빅데이터분석기사 실기 작업형 2유형 과락 피하는 3가지 꿀팁
우리 주변의 모든 것은 이제 데이터가 되어 숨 쉬고 있습니다. 넷플릭스가 여러분의 취향을 기가 막히게 알아맞히는 것도, 자율주행차가 복잡한 도로 위를 안전하게 달리는 것도, 심지어 신용카드를 발급받을 때 여러분의 신용도를 평가하는 것도 모두 빅데이터 분석의 힘 덕분입니다. 그런데 이처럼 거대한 데이터를 능숙하게 다루고 거기서 의미 있는 통찰을 찾아내는 전문가를 양성하기 위한 국가기술자격증이 있다는 사실을 알고 계셨나요? 바로 빅데이터분석기사 자격증이 그 주인공입니다. 특히 이 자격증의 꽃이자 많은 수험생들을 좌절시키는 난관이 하나 존재하는데요, 그것은 바로 실기 시험의 '작업형 2유형'입니다. 이 작업형 2유형은 단순한 코딩 능력을 넘어 데이터 분석의 전 과정을 이해하고 적용하는 심오한 능력을 요구하기 때문에 많은 이들에게 두려움의 대상이 됩니다. 도대체 왜 이렇게 많은 수험생들이 작업형 2유형 앞에서 고배를 마시는 것일까요? 이번 포스팅에서는 빅데이터분석기사 실기 '작업형 2유형'에서 과락의 늪에 빠지지 않고 합격의 영광을 거머쥘 수 있는 세 가지 핵심 꿀팁에 대해 극도로 상세하고 구체적으로 살펴보겠습니다. 여러분의 소중한 노력이 헛되지 않도록, 이 글이 여러분의 합격 길라잡이가 될 것임을 확신합니다.
빅데이터분석기사 실기, 작업형 2유형은 무엇인가요?
빅데이터분석기사 실기 시험은 크게 '작업형 1유형'과 '작업형 2유형'으로 구성되어 있습니다. 작업형 1유형이 데이터 전처리 및 기초 통계 분석과 관련된 단답형 코딩 문제라면, 작업형 2유형은 마치 실제 현업에서 직면할 수 있는 데이터 분석 프로젝트를 압축해 놓은 것과 같다고 할 수 있습니다. 즉, 제공된 데이터를 활용하여 특정 비즈니스 문제를 해결하기 위한 예측 모델을 구축하고, 그 결과를 해석하며, 나아가 보고서 형태로 제시하는 일련의 과정을 평가하는 유형이라는 것입니다. 단순히 코드를 잘 작성하는 것을 넘어, 주어진 문제를 정확히 이해하고, 데이터를 탐색하며, 적절한 모델을 선택하고, 모델의 성능을 평가하며, 최종적으로 그 결과를 논리적으로 설명하는 통합적인 역량을 측정한다는 것이 작업형 2유형의 본질입니다.
작업형 2유형의 본질: 단순 코딩을 넘어선 데이터 스토리텔링
여러분은 혹시 작업형 2유형을 단순히 '주어진 데이터로 예측 모델 만들어서 제출하면 되는 것 아니야?'라고 생각하실지 모르겠습니다. 하지만 사실은 전혀 그렇지 않습니다. 작업형 2유형은 단순한 코딩 시험이 아니라, 여러분이 데이터라는 재료를 가지고 어떤 '스토리'를 만들어낼 수 있는지를 평가하는 과정입니다. 마치 훌륭한 요리사가 재료를 손질하고(데이터 전처리), 레시피를 선택하며(모델 선택), 맛을 보완하는(모델 튜닝) 과정을 거쳐 최종적으로 손님에게 감동을 주는 요리(보고서)를 내놓는 것과 동일합니다. 여기서 가장 중요한 것은 바로 '문제 해결 능력'과 '설득력'입니다. 여러분이 구축한 모델이 왜 그 문제에 적합한지, 어떤 과정을 통해 도출되었는지, 그리고 그 결과가 실제로 어떤 의미를 가지는지 명확하게 설명할 수 있어야만 합니다. 단순히 높은 정확도를 내는 모델을 만들었다고 해서 합격하는 것이 아니라는 점을 반드시 기억하시기 바랍니다.
작업형 2유형 과락의 뼈아픈 현실과 그 원인
그렇다면 많은 수험생들이 이 작업형 2유형에서 왜 과락이라는 뼈아픈 결과를 마주하게 되는 것일까요? 주된 원인은 크게 세 가지로 요약할 수 있습니다. 첫째, 데이터의 본질을 파악하지 않고 무작정 모델링부터 시작하는 경우입니다. 마치 지도를 보지 않고 무작정 길을 나서는 여행자와 같습니다. 둘째, 다양한 모델에 대한 이해가 부족하거나, 모델 선택 및 평가 기준에 대한 명확한 원칙 없이 접근하는 경우입니다. 어떤 도구가 필요한지 모른 채 무작정 연장통을 뒤지는 목수와도 같습니다. 셋째, 분석 결과를 단순히 숫자로만 제시하고 그 의미를 제대로 해석하거나 설명하지 못하는 경우입니다. 이는 마치 맛있는 요리를 만들어 놓고 어떤 재료로 어떻게 만들었는지, 왜 맛있는지 설명하지 못하는 요리사와 다르지 않습니다. 이 모든 문제의 근원은 데이터 분석의 '과정'과 '목적'에 대한 총체적인 이해 부족에서 비롯된다고 할 수 있습니다. 지금부터 이러한 문제들을 해결하고 과락을 피할 수 있는 구체적이고 실질적인 세 가지 꿀팁을 제시하겠습니다.
작업형 2유형, 과락을 피하는 3가지 필승 전략
빅데이터분석기사 실기 작업형 2유형에서 합격의 문을 열기 위한 세 가지 필승 전략은 다음과 같습니다. 이 전략들은 단순히 기술적인 측면만을 강조하는 것이 아니라, 데이터 분석가로서 갖춰야 할 사고방식과 문제 해결 능력을 근본적으로 향상시키는 데 초점을 맞추고 있습니다.
| 전략 분류 | 핵심 내용 | 비유적 설명 | 강조 포인트 |
|---|---|---|---|
| 데이터 탐색 및 전처리 | 주어진 데이터를 깊이 이해하고, 분석에 적합하도록 정제하고 가공하는 과정 | 맛있는 요리를 위한 신선한 재료 손질과 밑간 | 데이터에 대한 깊은 통찰력 확보 |
| 모델링 및 평가 | 문제 해결에 최적화된 예측 모델을 선택하고, 객관적인 지표로 성능을 검증하는 과정 | 최고의 맛을 내는 레시피 선택 및 맛 평가 | 문제 해결 중심의 모델 선택 능력 |
| 결과 해석 및 보고서 | 모델의 결과를 명확하게 해석하고, 비즈니스 맥락에 맞춰 설득력 있게 전달하는 과정 | 요리의 맛을 설명하고 손님을 설득하는 과정 | 분석 결과를 통한 가치 창출 능력 |
첫 번째 꿀팁: 데이터의 속삭임에 귀 기울여라 – 심층적인 탐색적 데이터 분석(EDA)과 전처리
빅데이터 분석에서 가장 치명적인 오류는 바로 데이터를 제대로 이해하지 못한 채 분석을 시작하는 것입니다. 데이터는 그 자체로 많은 이야기를 담고 있습니다. 마치 처음 만난 사람의 배경과 성격을 파악해야만 제대로 소통할 수 있는 것처럼, 데이터도 면밀히 탐색하고 이해해야만 그 안에 숨겨진 의미를 발견할 수 있습니다. 이 과정이 바로 탐색적 데이터 분석(EDA)과 데이터 전처리입니다. 수험생들이 흔히 저지르는 실수는 데이터셋을 받자마자 급하게 모델링 코드부터 작성하는 것인데, 이는 마치 전쟁터에 나가면서 적의 특징이나 지형을 전혀 파악하지 않고 무작정 돌격하는 것과 다름없습니다. 그렇게 되면 승리할 확률은 현저히 낮아질 수밖에 없습니다.
데이터 전처리의 중요성: 왜 우리가 정성 들여 밥을 짓는가?
데이터 전처리란 원시 데이터를 분석에 적합한 형태로 가공하고 정제하는 일련의 과정을 의미합니다. 데이터는 종종 결측치(missing values)나 이상치(outliers)를 포함하고 있으며, 데이터의 형식이나 단위가 통일되지 않은 경우도 비일비재합니다. 이를 마치 밥을 짓기 전에 쌀을 깨끗이 씻고 돌을 골라내는 과정에 비유할 수 있습니다. 불순물이 섞인 쌀로 밥을 지으면 아무리 좋은 밥솥으로 지어도 맛있는 밥을 기대하기 어렵겠지요? 데이터 전처리도 마찬가지입니다. 결측치를 어떻게 처리할 것인지(제거, 대체), 이상치를 어떻게 다룰 것인지, 범주형 데이터를 어떻게 수치형으로 변환할 것인지(원-핫 인코딩 등), 그리고 데이터의 스케일을 어떻게 조정할 것인지(정규화, 표준화) 등의 고민은 모델의 성능에 직접적인 영향을 미치는 매우 중요한 요소입니다. 즉, 모델링에 앞서 데이터를 깨끗하고 정교하게 다듬는 과정은 분석의 품질과 모델의 예측력을 결정하는 초석이 된다는 것입니다. 만약 이 단계에서 실수를 저지르면, 아무리 복잡하고 정교한 모델을 사용하더라도 그 결과는 쓰레기가 될 수밖에 없다는 점을 명심하세요. 데이터 전처리는 단순한 부수 작업이 아니라, 분석의 성패를 좌우하는 핵심적인 과정입니다.
EDA의 핵심: 데이터와 대화하는 기술
탐색적 데이터 분석(EDA)은 데이터를 시각화하고 통계적으로 요약하면서 데이터의 특징과 패턴을 발견하는 과정입니다. 이는 마치 새로운 사람을 만나 그 사람의 표정, 말투, 행동을 관찰하며 어떤 사람인지 파악하는 것과 같습니다. 여러분은 EDA를 통해 데이터 분포의 특성, 변수 간의 관계, 숨겨진 패턴, 그리고 이상 징후 등을 직관적으로 파악할 수 있습니다. 예를 들어, 특정 변수에서 값들이 한쪽으로 치우쳐져 있다면 정규화나 로그 변환을 고려해볼 수 있고, 두 변수 사이에 강한 상관관계가 있다면 다중공선성 문제를 의심해볼 수 있습니다. 이처럼 EDA는 단순히 그래프를 그리는 행위를 넘어, 데이터가 우리에게 어떤 이야기를 하고 싶은지 '듣는' 과정이며, 이를 통해 우리는 어떤 모델을 선택할지, 어떤 전처리 방법을 적용할지, 그리고 어떤 변수를 사용할지에 대한 실마리를 얻을 수 있습니다. pandas의 describe(), info(), value_counts() 함수나 matplotlib, seaborn 라이브러리를 활용한 다양한 시각화 기법을 능숙하게 사용하는 것은 EDA의 필수적인 역량입니다. EDA를 소홀히 한다면, 여러분은 데이터가 주는 소중한 힌트를 놓치고 엉뚱한 길로 접어들 위험이 매우 커진다는 것을 명심해야만 합니다.
두 번째 꿀팁: 모델, 그저 도구가 아닌 문제 해결의 열쇠 – 최적의 모델 선택과 정교한 평가
데이터 분석의 꽃은 단연 모델링이라고 할 수 있습니다. 그러나 단순히 여러 모델을 무작정 돌려보고 가장 높은 정확도를 보이는 모델을 선택하는 것은 절대로 올바른 접근 방식이 아닙니다. 모델은 그저 도구일 뿐이며, 중요한 것은 그 도구를 사용하여 어떤 문제를 어떻게 해결할 것인지에 대한 명확한 이해와 전략입니다. 마치 망치로 못을 박는 것이 아니라, 어떤 종류의 못을 어디에 박을 것인지에 따라 적절한 망치를 선택하고, 박은 후에는 못이 제대로 박혔는지 확인하는 과정과 같습니다. 작업형 2유형에서는 주어진 문제의 성격에 맞는 최적의 모델을 선택하고, 그 모델의 성능을 객관적이고 다각적인 지표로 평가하는 능력이 무엇보다 중요합니다.
수많은 모델 속에서 길을 찾는 방법
수많은 머신러닝 모델 중에서 어떤 모델을 선택해야 할까요? 이 질문에 대한 답은 '주어진 문제의 유형'에 따라 달라진다는 것입니다. 예를 들어, 고객이 특정 제품을 구매할지 안 할지 예측하는 이진 분류(Binary Classification) 문제라면 로지스틱 회귀, SVM, 결정 트리, 랜덤 포레스트, XGBoost 등 다양한 분류 모델을 고려할 수 있습니다. 반면, 주택 가격이나 판매량을 예측하는 회귀(Regression) 문제라면 선형 회귀, 릿지, 라쏘, 랜덤 포레스트 회귀 등을 사용할 수 있습니다. 중요한 것은 각 모델의 작동 원리, 장단점, 그리고 어떤 종류의 데이터에 더 적합한지에 대한 기본적인 이해를 갖추고 있어야 한다는 점입니다. 예를 들어, 선형 회귀는 변수 간 선형 관계를 가정하지만, 결정 트리는 비선형 관계도 잘 포착하며 해석력이 좋다는 장점이 있습니다. 단순히 Scikit-learn 라이브러리에 있는 모델들을 나열식으로 아는 것을 넘어, '왜 이 모델을 선택해야 하는가'에 대한 명확한 논리적 근거를 제시할 수 있어야만 합니다. 이는 마치 여러 종류의 칼 중에서 요리에 가장 적합한 칼을 선택하는 요리사의 지혜와 같습니다. 최적의 모델을 찾기 위해서는 하이퍼파라미터 튜닝(예: Grid Search, Random Search)과 교차 검증(Cross-validation)을 통해 모델의 일반화 성능을 높이는 과정도 필수적으로 동반되어야 한다는 것을 잊지 마십시오.
모델 평가, 왜 그토록 중요할까요?
모델을 구축하는 것만큼이나 중요한 것이 바로 모델의 성능을 정확하게 평가하는 일입니다. 왜 그토록 중요할까요? 바로 '우리가 만든 모델이 실제로 얼마나 쓸모 있는가'를 객관적으로 판단하기 위함이라는 것입니다. 단순히 정확도(Accuracy) 하나만 보고 모델의 성능을 판단하는 것은 매우 위험한 발상입니다. 예를 들어, 암 환자 진단 모델에서 99%의 정확도를 보인다고 해도, 실제 암 환자를 단 한 명도 놓치지 않고 진단하는 민감도(Recall)는 매우 낮을 수 있습니다. 이러한 상황에서 정확도만 높다고 좋은 모델이라고 할 수 있을까요? 절대로 그렇지 않습니다.
따라서 모델 평가는 문제의 특성과 데이터의 불균형 등을 고려하여 다양한 평가 지표를 활용해야 합니다. 분류 모델에서는 정확도(Accuracy) 외에도 정밀도(Precision), 재현율(Recall), F1-Score, ROC-AUC 등을 반드시 함께 고려해야 합니다. 회귀 모델에서는 MAE(평균 절대 오차), MSE(평균 제곱 오차), RMSE(평균 제곱근 오차), R-squared 등이 주요 평가 지표가 됩니다. 각 지표가 무엇을 의미하는지 정확히 이해하고, 여러분이 해결하고자 하는 문제의 목적에 가장 부합하는 지표를 기준으로 모델을 평가하는 것이 중요합니다. 예를 들어, 스팸 메일 분류 모델이라면 '스팸이 아닌 메일을 스팸으로 오분류하는 것(False Positive)'을 최소화하는 것이 중요하므로 정밀도에 더 중점을 둘 수 있습니다. 반면, 질병 진단 모델이라면 '실제 환자를 놓치는 것(False Negative)'을 최소화하는 것이 중요하므로 재현율에 더 초점을 맞춰야 합니다. 이처럼 모델 평가 지표는 단순히 숫자가 아니라, 모델이 비즈니스 목표에 얼마나 기여할 수 있는지를 알려주는 중요한 이정표라는 점을 명심하시기 바랍니다.
세 번째 꿀팁: 결과는 숫자 이상이다 – 명확한 해석과 설득력 있는 보고서 작성
아무리 훌륭한 모델을 구축하고 높은 성능을 달성했다 하더라도, 그 결과를 제대로 해석하고 설득력 있게 전달하지 못한다면 아무런 의미가 없습니다. 이는 마치 셰프가 최고의 요리를 만들었지만, 그 요리가 왜 특별하고 어떤 맛을 내는지 손님에게 설명하지 못하는 것과 같습니다. 작업형 2유형의 최종 목표는 단순히 코드를 제출하는 것이 아니라, 분석을 통해 얻은 통찰을 논리적이고 명확하게 제시하는 보고서를 작성하는 것입니다. 많은 수험생들이 이 마지막 단계에서 감점당하거나 과락하는 경우가 빈번하다는 점을 명심해야 합니다. 여러분이 작성하는 보고서는 심사위원에게 여러분의 분석 역량을 증명하는 유일한 수단이 된다는 사실을 절대 잊어서는 안 됩니다.
통계적 유의미성과 실질적 중요성의 차이
분석 결과를 해석할 때 많은 사람들이 '통계적 유의미성'에만 매몰되는 경향이 있습니다. 예를 들어, p-값이 0.05보다 작아서 통계적으로 유의미하다고 판단하는 것이지요. 물론 통계적 유의미성은 중요합니다. 하지만 그것이 '실질적인 중요성'까지 의미하는 것은 절대로 아닙니다. 통계적으로 유의미하더라도 그 효과의 크기가 너무 작아 실제 비즈니스에 아무런 영향을 미치지 못하는 경우가 허다합니다. 예를 들어, A 마케팅 전략이 B 전략보다 매출을 0.001% 높인다는 결과가 통계적으로 유의미할 수 있지만, 실제 매출 증대에는 거의 기여하지 못할 수 있다는 것입니다. 따라서 여러분은 통계적 지표를 넘어, 여러분의 분석 결과가 실제 문제 해결에 어떤 '실질적인 기여'를 하는지를 고민하고 설명할 수 있어야 합니다. 즉, '이 모델이 왜 중요한가?', '이 결과가 우리에게 어떤 인사이트를 주는가?', '이 결과를 바탕으로 무엇을 할 수 있는가?'에 대한 답을 제시해야만 합니다. 이는 마치 의사가 환자의 혈액 검사 수치를 보고 단순히 '정상' 또는 '비정상'이라고 말하는 것을 넘어, 그 수치가 환자의 건강에 어떤 실질적인 영향을 미치고 어떤 조치를 취해야 하는지 설명하는 것과 같습니다.
코드와 분석 결과를 연결하는 다리: 보고서 작성의 기술
작업형 2유형에서 요구하는 보고서는 단순한 결과 나열이 아닙니다. 그것은 여러분이 수행한 데이터 분석의 전 과정을 논리적인 흐름으로 연결하고, 각 단계에서 내린 결정의 이유와 그 결과를 명확하게 설명하는 '스토리'여야 합니다. 보고서에는 다음과 같은 내용이 반드시 포함되어야 합니다.
문제 정의: 어떤 문제를 해결하고자 했는지 명확하게 제시합니다.
데이터 탐색 및 전처리 과정: 데이터의 특성을 어떻게 파악했고, 결측치, 이상치 등을 어떻게 처리했는지 구체적으로 설명합니다. 이 과정에서 내린 중요한 결정들(예: 특정 변수 제거, 특정 값으로 대체)에 대한 합리적인 근거를 제시해야만 합니다.
모델링 과정: 어떤 모델을 왜 선택했는지, 하이퍼파라미터 튜닝은 어떻게 수행했는지 등을 상세하게 기술합니다. 단순히 '랜덤 포레스트를 사용했다'라고 쓰는 것이 아니라, '랜덤 포레스트가 비선형 관계를 잘 포착하고 과적합에 강하기 때문에 선택했으며, GridSearchCV를 통해 최적의 하이퍼파라미터를 탐색했다'와 같이 구체적으로 설명해야만 합니다.
모델 평가 및 해석: 앞서 강조했듯이, 다양한 평가 지표를 활용하여 모델의 성능을 객관적으로 제시하고, 각 지표가 의미하는 바를 설명합니다. 가장 중요한 것은 모델의 예측 결과가 비즈니스 문제에 어떤 시사점을 주는지, 그리고 그 결과가 실제 현업에 어떻게 적용될 수 있는지를 구체적으로 제시하는 것입니다. 단순히 '정확도가 0.85입니다'라고만 쓰는 것은 아무런 의미가 없습니다. '이 모델은 85%의 정확도로 고객의 이탈 여부를 예측하며, 특히 실제 이탈 고객을 놓치지 않는 재현율이 높아 마케팅 부서에서 사전 대응 전략을 수립하는 데 큰 도움이 될 것입니다'와 같이 실제 적용 가능성을 언급하는 것이 매우 중요합니다.
결론 및 제언: 분석을 통해 얻은 핵심 통찰을 요약하고, 이를 바탕으로 추가적으로 수행할 수 있는 분석이나 실제 비즈니스에 적용할 수 있는 구체적인 제언을 제시합니다.
보고서는 여러분의 분석 역량과 더불어 커뮤니케이션 능력을 평가하는 중요한 척도가 됩니다. 따라서 간결하면서도 명확한 문장으로 작성하고, 필요한 경우 시각 자료(그래프, 표 등)를 적절히 활용하여 이해도를 높이는 것이 좋습니다. 여러분의 코드는 심사위원에게 여러분의 생각을 직접적으로 전달할 수 없다는 것을 기억하세요. 오직 보고서만이 여러분의 분석 여정과 통찰을 대변할 수 있는 유일한 통로라는 것을 명심하시기 바랍니다.
여러분, 지금까지 빅데이터분석기사 실기 '작업형 2유형'에서 과락을 피하고 합격으로 가는 세 가지 필승 전략에 대해 심도 있게 살펴보았습니다. 우리는 이 유형이 단순한 코딩 능력을 넘어 데이터를 이해하고, 문제를 해결하며, 그 결과를 설득력 있게 전달하는 통합적인 역량을 요구한다는 사실을 확인했습니다.
첫 번째 꿀팁은 바로 데이터의 속삭임에 귀 기울이는 것, 즉 심층적인 탐색적 데이터 분석(EDA)과 전처리였습니다. 마치 요리사가 신선한 재료를 정성껏 손질하는 것처럼, 데이터를 깨끗하게 정제하고 그 안에 숨겨진 이야기를 듣는 과정이 얼마나 중요한지 강조했습니다. 이 과정 없이는 아무리 좋은 모델도 무용지물이 될 수밖에 없다는 것을 반드시 기억해야만 합니다.
두 번째 꿀팁은 모델을 단순히 도구가 아닌 문제 해결의 열쇠로 바라보는 것이었습니다. 수많은 모델 중에서 주어진 문제의 유형과 특성에 가장 적합한 모델을 선택하고, 정확도뿐만 아니라 정밀도, 재현율, F1-Score, ROC-AUC 등 다양한 평가 지표를 활용하여 모델의 성능을 다각도로 검증하는 것이 필수적이라는 점을 깊이 있게 다루었습니다. 모델 평가는 곧 모델의 실질적인 유용성을 판단하는 중요한 과정임을 다시 한번 상기시켜 드립니다.
마지막 세 번째 꿀팁은 분석 결과를 숫자에만 머무르게 하지 않고, 명확하게 해석하며 설득력 있는 보고서로 작성하는 능력이었습니다. 통계적 유의미성을 넘어 실질적인 중요성을 강조하고, 여러분의 분석 과정과 결과, 그리고 그를 통한 통찰을 논리적이고 명확한 스토리텔링으로 풀어내는 보고서 작성의 기술이 얼마나 중요한지 상세히 설명했습니다. 여러분의 보고서는 심사위원에게 여러분의 분석 역량을 증명하는 얼굴과 같다는 사실을 절대로 잊지 마십시오.
이 세 가지 꿀팁은 단순히 시험 합격을 위한 기술적인 요령을 넘어, 진정한 데이터 분석가로 성장하기 위한 핵심 역량이라는 것을 반드시 기억하시기 바랍니다. 빅데이터분석기사 작업형 2유형은 여러분의 데이터 분석 실력을 한 단계 더 도약시킬 수 있는 절호의 기회입니다. 이 글에서 제시된 전략들을 바탕으로 꾸준히 연습하고 심화 학습을 해 나간다면, 여러분은 분명 합격의 기쁨을 누릴 수 있을 것입니다. 여러분의 빛나는 도전을 응원합니다!
참고문헌
국가기술자격 빅데이터분석기사 출제기준. 한국데이터산업진흥원.
데이터 분석 전문가 가이드. (Various authors).
Field, A. (2018). Discovering Statistics Using R. Sage Publications.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
McKinney, W. (2017). Python for Data Analysis. O'Reilly Media.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
Provost, F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.
R Core Team. (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing.
VanderPlas, J. (2016). Python Data Science Handbook. O'Reilly Media.
Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer.