Data?, Data!, Data... * What is hardcore data science—in practice? [https://www.oreilly.com/ideas/what-is-hardcore-data-science-in-practice] * 주제에 충실한 글이니 읽어보시길 권하고, 나차럼 소프트웨어 엔지니어라면 그림을 잘 참조해서 회사의 시스템을 보완해 보자! * 소프트웨어 엔지니어와 데이터 과학자 사이를 어떻게 연결할 것인지에 대한 고민은 아직도 진행 중 > This requires more software engineering

Data?, Data!, Data... * Battle of the Data Science Venn Diagrams [http://www.prooffreader.com/2016/09/battle-of-data-science-venn-diagrams.html?m=1] * Drew Conway가 작성한 'Data Science Venn Diagram.'을 시작으로 해서 데이터 과학자를 정의하는 각 종 벤 다이어그램을 소개하고 있음 * 13개의 벤 다이어 그램 중에서 약간 모자란 것 같지만

Data?, Data!, Data... * Building a Team from the Inside Out: Alok Gupta on the Evolution of Data Science at Airbnb [http://blog.kaggle.com/2016/09/06/building-a-team-from-the-inside-out-alok-gupta-on-the-evolution-of-data-science-at-airbnb] * 급격한 성장(Hypergrowth)을 이룩한 AriBnB의 데이터사이언스팀에 관한 자세한 이야기 * 다양성에 대해서 다시 한 번 생각해 보는 계기가 되었음 > “Everything we

Data?, Data!, Data... * How algorithms rule our working lives [https://www.theguardian.com/science/2016/sep/01/how-algorithms-rule-our-working-lives] * 알고리즘이나 빅데이터 시스템에 의해서 직장 혹은 구인 과정에서 배제(rule out)된 사례를 통해서 '알고리즘'이란 단어가 얼마나 '기계적'인지 다시 한번 실감하게 됨 * 좋은 의도로 만들어지고 사용되는

* ECMA2015 INSIDE [http://www.slideshare.net/shallaa/ecma2015-inside-65652426] * ES6의 Promise Generator에 대해서 자세히 소개하고 있음 * JS도 잘 모르겠지만, ES6는 더 모르겠다고 느껴지는건 함정 * 리액트 딜레마(업데이트) [http://huns.me/development/2011] * React를 통해 바라보는 '프레임워크'에 대한 작지만 중요한 고민 > "프레임워크는 우리가 구축해야 할 애플리케이션의 일부

Data?, Data!, Data... * Why big data isn’t easy, cheap, or quick. [https://www.oreilly.com/learning/on-complexity-in-big-data] * 빅 데이터를 다루는 일이 왜 '쉽고, 저렴하고, 빠르게' 안되는지에 대해서 논의하는 글 * 'Distributed systems'을 지배하는 자가 코드를 지배 할 것 같은 느낌 > Distributed systems are hard,

Data?, Data!, Data... * Generating fantasy maps [http://mewo2.com/notes/terrain] * 판타지 소설에 나오는 가상의 지도를 조금 더 현실적이 매력적으로 만들기 위한 방법을 소개하는 튜토리얼 * Python 코드가 공개되어 있기 때문에 관심 있으신 분들에게 많은 재미를 줄 수 있을 듯 함 * I Hire Engineers At Google—Here's What I

Data?, Data!, Data... * The top 5 habits of a professional data scientist. [https://www.oreilly.com/learning/theres-nothing-magical-about-learning-data-science] * 성공하는 사람들은 7가지 습관이 있듯이 데이터 과학자들이 5가지 습관이 있음 * 요약하자면, "데이터의 통찰력을 얻기 위한 일부로 기술 스택을 활용", "주어진 데이터를 활용", "데이터 분석에 필요한 전략을 구상&

Data?, Data!, Data... * AI’s Language Problem [https://www.technologyreview.com/s/602094/ais-language-problem/?set=602129] * AI 시스템의 커뮤니케이션에 대한 진지한 담론을 다루고 있음 > [...] I asked him about the importance of being able to communicate with the AI behind such systems. “That’s an interesting question,” he said after

Data?, Data!, Data... * 3 ideas to add to your data science toolkit [https://www.oreilly.com/ideas/3-ideas-to-add-to-your-data-science-toolkit/] * 데이터를 다루는데 있어서 항상 신경써야 할 주제인 'overfitting', 'black-box parameter', 'local approximations' 문제를 해결하는 방법을 소개하고 있음 * POKEMON: VISUALIZE 'EM ALL! [http://jkunst.com/r/

* Google 앱앤진에 node.js 애플리케이션을 배포하기 [http://bcho.tistory.com/1125] * 파이썬으로 공통받던 시절이 있었는데, 이제는 NodeJS도 가능한 시대가 되었음 * 이제 JS를 모르면 3rd party 서비스를 사용하는데 많은 '불편함'이 존재 * Jenkins로 원격지 API 서버에 war 배포하기 [http://phjang.tistory.com/155] * 'War'배포를 'OOO&

Data?, Data!, Data... * How I built a Slack bot to help me find an apartment in San Francisco [https://www.dataquest.io/blog/apartment-finding-slackbot/] * 샌 프란시스코에서 아파트를 찾는데 도움을 줄 수 있는 슬랙 봇을 만드는 방법을 소개하고 있음 * 'Scraping'하는 방법과 'Filter'를 적용하는 부분같이 세세한

Data?, Data!, Data... * Creating a Beer Recommendation Engine [http://willnetsky.github.io/Beer-Recommender/] * "맥주 추천 엔진 만들기"라니 제목부터 우리의 마음을 설레게 하고 있음 * 맥주 애호가의 '열정'과 개발자의 '덕'이 느껴지는 튜토리얼! > Beer is one of my passions. I’m an award-winning

Data?, Data!, Data... * Teaching an AI to write Python code with Python code [http://www.benjamintd.com/blog/spynet/] * 파이썬 코드를 사용해서 AI가 파이썬 코드를 작성하는 방법을 소개하고 있는 튜토리얼 * 'tensor', 'theano.tensor'를 사용한 아주 간단한 '스크립트'를 제공하고 있기 때문에 소스코드도 함께

Data?, Data!, Data... * Building a data science portfolio: Machine learning project [https://www.dataquest.io/blog/data-science-portfolio-machine-learning/] * 데이터 분석가를 꿈꾸는 이들을 위한 '포토폴리오' 작성 가이드라인! * 훌륭한 How-To 문서이기 때문에 나처럼 데이터 분석에 관심이 있으시다면 꼭 읽어보시길 권해드림! * The dynamic forces shaping AI [https://www.oreilly.com/ideas/the-four-dynamic-forces-shaping-ai]

* 브랜드에 색 입히기 [https://brunch.co.kr/@ultra0034/19] * 브랜딩을 진행 할 때, 많은 분들이 고민하는 '색(Color)'에 관한 내용을 소개 * '그런데 브랜드에 색이란게 정말 필요하긴 한 걸까요?' 부분에서 내가 많은걸 오해하고 있음을 깨달았음 * 이력서 페이지 개발기, Resume [http://hsol.tistory.com/927] * 이력서 페이지를

Data?, Data!, Data... * The Business Implications of Machine Learning [https://medium.com/@dbreunig/the-business-implications-of-machine-learning-11480b99184d?imm_mid=0e53b0&cmp=em-data-na-na-newsltr_20160629] * 제목 그대로 머신 러닝의 시사점에 대한 글 * 다 읽을 시간이 없다면 "The Rise of Reciprocal Data Applications (RDAs)", "The Business Implications of Machine Learning" 챕터

Data?, Data!, Data... * Hello, TensorFlow! [https://www.oreilly.com/learning/hello-tensorflow] * 구글에서 제공하는 'TensorFlow'의 소개 기사 * 파이썬으로 진행되고 완전 초보를 위해서 작성된 글이기 때문에 '유행' 때문이라도 읽어보길 권함 * Bot Design Patterns [http://willschenk.com/bot-design-patterns] * Bot 설계를 위한 패턴을 소개하고 있음 * 머신 러닝을 활용하기 위한

Data?, Data!, Data... * Why did you choose Python for Machine Learning? [https://github.com/rasbt/python-machine-learning-book/blob/master/faq/why-python.md] * 머신러닝을 학습하기 위해서 파이썬을 배워야 하는 이유를 소개하고 있음 * '매트랩', 'R', 'Julia' 등 다른 언어와 차이점을 알고 싶은 분들에게도 도움이 될 것으로 생각됨

Data?, Data!, Data... * THE MAKING OF A CHEATSHEET: EMOJI EDITION [http://www.emilyinamillion.me/blog/2016/5/30/the-making-of-a-cheatsheet-emoji-edition] * 머신 러닝을 위한 'Emoji 쉬트'를 제공하고 있음 * 굉장히 직관적이고, python의 sklearn 라이브러리 코드를 제공하기 떄문에 나 같은 초보자에게 많은 도움이 됨 * How to build up a data team

* Go best practices, six years in [https://peter.bourgon.org/go-best-practices-2016/] * Go 언어를 공부했던 경험을 소개하고 있음 * Go 언어를 공부한다면 강추! * <슈판워> 맨땅에서 데이터 분석 시스템 만들어나가기 [http://beingryu.github.io/ndc-2016/#/] * 데이터 분석 시스템을 만들어나가는 과정을 알려줌 * 특히 실패와 수정을 반복하는 과정을 통해서 내가 어디서 삽집을 하고

Data?, Data!, Data... * Ditch the data dump [https://www.oreilly.com/ideas/ditch-the-data-dump] * 데이터를 '올바로' 흘려보내기(Ditch) 위해서 필요한 UI/UX의 필요성을 강조하고 있는 기사 > 1. "The only way to achieve “actionable insights” is to tie analytics to native application functionality. Good UI/UX leads to

Data?, Data!, Data... * One Chart, Twelve Charting Libraries [http://lisacharlotterost.github.io/2016/05/17/one-chart-code/] * 뭔가 이쁘게 보여야 할 때 꼭 필요한 'Chart' 라이브러리에 관한 소개 기사. * Python은 'Seaborn'과 'Bokeh'으로 대동단결 하는 것 같은 느낌 * A statistical analysis of minesweeper – Placing