나는 어떻게 메모하는가?
한가지 방식으로만 메모를 작성하지 않는다. "어떻게 메모하는?"라는 여전히 어려운 질문이다. 어떤 메모가 최선일지에 대해서는 스스로에게 여전히 지금도 매일 던지는 질문이기 때문이다.
Featured
Latest
Presto SQL 에서 회귀분석하기.
Presto Version * 0.241 선형회귀 기반 회귀계수 도출 방법 SELECT regr_intercept(y,x) intercept, regr_slope(y,x) slope FROM (values (30,73)
인과추론(Causal Inference) – Inverse Probability Weight
역확률 가중치(Inverse Probability Weighting) * 모집단에서 일부 데이터가 유실되었을 때(예: Selection Bias) 남은 데이터로 유사 모집단(Pseudo Population)을 생성해서 통계를 계산하는 기법
인과추론(Causal Inference) – Inverse Probability Weight
역확률 가중치(Inverse Probability Weighting) * 모집단에서 일부 데이터가 유실되었을 때(예: Selection Bias) 남은 데이터로 유사 모집단(Pseudo Population)을 생성해서 통계를 계산하는 기법
[책] 강방천의 관점, "관점은 지켜내고 쌓아가는 것이 아닐까?
왜 읽었는가? * 투자 자체에 대한 관심을 가진지는 꽤 시간이 된 것 같다. 하지만 실행에 옮기지는 않았다. * 막상 실행을 하려니 “어떤 종목”을 “언제” 매수하고
인과추론(Causal Inference) – Backdoor Criterion
왜 필요한가? * Unmeasured Parents, 즉 Graph에서 Parent로 표시되더라도 측정이 안되거나, 관측이 안된 Parent가 있을 것이라고 할 때 대체가능한 조정가능 데이터셋( Alternative Set of variables
인과추론(Causal Inference) – Intervention
Intervention * 통계학 연구의 궁극적인 목적은 개입(Intervention)의 효과를 예측하는 것 * RCT에서는 결과에 영향을 줄 수 있는 요인 단하나만 제외하고 다른 요인은 고정하거나 랜덤하도록
인과추론(Causal Inference) – Collider
Collider * Z는 X,Y의 공통 효과(Common Effect)이다. * Z가 조건부로 주어졌을 때 X와 Y는 의존적일 가능성이 있다. * Z = X+Y라고 할 때 Z값이
인과추론(Causal Inference) - Chain & Fork
Disclaimer * 본인이 공부하고 본인이 이해한만큼만 정리되어 있으니 질답 및 태클은 언제든지 환영합니다. Data & Graph * 구조적 인과 모델(Structural Casual Model)이란 변수들 간의
매일 사용할지 모르는 간단한 인과추론 방식에 대해서(Confounder)
Confounder * 수치 비교할 때 통상 문제를 일으키는 변수가 있다. → Confounder 변수라고 한다. * X → Y 라는 인과관계를 판단하고 싶을 때 X,Y에 모두 영향을 미치는
Facebook - Prophet
Prophet? * Facebook에서 만든 시계열 데이터의 예측을 위한 패키지 * 전통적 시계열 모델의 경우 데이터가 정상성(Stationary)을 만족해야지 사용할 수 있으나, Prophet은 이런 것을 고민할
Gradient Boosting Decision Tree Algorithm
앙상블 모델이란? * 주로 모델을 융합하는 전략과 방법을 통칭해서 말함 → 대표적으로 배깅과 부스팅이 있음 * 부스팅의 기본적인 컨셉은 분류기를 연달아 직렬적으로 연결해서 기존 층서 잘못 분류한
Story Telling으로써 KPI를 안다는 것.
왜 이런 생각을 하게 되었을까? KPI는 회사의 규모가 커지게 됨에 따라서 복잡해진다. 물론 복잡해지지 않을 수도 있다. 회사의 규모와 상관없이 복잡할 수도 있다. 이러한