 날씨마루 파이썬 날씨 데이터 분석 - YouTube
• Sebastiaan J. van Zelst: Process Mining in Python | PyData Eindhoven 2019
• Python Fundamentals For Data Engineering: Create your first ETL Pipeline - YouTube
• Python & Visual Studio Code - Revolutionizing the way you do data science - presented by Jeffrey Mew - YouTube
• Irina Klein - IMF Data Discovery and Collection | PyData Global 2022 - YouTube
• DEVOCEAN 메타분석 - 1. 데이터 탐색
• Nick Radcliffe - Test-Driven Data Analysis in Python | PyData London 2024 - YouTube
  • tdda-london-2024.pdf
  • VidiGo Nick Radcliffe - Test-Driven Data Analysis in Pyth
  • 닉 래드클리프 - 파이썬의 테스트 중심 데이터 분석 | PyData London 2024 | 완벽한 영상요약, 릴리스에이아이 | Lilys AI
• 💻🤖 파이썬으로 쉽게 배우는 데이터 분석 - YouTube

Python Library

• Any aspiring data scientist should know these Python libraries
• Top 15 Python Libraries for Data Science in 2017
• Top 15 Python Libraries for Data Science in 2017
• Lesser Known Python Libraries for Data Science
• 10 Simple hacks to speed up your Data Analysis in Python 여러가지 분야(data, visualization등)의 library
• Python ETL Tools: Best 8 Options
• 데이터 과학을 위해 '더 개선된' 최신 필수 파이썬 툴 6가지 - ITWorld Korea
• Accelerator 단일 시스템에서 테라바이트 단위의 데이터를 고속 처리를 하도록 설계된 eBay에서 개발한 오프소스 프레임워크
  • accelerator-project_skeleton
  • Announcing the Accelerator
• Amphi | Python-based ETL
  • Amphi - 오픈소스 파이썬 ETL | GeekNews
• BlazingSQL(BSQL) GPU-accelerated SQL and Data Science - Rodrigo Aramburu - YouTube
• CC-hurricane-analysis-project: A simple project with several functions that organize and manipulate data about Category 5 Hurricanes
• dabl - the Data Analysis Baseline Library
  • Doing Hard Things with Less Data; and Dabl: AutoML with a human in the loop - YouTube
• dagster: A data orchestrator for machine learning, analytics, and ETL
  • Introducing Dagster. A open-source Python library for… | by Nick Schrock | Dagster | Medium
  • Dagster: The Data Orchestrator. As machine learning, analytics, and… | by Nick Schrock | Dagster | Aug, 2020 | Medium
  • Sandy Ryza - Data pipelines != workflows: orchestrating data with Dagster | PyData Global 2022 - YouTube
• datatable An Overview of Python’s Datatable package
• deep-daze: Simple command line tool for text to image generation using OpenAI's CLIP and Siren (Implicit neural representation network). Technique was originally created by https://twitter.com/advadnoun
• GOAI: Open GPU-Accelerated Data Analytics
• hamilton: A scalable general purpose micro-framework for defining dataflows. You can use it to build dataframes, numpy matrices, python objects, ML models, etc. Embed Hamilton anywhere python runs, e.g. spark, airflow, jupyter, fastapi, python scripts, etc
  • Elijah ben Izzy- Scalable Feature Engineering with Hamilton | PyData NYC 2022 - YouTube
  • Elijah ben Izzy & Stefan Krawczyk - Scalable Feature Engineering with Hamilton | PyData Global 2022 - YouTube
• Ibis: Scaling the Python Data Experience
• Kedro Tam-Sanh Nguyen - Writing and Scaling Collaborative Data Pipelines with Kedro - YouTube
• Lineapy
  • Thomas Frauholz: From notebook to pipeline in no time with LineaPy - YouTube
• Mandrova: Sensor Data Generator for Python3
• Mode - SQL, Python, & visualizations in one platform. Mode helps analysts and data scientists improve their workflow and share impactful analysis easily
• MKL Intel
  • Installing the Intel® Distribution for Python and Intel® Performance Libraries with pip and PyPI
• OpenRVDAS (Open Research Vessel Data Acquisition System) - a Python-based open source architecture intended to allow easy creation of customized data acquisition systems for research vessels and other scientific installations
• Prefect - The New Standard in Dataflow Automation - Prefect
  • PyData Triangle Meetup | Eleanor Hanna & Mary Clair Thompson - YouTube
• pylift: Uplift modeling and evaluation library. Actively maintained pypi version
  • Welcome to pylift’s documentation! — pylift 0.1.3 documentation
  • About Wayfair | Pylift: A Fast Python Package for Uplift Modeling
• Pytubes - a library that optimizes loading datasets into memory
  • Analysing 1.4 billion rows with python Using pytubes, numpy and matplotlib
• RAPIDS Open GPU Data Science | RAPIDS
  • Accelerating Data Science with RAPIDS - Keith Kraus
  • RAPIDS cuGraph
  • Fundamentals Of Accelerated Data Science With RAPIDS
  • Using GPUs for Data Science and Data Analytics
  • High Performance Python - Gus Cavanaugh | PyData Global 2021 - YouTube
• RoboSat - an end-to-end pipeline written in Python 3 for feature extraction from aerial and satellite imagery
  • PyParis 2018 - Robosat: an Open Source and efficient Semantic Segmentation...
• siuba: Python library for using dplyr like syntax with pandas and SQL
• slr - Simple linear regression with confidence intervals on parameters and prediction
• Snorkel: A System for Fast Training Data Creation
  • Introducing Snorkel
  • Hand in hand with weak supervision using snorkel - Szymon Wojciechowski
  • Weak Supervision: A New Programming Paradigm for Machine Learning
  • Introducing the New Snorkel
  • Snorkel is a fundamentally new interface to ML without hand-labeled training data
  • 게임의 부정 사용자를 탐지하는 방법, Snorkel을 활용해 라벨 보정하기
  • Snorkel을 이용한 직무 키워드 추출 - DRAMA&COMPANY
• Tuplex is a parallel big data processing framework that runs data science pipelines written in Python at the speed of compiled code. Tuplex has similar Python APIs to Apache Spark or Dask, but rather than invoking the Python interpreter, Tuplex generates optimized LLVM bytecode for the given pipeline and input data set
  • Tuplex - 병렬 빅데이터 처리 프레임워크 | GeekNews

Quality

• 데이터 품질에 관한 5개 체크포인트 전처리와 관계된 매우 실용적이고 중요한 부분에 대한 좋은 글
• Data Observability In Practice: Data Monitoring At Scale With SQL And Machine Learning - Monte Carlo Data
• Data Quality Automation at Twitter
• GX: a proactive, collaborative data quality platform • Great Expectations
  • 데이터 품질 이슈로 발생하는 data downtime을 줄이자

Recommendation

• 제1화 추천 시스템 이란.ppt
• 데이터마이닝 02-추천시스템 만들기
• Recommending items to more than a billion people
• Recommendation Engines for Email Marketing
• Seldon
• The Netflix Prize and Production Machine Learning Systems: An Insider Look
• Netflix algorithm: Prize Tribute Recommendation Algorithm in Python
• 넷플릭스는 어떻게 작동하는가
  • Artwork Personalization at Netflix
• The Next Step in Personalization: Dynamic Sizzles | by Netflix Technology Blog | Nov, 2023 | Netflix TechBlog
• 넷플릭스와 아마존
• Deep Dive into Netflix’s Recommender System | by David Chong | Towards Data Science
• Building confidence in a decision | by Netflix Technology Blog | Netflix TechBlog
• Experimentation is a major focus of Data Science across Netflix | by Netflix Technology Blog | Jan, 2022 | Netflix TechBlog
• Speech-Based, Natural Language Conversational Recommender Systems
• Using Graph Theory to Build a Simple Recommendation Engine in JavaScript
• 실시간 추천엔진 머신한대에 구겨넣기
  • '실시간 추천엔진 머신한대에 구겨넣기' 50줄로 구현하기
  • Tiny Elephant(English) In memory based collaborative filtering by python
• 추천 시스템의 기초 python RecSys
• MapReduce 기반 대용량 추천 알고리즘 개발
• 빅데이터와 NLP를 이용한 11번가 상품 추천
• Building NLP Content-Based Recommender Systems A tutorial for a NLP recommendation engine using unsupervised learning
  • job_analysis_content_recommendation.ipynb
• Powerpoint-Slides for Recommender Systems - An Introduction
• Content Based Anime Recommender! ipynb notebook
• 딥러닝 (Tensorflow) 을 이용한 추천시스템 개발
• Quick Guide to Build a Recommendation Engine in Python
• CatBoost - an open-source gradient boosting library with categorical features support
  • categorical feature 지원. ranking, recommendation
  • Industry's fastest inference implementation: Presenting to you the New version of CatBoost gradient boosting library
  • CatBoost vs. Light GBM vs. XGBoost
• Recommendation System Algorithms
• 인공지능추천시스템 airs 개발기 모델링과 시스템
• Spotify’s Discover Weekly: How machine learning finds your new music 노래 추천
• Introduction to Recommender System. Part 1 (Collaborative Filtering, Singular Value Decomposition)
  • Introduction to Recommender System Part 1 정리
• Introduction to Recommendation Systems
• Listing Embeddings for Similar Listing Recommendations and Real-time Personalization in Search
• SK ICT Tech Summit 2017 추천 플랫폼 콜로세오
  • SK ICT Tech Summit 2017 추천 플랫폼 콜로세오
• 눈으로 듣는 음악 추천 시스템 CF, CBF
• ML: Matchbox Recommender 추천 모델 적용 실패 사례
• How Cambridge Analytica’s Facebook targeting model really worked – according to the person who built it
  • 페이스북의 ‘좋아요’는 어떻게 프로파일링에 사용되었는가
• The Remarkable world of Recommender Systems 기초를 이해할 수 있는 글
• Recommendation Systems in the Real world
• 이상열, Interpretable Recommender System 개발 사례연구, NDC 2019
• 브런치 추천의 힘에 대한 6가지 기술(記述)
• 2 years of Developing Personalized Real-Time Recommendation Service Based on Machine Learning
• System Design for Recommendations and Search
  • 추천과 검색의 시스템 디자인을 두 축(Offline vs Online 환경 / Candidate Retrieval vs Ranking)으로 나누어 분석
    • 2 X 2에 Component들을 배치해보면 링크의 그림 같이 생각 가능
    • 저자는 Alibaba, Facebook, JD, Doordash에서 공유한 시스템 디자인 사례들을 이 프레임에 맞춰 분석
    • 프레임 제시 뿐만 아니라 중간중간에 train-test skew 문제, embedding model과 ANN을 같은 컨테이너에서 운영하는 이유, batch대신 real-time recommendation이 정말 필요한가 같은 엔지니어링 이슈를 다뤄서 좋음
  • 번역글 System Design for Recommendations and Search | You May Also Like
• Offline to Online: Feature Storage for Real-time Recommendation Systems with NVIDIA Merlin | NVIDIA Technical Blog
• 랭킹 시스템 평가 방법 (MRR, DCG)
• How Youtube is recommending your next video
• Using machine learning to predict what file you need next
• Using machine learning to predict what file you need next, Part 2
• Powered by AI: Instagram’s Explore recommender system
• Youtube 추천 시스템 분석
• Spotyfy가 당신을 알고 있다, 어떻게?
• LINE Timeline의 새로운 도전 1편 – 추천 컨텐츠 탐색을 위한 Discover와 새로운 구독 모델 Follow
• LINE Timeline의 새로운 도전 2편 - Discover 딜리버리 시스템 소개 - LINE ENGINEERING
• LINE Timeline의 새로운 도전 3편 - Discover 추천 모델 - LINE ENGINEERING
• 추천(Recommendation) 시스템 - 알고리즘 Trend 정리
• 추천시스템에 빠져들기
• 쿠팡 추천 시스템 2년간의 변천사 (상품추천에서 실시간 개인화로)
• 추천 시스템(Recommendation System) - 협업 필터링 (Collaborative filtering) 설명 (1)
• 카카오 AI추천 : 협업 필터링 모델 선택 시의 기준에 대하여 – tech.kakao.com
• 코드잇 머신 러닝을 통한 추천 시스템 추천 방법(내용 기반, 협업 필터링)
• 우리 동네 맛집 추천엔진 직접, 쉽게 만들기 (크롤링과 코사인 유사도) cosine similarity
• SaaS 추천 솔루션을 이용한 개인화 추천 :: GS Retail Engineering
• 추천시스템 맛집
• Learn About Recommender Systems With These 8 Resources
• ifkakao 추천 시스템: 맥락과 취향 사이 줄타기
• Simon Kim의 데이터 과학 - YouTube
• 쿠팡 추천 시스템 2년간의 변천사
• 추천 서비스와 아키텍처 1 -추천 서비스란 무엇인가. 이 글에서는 평소 무심코 지나쳤을 추천 서비스를 좀 더 이해할 수… | by Jongmin Lee | How we build MyRealTrip | Nov, 2020 | Medium
• 추천 서비스와 아키텍처 2 -추천 서비스 제공을 위한 아키텍처 | by Jongmin Lee | How we build MyRealTrip | Nov, 2020 | Medium
• 당신 취향의 맛집을 추천해드립니다 : 장소 개인화 추천 시스템의 비밀
• 추천시스템 평가는 어떻게 하면 좋을까?
• 번역글 REVEAL'20 Workshop Introduction | You May Also Like
• T아카데미 | 스마트 ICT 전문가 양성
• 1년차 주니어가 추천 시스템 현장에서 마주한 고민. 머신 러닝의 여러 분야 중 추천 시스템에 가장 큰 매력을 느꼈습니다… | by Zimin | WATCHA | Apr, 2021 | Medium
• 비용 효율적인 Click-Through Rate Prediction 모델로 하쿠나 라이브 추천시스템 구축하기 | Hyperconnect Tech Blog
• 카카오 AI추천 : 토픽 모델링과 MAB를 이용한 카카오 개인화 추천 – tech.kakao.com Multi Armed Bandit
• Advertiser Recommendation Systems at Pinterest | by Pinterest Engineering | Pinterest Engineering Blog | Jul, 2021 | Medium
• Recommender System KR
• Keynote 7: Moving Beyond Recommender Models - Even Oldridge (NVIDIA), Karl Byleen-Higley (NVIDIA) - YouTube
  • Candidate Retrieval + Ranking과 같이 2-stage로 이뤄진 추천 시스템이 많이 언급
    • 발표자는 실제로는 Filtering과 Ordering이라는 숨겨진 단계가 있기 때문에 4 stage가 필요하다고 주장
    • Filtering은 Candidate Retrieval 다음에 사용이 불가능한 아이템을 추가로 걸러내는 단계
    • Ordering은 Ranking 다음에 최종 리스트 순서를 결정할 때 순서를 조정하거나 아이템을 제외하는 단계
    • Explicit하게 적용되는 경우가 많고 모델이 학습하기 어렵거나/ 번거로운 비즈니스 로직을 적용하는 경우가 많아서 이전 단계와 구분지어 생각해야 한다고 주장
    • 인스타그램의 예시를 생각해보면 다른 유저를 차단하거나 알림을 끄는 경우 Filtering에서 차단한 유저의 게시글을 제외하는게 편함
    • 또한 한 유저의 글이 랭킹 점수가 비슷해 피드에 연달아 나온다면 유저 경험이 좋지 않기 때문에 순서를 다시 Ordering 할 필요 존재
• 유튜브는 내가 좋아할 다음 영상을 어떻게 추천해줄까? (알기 쉽게 설명한 구글 최신 논문) – techNeedle 테크니들
• Collaborative filtering doesn't work for us
• On YouTube’s recommendation system
• Spotify가 당신의 음악 다양성을 이해하는 방법 – 인사이트캠퍼스
• 카카오 AI추천 : 카카오의 콘텐츠 기반 필터링 (Content-based Filtering in Kakao) – tech.kakao.com
  • 카카오 웹툰에서 콘텐츠 기반 필터링으로 관련 있는 다른 콘텐츠를 추천하는 방법 설명
  • 콘텐츠의 유사도를 측정하기 위해서 아이템의 벡터를 만들기 위해 One-hot encoding과 Embedding
  • 표현할 데이터 범주의 영역이 넓거나 데이터가 복잡하다면 Embedding을 더 많이 사용
  • 콘텐츠 기반 필터링은 소비 이력이 없어도 아이템 정보만 있으면 추천할 수 있다는 장점이 있지만, 소비 이력 데이터가 충분하다면 협업 필터링보다 추천 성능이 밀린다고 함
• 카카오 AI추천 : 카카오 음악 추천을 경험해보고 싶다면? Melon Playlist Dataset (feats. Kakao Arena) – tech.kakao.com
• 객관화 되기 어려운 취향의 벡터화 : 네이버 블로그
• Recsperts - Recommender Systems Experts
• 컨텐츠 기반 필터링 구축기: MiniLM, ScaNN 그리고 TFServing - The Highlights - 라이너 팀 블로그
• Insider Tips for Building Personalized Recommender Systems - YouTube
• Autoencoders | Machine Learning for Recommender Systems - YouTube
• 신입 리서치 엔지니어의 개인화 콘텐츠 추천 모델 구현기. 안녕하십니까, TVING Data Engineer 팀의 Research… | by 주찬형 | tving.team | Mar, 2022 | Medium
• Bag-of-Tricks for Recommendation: Recency, Clustering 그리고 Item Shuffling - The Highlights - 라이너 팀 블로그
• Learning to Rank - DRAMA&COMPANY
• Survey 추천시스템 라이브러리 비교
• Real World Recommendation System - Part 1 - by Nikhil Garg
• Real World Recommendation Systems - Part 2 (Training Data Generation)
• ‘AI 추천 기술’을 선도하는 카카오 추천팀을 소개합니다. – tech.kakao.com
• Reinforcement Learning for Budget Constrained Recommendations | by Netflix Technology Blog | Aug, 2022 | Netflix TechBlog
• 추천 시스템: Bloom Filter for Filtering Layer
• Why do we need two-stage Recommender System?
• 현대적인 추천 시스템 구축을 위한 여정 - 허훈(LINER) I 모두콘 2022 - YouTube
• Twitter's Recommendation Algorithm
  • the-algorithm: Source code for Twitter's Recommendation Algorithm
  • Twitter가 자사의 추천 알고리즘을 오픈소스 공개
  • 트위터에서 For You 탭에 보여줄 트윗을 선정하는 알고리즘으로 후보 소스로 수억 개의 풀에서 1,500개의 트윗을 추출해서 보여주는데 트윗은 사용자가 팔로잉하고 있는 In-Network 소스와 팔로잉하고 있지 않은 Out-of-Network 소스 두 가지로 나누어서 50:50 비율로 선정
  • In-Network 소스에서는 두 사용자 간의 상호 참여 가능성을 예측하는 모델인 Real Graph를 통해 트윗의 순위를 결정
    • sig-alternate.pdf
  • Out-of-Network 소스에서는 팔로우하지 않음에도 관련성을 찾아야 하므로 두 가지 방법 사용
    • 소셜 그래프를 통해 내가 팔로잉하는 사람들과 비슷한 관심사를 가진 사람들을 통해 실시간 상호작용 그래프를 유지하는 그래프 처리 엔진인 GraphJet을 개발
      • p1281-sharma.pdf
    • 소셜 그래프보다 훨씬 큰 비중을 차지하는 임베딩 스페이스는 사용자의 관심사와 트윗의 관련도를 수치로 만들어서 145,000개의 커뮤니티를 3주마다 업데이트
    • 이렇게 순위가 정해진 트윗을 최종적으로 필터링 및 정제를 거친 후 사용자에게 보여주는데 이 파이프라인이 하루에 약 50억 번 실행되고 평균 1.5초 이내에 완료
  • 오픈 소스를 공개하면서 Elon Musk를 따로 처리하는 코드가 발견되어 논쟁거리가 되자 문제 되는 코드와 Git 히스토리를 정리해서 다시 업로드
  • 상남자 특) 트위터 소스코드 깃헙에 공개함 - YouTube
• TikTok for Text! 라이너 앱 Session-based Recommender 구축기 – The Highlights – 라이너 팀 블로그
• The TikTok recommender system
• 추천시스템 Cold Start 문제는 어떻게 해결할까?
• 토스ㅣSLASH 23 - 머신러닝으로 더 똑똑하게 증권 뉴스 제공하기 - YouTube
• Vinija's Notes • Recommendation Systems • Research Papers
• 거기 말고 이 호텔 어때? - 호텔 서비스 추천 시스템 도입기
• Tech Radio : 호텔 추천 서비스(FOR YOU) 편
• 개인화 추천 시스템 #1. Multi-Stage Recommender System - 오늘의집 블로그
• 클릭률 그리고 추천 시스템, 기술과 가치의 조화 - 모두의연구소 differential privacy, federated learning
  • 연합 학습을 이용한 LINE 스티커 추천 -한국어판- - YouTube
    • VidiGo | 비디고 - Analyze Video AI
      • 프레드 러닝 소개 및 기본 개념 설명
        • 라인의 키쿠치가 프레드 러닝 기술 도입에 대해 소개
        • 프레드 러닝이란 서버와 클라이언트가 협력하여 학습하는 기술
        • 서버 중심, 온 디바이스, 페더레이티드 러닝의 세 가지 주요 패턴 설명
      • 라인 스티커 추천 시스템 도입
        • 라인에서는 사용자 입력에 따라 적절한 스티커를 추천하는 기능 도입
        • 사용자가 아리가또와 같은 키워드를 입력하면 관련 스티커 추천
        • 이 기능은 다양한 언어로 태그된 수많은 스티커 중에서 선택 도움
      • 머신러닝을 활용한 스티커 추천 과정 상세 설명
        • 서버사이드에서 후보 스티커를 유저별로 추천하고 클라이언트는 리랭킹 처리
        • 유저와 아이템의 인베딩 벡터를 생성하여 유사도에 따른 추천 리스트 작성
        • 이 과정은 사용자의 다양한 입력에 대응하여 여러 추천 리스트를 생성 가능
      • 머신러닝 모델과 인퍼런스 처리
        • 서버에서 처리된 유저와 아이템의 임베딩이 머신러닝 모델의 입력으로 사용
        • 이 모델을 통해 유저에게 적합한 아이템을 스코어로 평가하여 후보 스티커 선정
        • 인퍼런스는 유저의 텍스트 입력에 따라 스티커를 제안하고, 학습은 축적된 데이터를 바탕으로 진행
      • 시스템 구성과 프라이버시 보호
        • 시스템은 크게 캔디데이트 제네레이션과 리랭킹 단계로 나뉘며, 서버와 클라이언트에서 각각 처리
        • 패더레이티드 러닝을 통해 대부분의 학습 처리가 클라이언트 쪽에서 이루어지며, 모델 통합은 서버에서 진행
        • 프라이버시 보호 기술인 차등 정보 보호가 적용되어 개인 정보 보호 강화
      • 성능 향상과 AB 테스트 결과
        • 머신러닝 도입으로 스티커 패키지 다운로드 수가 5.6% 향상되었다는 ab 테스트 결과 발표
        • 이는 사용자 경험 개선에 기여하며, 패더레이티드 러닝을 통한 개인화 추천의 성공 사례
        • 차등 정보 보호 기술을 적용하여 사용자 개인정보 보호도 동시에 달성
      • 스티커 추천 시스템의 개선과 협력
        • 스티커 추천을 위해 다운로드한 동작 분석
        • 머신러닝을 통한 개선 가능성을 탐색
        • 도쿄, 후쿠오카, 한국의 거점이 협력하여 다국어 지원 시스템을 개발
      • 서비스 확장과 개인정보 보호 기술 적용
        • 스티커 사용자를 대상으로 서비스 확장 목표를 설정
        • 개인정보 보호 기술의 정확한 적용과 운영을 목표
        • Ldp와 셔플링 기술 도입으로 개인정보 보호 강화 추구
      • Federated Learning 도입 계기와 발전 전망
        • Federated learning 도입 계기와 그에 따른 기대 효과를 설명
        • 프로젝트 참여 멤버 모집의 어려움과 해결 방안을 공유
        • 비동기적 시스템 운영과 모델 갱신 빈도에 대해 설명
    • note_04월10일10시34분{{lilys_init}} | 완벽한 영상요약, 릴리스에이아이 | Lilys AI
    • 연합 학습을 이용한 LINE 스티커 추천 -한국어판- | 완벽한 영상요약, 릴리스에이아이 | Lilys AI
      • 1.️ 라인 스티커 기술을 활용한 머신 러닝 소개
        • 서버에서 머신 러닝 모델 학습 후 클라이언트에 전달하여 학습 결과 처리
        • 패딩된 러닝에서 클라이언트 측에서 학습 처리로 모델 배포 및 결과 통합 처리
        • 서버 측 머신 러닝과 온 디바이스 머신 러닝의 장단점 및 활용 방식 소개
      • 2. 클라이언트 러닝과 스티커 추천의 동작 원리 설명
        • 클라이언트 러닝은 클라이언트 상의 데이터를 처리하고 학습에 활용하여 서버로 보내는 네트워크를 줄여 프라이버시 보호
        • 스티커 자동 추천을 통해 '아리가또'나 '안녕하세요'와 같은 태그로 스티커를 선택할 수 있으며, 의미적 라벨을 활용하여 추천
        • 입력한 글자는 의미적 라벨링을 통해 스티커 추천에 활용, 'ㄱㄷ'로 시작하면 '아리가또', 'ㄴ' 추가하면 '안녕하세요' 스티커 추천
      • 3. 라인의 크리에이터즈 마켓: 태그 기능과 언어 다양성
        • 라인의 크리에이터즈 마켓을 통해 스티커와 태그 연동 확인 가능
        • 다국어 태그를 수동 또는 이미지 분석을 통해 정의하며, 일본어 태그가 가장 다양함
        • 에스티커 프리미엄 서비스는 10백만 이상 스티커 패키지 중 사용자 선택 가능, 다운로드 불필요
        • 스티커 프리미엄은 자동 다운로드를 포함한 두 가지 종류의 스티커를 제공하며, 피보트 다운로드 시스템 활성화
      • 4. 유저별 스티커 추천 및 랭킹 처리
        • 서버사이드에서 캔디데이트 제네레이션을 통해 유저별 스티커 추천을 처리
        • 클라이언트 측에서는 유저당 후보 생성 및 랭킹을 담당하며, 유저 임베딩과 아이템 임베딩을 활용하여 추천 클러스터링을 실시
        • 이를 통해 유저의 취향을 고려한 스코어를 얻고, 적합한 스티커를 인퍼런스 처리하여 표시
        • 머신 러닝 모델을 다운로드하여 처리하며, 디바이스 사용자가 어플리케이션을 사용하지 않을 때도 작동
      • 5. 머신 러닝이 캔디 데이트 스티커 선택 및 성능 향상에 대한 비교
        • 퍼스트 스테이지에서는 캔디 데이트 스티커를 선택함에 있어 머신 러닝 활용, 인포렌스 트레이닝은 서버 측에서 모든 처리 담당
        • 세컨드 스테이지 리랭킹에서는 스탬프, 인플레이션 여부, 클릭 정보 활용하여 퍼스널라이제이션 실시, 추론 처리 클라이언트 측에서
        • 마지막으로 페더레이티드 러닝 기법을 사용하여 클라이언트 쪽에서 대부분의 학습 처리를 하고, 모델 통합은 서버에서 진행
        • 플랫폼으로서 개발된 스티커 프리미어러는 애플리케이션 및 서비스에서 활용하도록 조치
          • 플랫폼 개발 시 중요한 요건은 애플리케이션 학습 및 개인정보 보호 기능의 공통화
      • 6. 시스템 구성 설명 및 구분, 구체적인 처리 과정
        • 시스템 구성 설명을 통해 수업 비즈니스 구현 및 머신러닝 처리를 서버와 클라이언트로 나누어 설명
        • 클라이언트 측에서 리랭킹 처리를 애플리케이션과 플랫폼을 통해 분담 설명
          • 사용자 입력에 따른 예측 요청과 처리과정, 클릭 정보의 처리 방법 설명
        • 데이터 전송, 정리 및 학습 시기 등의 처리과정에 대해 어플리케이션 측과 플랫폼 측 역할을 나누어 설명
      • 7. 로그 학습 및 플랫폼 지원 기능 소개
        • 로그가 클라이언트 애플리케이션 측에서 플랫폼 측으로 전송되고, 학습 및 모델 갱신
        • 플랫폼이 지원하는 기능으로 ABTS 도입, user embedding과 모델 정확성 유지를 위한 기능이 필요하다고 소개
        • 또한, 클라이언트 학습, 모델 학습 스케줄링, 그리고 iOS와 안드로이드 환경 모두를 지원하기 위해 오넥스런타임을 사용한다고 설명
        • 내일 예정된 추가 발표를 통해 더 상세한 내용이 소개될 예정이며, 한국 중재님께서 발표를 진행할 예정
      • 8. 플랫폼 개발에서 프라이버시 보호에 대한 접근방식
        • 플랫폼은 서버 측 데이터를 최소화하고 차등 정보보호 기술을 적용하는 두 가지 방법 사용
        • 로컬에서 발생한 로그를 학습한 후 노이즈 추가로 개인정보 보호를 강화
        • 페더레이티드 러닝에서, 가우시안 메커니즘과 가중치 부여 기술을 사용하여 사용자 식별 정보를 삭제하여 모델을 서버로 업로드
        • 결합된 모델은 정확한 학습을 보장하며, 작은 노이즈 적용으로 개인정보 보호 파라미터를 강화
      • 9. AB 테스트 결과와 개발 소개
        • AB 테스트 결과로 스티커 다운로드량 5.6% 향상, 사용자 업리프트 해석
        • 다국어 지원 시스템 개발에 전 세계의 엔지니어 30명 이상 협조
        • 향후 목표는 스티커 사용자 확대, 개인정보 보호 강화를 통한 서비스 향상
        • ldp 파라미터와 셔플링 기술 도입으로 개인정보를 더욱 효과적으로 보호할 계획
      • 11. 기술 개발 프로젝트에서 협력과 어려움
        • 기술적인 힘뿐만 아니라 수업 주기도 고려하여 스티커 기능을 개발
        • 플랫폼 개발 시 엔지니어들과 매니저의 협력이 중요하며 기술자 출신 매니저가 개발 리소스 할당
        • 페더레이트 러닝 기능 등 다양한 기술들을 조합하며 어려움은 프라이버시와 커뮤니케이션 부분, 협조를 통해 성공적으로 해결
      • 12.디바이스 간 데이터 연동과 유저 개인정보 보호 방안에 대한 논의
        • 디바이스 변경 시 로그 데이터 계승 가능, 클라이언트 측에서 유저의 인베딩 아이템과 모델을 유지
        • 데이터 처리하여 개인화를 제공하고 있는데, 세컨드 디바이스 문제 존재
        • 서버와 클라이언트 간 비동기 학습 구조로, 모델 갱신빈도 상승 중
        • 유저 개인정보 보호를 위해 세션 동기화 필요하며, 릴리스 후 AB테스트와 학습 갱신이 이루어짐
• 아자르에서 AI 기반 추천 모델의 타겟 지표를 설정하는 방법 (feat. 아하 모멘트) | Hyperconnect Tech Blog
• 추천 시스템 개선을 위한 Feature Store 도입기 - RIDI Corp.
• 함께 구매하면 좋은 상품이에요! - 장바구니 추천 개발기 1부 - 컬리 기술 블로그
• 함께 구매하면 좋은 상품이에요! - 장바구니 추천 개발기 2부 - 컬리 기술 블로그
• 실시간 반응형 추천 개발 일지 #1. 프로젝트 소개 | 우아한형제들 기술블로그
• Awesome-Generative-RecSys: A curated list of Generative Recommender Systems (Paper & Code)

Recommendation Python

• 파이썬 추천 시스템 심화과정
• 추천시스템 만들기 Hands-on part01 django 이용
  • 추천시스템 만들기 Hands-on part01
• Collaborative-filtering-Tutorial
• Machine Learning for Retail Price Recommendation with Python
• Building and Testing Recommender Systems With Surprise, Step-By-Step - Learn how to build your own recommendation engine with the help of Python and Surprise Library, Collaborative Filtering
• PyCon KR 2019 추천시스템 이제는 돈이 되어야 한다
• Analyzing Hacker News book suggestions in Python
• Keeping Sensitive Data Safe Using Recommendation Systems | PyData Global 2021 - YouTube
• Machine Learning Recommender System With Python - YouTube
• 상품 추천 알고리즘 Item-CF의 최적화 여정
• 오픈챗 해시태그 예측을 위한 다중 레이블 분류 모델 개발하기
• implicit: Fast Python Collaborative Filtering for Implicit Feedback Datasets
• recommender_system_with_Python: recommender system tutorial with Python
  • LLM과 추천 시스템을 결합해 설명가능성(Explainability) 제공하기(Feat. LangChain, GPT-4o)
• Recommender Utilities — Microsoft Recommenders 1.1.0 documentation
  • recommenders: Best Practices on Recommendation Systems
  • recommenders/examples at main · microsoft/recommenders
• Surprise - A Python scikit for recommender systems
• TOROS: Python Framework for Recommender System
• TOROS Buffalo: A fast and scalable production-ready open source project for recommender systems