[책] 개발자로 살아남기

요즘 우리 모두 FIRE(Financially Independent & Retire Early)를 외치지만, 사실 현실은 쉽지 않다. 모두가 FIRE를 할 수 있다면 사람들은 FIRE를 꿈꾸지는 않았을 것이다. 그래서인지 마음은 FIRE를 꿈꾸면서 다양한 책을 읽어보지만 동시에 장기근속하기 위해 뛰어난 직원으로 살아남기 위한 책도 보곤 한다.

이 책도 그러한 마음에서 고른 책이다. "평생" 공부를 하고 그 고민을 바탕으로 살고 싶은 마음도 있지만 30년 커리어패스라는 단어에 손이 끌려 구매하게 되었다. 물론 30년을 일한다 해도 길어져버린 수명을 고민할 때(그 시점에, 수명연장을 선택할 수 있는 준비가 되어 있다는 긍정적 가정 아래) 더 일은 해야겠지만, 아무래도 고민을 할 수 있는 시간을 늘렸다는 부분에 스스로를 다독이며 이 책을 구매하였다.

책의 요지는 9개의 기술로 압축된다. 살아남기 위한 9개의 기술이다. 그리고 이 책의 패스트캠퍼스와 콜라보로 만들어진 책답게 내용은 9개에 대해서 저자인 백종천님이 생각하는 부분을 발표한 것을 텍스트로 변환한 형태로 정리되어 있다. 9개의 기술은 다음과 같다.

  • 엔지니어링 역량
    • 제품에 대한 이해,개발 사이클 지식,개발에 대한 기본 지식
  • 매니지먼트 역량
    • 프로젝트 관리, 팀 관리, 프로세스 관리
  • 비즈니스 역량
    • 인사 시스템, 사업 관리, 비전과 조직문화

이 책을 보면서 내가 가지고 있는 지식의 영역과 로드맵에 대해 안도감이 들었다. 9개의 영역중 상당수를 커버하고 있다는 확신이 들었기 때문이다. 물론 깊이는 채워야할 구석이 많이 보이지만 말이다. 다만 평생개발자라는 부분보다는 개발자로서 리더로서 트랙을 타는 경우에 더 적합한 책이라는 생각은 들었다.

통상 Manager Track과 Individual Contributor Track이 있는데, 이 책은 Individual Contributor에 대한 부분보다는 임원레벨까지 올라간 저자가 작성해서 그럴 수 있겠다 싶었다. 물론 그래서 나에게는 더 적합한 책이 아니었나 싶다.

이 회사에 와서 성과분석을 담당했었고, 수요예측을 담당했고, 그리고 KPI를 수립하였다. 그리고 그 경험을 바탕으로 CEO Staff으로 CEO의 의사결정을 지원하였다. 현재는 데이터 사이언티스트의 리더로서 과제를 발굴하고 팀을 조직해나가고 있다.

위의 역량에서 갖춘 부분들은 매니지먼트 역량과 비즈니스 역량이 조금은 더 Main이 되어가고 있지만, 엔지니어링 역량을 놓치지 않도록 노력해야겠다. 그리고 이런 역량을 Data Science & Product에 초점을 맞춰 뾰족하게 만들어야겠다.

그간 다음 커리어에 대해서 고민하는 부분들이 있었는데, 이 부분에 조금은 프레임워크를 제공해준 책이어서 좋았던 것같다. 나아가서 현 시점에서 고민해야할 포인트도 제공해준 책이었다.

Read more

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성은 잘못된 인과추론 결과를 만들어낼 수 있습니다.

다중공선성(Multi Collinearity) * **Multi-Collinearity(다중공선성)**는 독립 변수들 간의 강한 상관관계가 존재할 때 발생합니다. 즉, 한 독립 변수가 다른 독립 변수에 의해 설명될 수 있을 정도로 상관관계가 높은 상황을 의미합니다. * 이 문제는 주로 회귀 분석에서 나타나며, 변수들 간의 관계를 해석하는 데 있어 큰 장애물이 될 수 있습니다. * 일반적인 회귀식을 $Y=

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P-Value는 불확실성을 감안하여 모델의 적합도를 평가합니다.

Bayesian P- Value * Bayesian P-Value는 **모델의 적합도(goodness-of-fit)**를 평가하는 데 사용됩니다. * 사후 분포(posterior distribution)를 이용하여 실제 데이터와 모델이 생성한 예상 데이터를 비교함으로써, 관측된 데이터가 모델에 의해 얼마나 잘 설명되는지를 평가합니다. * 빈도주의 p-값은 "관찰된 데이터보다 극단적인 데이터가 나올 확률"을 계산하지만, Bayesian P-Value는 "모델이 실제

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non-Identifiability는 Model Parameter를 고유하게 식별할 수 없는 현상입니다.

Non Identifiability * Non-Identifiability는 주어진 데이터와 모델에 대해 특정 파라미터를 고유하게 식별할 수 없는 상황을 의미합니다. 즉, 여러 파라미터 값들이 동일한 데이터를 생성할 수 있으며, 이로 인해 특정 파라미터 값을 확정적으로 추정하기 어렵게 됩니다. * 베이지안 추론에서 Non-Identifiability는 사후 분포가 특정 파라미터 값에 대해 명확하게 수렴하지 않고, 여러 값들에 대해 비슷한 확률을

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram은 큰 분산을 갖거나 비정규 형태의 데이터를 위한 히스토그램입니다.

Rootgram * 히스토그램의 변형으로 데이터가 비정규적이거나 큰 분산을 가지는 경우, 정확한 분포를 파악하기 위해 사용됩니다. * 일반적으로 히스토그램은 데이터의 빈도를 직접적으로 나타내기 때문에, 큰 값이 빈번하게 발생하는 경우 상대적으로 작은 값을 잘 드러내지 못하는 경향이 있습니다. 반면, Rootgram은 빈도를 제곱근 형태로 변환하여, 데이터 분포의 차이를 더 잘 시각화할 수 있도록 돕습니다 * 여기서