[7.5/10]데이터를 활용하고 해석하는 역량, 데이터 리터러시
첫인상 데이터 리터러시라는 것, 데이터를 활용하고 해석하는 역량은 매우 중요하다. 하지만 이미 이 업계에 나름 상당량의 시간을 보낸 나로서는 데이터 리터러시를 어떠한 프레임으로 설명할지
첫인상 데이터 리터러시라는 것, 데이터를 활용하고 해석하는 역량은 매우 중요하다. 하지만 이미 이 업계에 나름 상당량의 시간을 보낸 나로서는 데이터 리터러시를 어떠한 프레임으로 설명할지
거리 측정방식은 생각보다 다양하다. * 어떤 방식을 언제 써야 하는지 아는 것은 기본이다. * 이 것보다 더 많은 측정 방식이 있지만, 우선 숙지를 위해서 요약 및
한 줄평 * 통계에 대한 하나의 에세이를 읽는 것 같은 좋은 책 책을 되짚어 보기 위한 질문들 책에 대해 가장 좋았던 부분들 * 원서 기준 “통계의
Intro. 올해 들어 유달리 금융 서적을 다른 해에 비해서 상대적으로 많이 읽는 듯하다. 사회생활의 햇수만큼 마음이 불안함 때문에 그러한 듯하다. 그리고 마치 군대시절 휴가를
올해 초 선물하기 서비스 및 음식서비스 시장 성장 추이를 확인하기 위해서 작성했던 코드. 통계청의 예측보다 빨리 성장하고 있지만, 빨리 성장하고 있다는 것은 돌려 말하면
Interpretability Interpretability는 대체로 모델이 내린 의사결정을 어떻게 설명할 것인지에 대해 초점을 맞춘다. 왜 Interpretability가 중요한가 1. Interpretable한 모델은 모델활용에 신뢰를 더해줄 수 있다. 2.
지금 회사에서 가장 많이 한 업무 중 하나가 바로 주문수 예측이었다. 처음에 단순히 곱셈으로 작업하던 부분을 개선해서 이전보다 좀 더 세밀히 하기는 하지만 여전히
매일, 매주 출근 길에 밀린 뉴스레터를 읽는다.뉴닉도 있지만 그 중에는 Ruben Ugarte’s Weekly Growth Needle이라는 레터도 있다. 대충 보고 지나갈 때도 있지만
플랫폼은 양면시장을 활용하되 특정 자원을 소유함으로써 가치를 창출하지 않는다. 그래서 내부보다는 외부에 관심을 기울임으로써 상호작용을 강화하고 확장함으로써 가치를 확장해나게 된다. 자연스럽게 일반적으로 전통적으로 사용하는
플랫폼은 시장내 사용자들을 서로 연결해주고 상품, 서비스를 교환할 수 있도록 연결해줌으로써 모든 참여자들이 가치를 창출할 수 있게 도와 준다. 그리고 출판사의 편집자, 대학의 입학처장
편향은 크기가 n인 데이터 세트에서 샘플링 후 훈련시킨 모델 출력의 평균값과 실제 모델 출력 사이의 편차를 말한다. 일반적으로 모델에 대한 가설을 잘못 세우면 발생한다.
HBR에서 “What Is the Next Normal Going to Look Like?“이란 기사를 봤는데 코로나 이후 변하는 사회에 대해 시스코(Cisco), 월터스 클루베(Wolters Kluwer/