개요

인터넷 사용량이 증가함에 따라 기업은 혁신과 경쟁 우위를 위해 데이터를 활용합니다. 66.2년 2024월 현재 전 세계 인구의 XNUMX%가 인터넷에 연결되어 있는 상황에서 디지털 연결이 커뮤니케이션에 미치는 영향은 부인할 수 없습니다.

그러나 디지털화가 증가함에 따라 사용자는 전례 없는 양의 데이터를 생성했으며 기업은 데이터 과학으로 전환하게 되었습니다. 이 학제간 분야는 통계 분석, 기계 학습, 도메인 전문 지식을 결합하여 방대한 디지털 정보를 효율적으로 이해합니다. 이러한 기술은 데이터 분석을 향상시켜 과학자들이 귀중한 통찰력을 추출할 수 있도록 해줍니다.

기업의 빠른 의사 결정을 돕기 위해 데이터 과학 분야를 탐구하는 데 관심이 있다면 올바른 길을 가고 있는 것입니다. 다음은 데이터 과학과 그 응용 분야에서 널리 사용되는 20가지 기술입니다.

읽어!

데이터 과학에서 기술의 중요성 이해

기술은 복잡한 데이터 분석 작업을 처리하기 위한 도구와 프레임워크를 제공함으로써 데이터 과학에서 중추적인 역할을 합니다. 이를 통해 데이터 과학자는 대규모 데이터 세트를 효율적으로 처리, 조작 및 분석할 수 있습니다. 또한 이러한 기술은 다양한 알고리즘과 모델의 구현을 용이하게 하여 데이터에서 의미 있는 통찰력을 더 쉽게 도출할 수 있도록 해줍니다.

데이터 과학에서 첨단 기술 활용의 이점

데이터 과학자는 고급 기술을 활용하여 여러 가지 이점을 누릴 수 있습니다.

첫째, 이러한 기술은 강력한 계산 기능을 제공하여 보다 빠르고 정확한 데이터 분석을 가능하게 합니다.

둘째, 복잡한 알고리즘과 모델의 구현을 단순화하는 광범위한 도구와 라이브러리를 제공합니다.

또한 이러한 기술을 통해 다른 시스템 및 플랫폼과의 원활한 통합이 가능해 데이터 과학 프로젝트의 확장성과 유연성이 향상됩니다.

데이터 과학의 최고 기술 개요

Python

파이썬 소개

Python 데이터 과학에서 널리 사용되는 이해하기 쉽고 실용적인 프로그래밍 언어입니다. 단순성과 가독성으로 인해 데이터 조작, 분석 및 시각화에 이상적인 선택입니다. Python은 데이터 과학 작업에 필수적인 기능을 제공하는 NumPy, Pandas, Matplotlib와 같은 라이브러리를 제공합니다.

데이터 과학에 Python 적용

1. 데이터 분석: Pandas 및 NumPy와 같은 Python의 광범위한 라이브러리는 효율적인 데이터 조작 및 분석을 촉진하므로 탐색적 데이터 분석에 선호되는 언어입니다.
2. 기계 학습 : 파이썬 scikit-learn 라이브러리 과 TensorFlow 딥 러닝을 위해 회귀부터 복잡한 신경망까지 기계 학습 알고리즘을 구현하기 위한 강력한 프레임워크를 제공합니다.
3. 데이터 시각화: Matplotlib 및 Seaborn과 같은 라이브러리를 사용하면 Python을 사용하여 시각적으로 매력적인 차트, 그래프 및 플롯을 생성할 수 있으며 데이터 통찰력의 해석 및 전달을 돕습니다.
4. 통계 분석: Python은 Statsmodels와 같은 라이브러리를 통해 통계 모델링 및 가설 테스트를 지원하여 데이터 과학자가 결과를 검증하고 정보에 입각한 결정을 내릴 수 있도록 지원합니다.
5. 빅 데이터 처리: Python은 확장 가능한 빅 데이터 처리를 위해 Apache Spark와 같은 도구와 원활하게 통합되므로 데이터 과학자가 대규모 데이터 세트를 효율적으로 처리할 수 있습니다.
6. 자연어 처리 (NLP) : 파이썬의 NLTK와 공간 라이브러리 텍스트 분석 및 처리를 촉진하여 감정 분석, 언어 번역 및 챗봇 개발에 애플리케이션을 사용할 수 있습니다.
7. 데이터 정리 및 전처리: Python의 다용성은 데이터 정리 작업을 단순화하고 데이터 품질을 보장하며 분석 또는 기계 학습 애플리케이션을 위한 데이터 세트를 준비합니다.
8. 웹 스크래핑: Python의 BeautifulSoup 및 Scrapy를 사용하면 웹 스크래핑을 통해 웹사이트에서 귀중한 데이터를 추출할 수 있습니다. 이는 데이터 세트 구축 및 시장 조사 수행에 매우 중요합니다.
9. 시계열 분석: Statsmodels 및 Pandas와 같은 Python 라이브러리는 시계열 분석을 지원하여 시간 데이터의 예측 및 추세 식별을 돕습니다.
10. 데이터 플랫폼과의 통합: Python은 다양한 데이터 플랫폼, 데이터베이스 및 클라우드 서비스와 통합되어 데이터 과학 워크플로와 스토리지 솔루션 간의 원활한 상호 작용을 촉진합니다.

Python 과정에 대한 소개를 찾고 있습니다. 데이터 과학을 위한 Python 배우기.

R 언어

R 언어 소개

R 언어 통계 분석 및 데이터 시각화를 위해 특별히 설계된 또 다른 인기 있는 프로그래밍 언어입니다. 이는 데이터 과학자가 고급 통계 모델링 및 탐색적 데이터 분석을 수행할 수 있도록 하는 광범위한 패키지 및 라이브러리 컬렉션을 제공합니다.

데이터 과학에 R 언어 적용

1. 통계 분석: R은 통계 분석에 널리 사용되며 기술 및 추론 통계를 위한 광범위한 라이브러리 및 기능 세트를 제공합니다.
2. 데이터 시각화: 다음과 같은 패키지로 ggplot2, R은 고품질 시각화를 생성하는 데 탁월하여 데이터 통찰력을 효과적으로 탐색하고 전달하는 데 도움을 줍니다.
3. 기계 학습 : R은 캐럿 및 RandomForest와 같은 수많은 기계 학습 라이브러리를 제공하므로 예측 모델 구축 및 고급 분석 수행을 위한 다양한 선택이 가능합니다.
4. 데이터 정리 및 변환: R은 다음과 같은 강력한 도구를 제공합니다. dplyr 과 정리정돈, 효율적인 데이터 랭글링, 정리 및 변환 프로세스를 촉진합니다.
5. 통계 모델링: R은 다양한 통계 모델을 지원하므로 데이터 과학자가 가설 테스트, 회귀 분석 및 기타 고급 통계 기술을 수행할 수 있습니다.
6. 빅 데이터 기술과의 통합: R은 Apache Spark와 같은 빅 데이터 기술과 인터페이스하여 대규모 데이터 세트 분석을 위한 원활한 통합을 가능하게 합니다.
7. 커뮤니티 지원: R은 데이터 과학 프로젝트의 협업 및 문제 해결을 위한 다양한 패키지, 리소스 및 포럼을 제공하는 활기차고 활동적인 커뮤니티의 이점을 누리고 있습니다.

또한 다음을 읽을 수 있습니다 : R의 ggplot2에 대한 종합 가이드.

SQL

SQL 소개

구조적 쿼리 언어 (SQL) 관계형 데이터베이스를 관리하고 조작하기 위한 표준 언어입니다. 데이터 과학자는 SQL을 사용하여 데이터베이스에 저장된 데이터를 추출, 변환 및 분석하는 경우가 많으므로 SQL은 데이터 과학의 필수 기술입니다.

데이터 과학에 SQL 적용

1. 데이터 검색: SQL은 관계형 데이터베이스에서 관련 데이터를 추출하는 데 기본이 되며, 이를 통해 데이터 과학자는 분석에 필수적인 특정 하위 집합 또는 집계를 얻을 수 있습니다.
2. 데이터 정리 및 변환: SQL은 데이터베이스 내의 데이터를 정리하고 전처리하는 데 사용되며, 분석 목적을 위해 원시 데이터를 구조화되고 사용 가능한 형식으로 쉽게 변환합니다.
3. 데이터 통합: SQL은 다양한 데이터 세트의 통합을 지원하므로 데이터 과학자가 포괄적인 분석을 위해 여러 소스의 정보를 병합할 수 있습니다.
4. 데이터 탐색 : SQL을 사용하면 데이터 과학자는 추세나 이상 현상을 식별하는 쿼리를 사용하여 데이터의 기본 패턴과 특성을 효율적으로 탐색하고 이해할 수 있습니다.
5. 데이터 집계 및 요약: SQL의 GROUP BY 및 집계 함수를 사용하면 데이터 요약이 가능해 의미 있는 통찰력과 통계 요약이 생성됩니다.
6. 데이터 필터링: SQL의 WHERE 절을 사용하면 데이터 과학자가 특정 조건을 기반으로 데이터 세트를 필터링하여 데이터 하위 집합에 대한 집중적인 분석을 용이하게 할 수 있습니다.
7. 데이터베이스 관리: SQL은 데이터베이스를 관리 및 유지하고 효율적인 데이터 저장, 검색 및 간소화된 데이터 과학 워크플로를 위한 구성을 보장하는 데 중요합니다.

다음 내용도 읽을 수 있습니다. SQL: 기초부터 고급 레벨까지 본격적인 가이드.

하둡

하둡 소개

하둡 컴퓨터 클러스터 전체에서 대규모 데이터 세트를 처리할 수 있는 분산 컴퓨팅 프레임워크입니다. 빅데이터를 저장하고 분석하기 위한 확장 가능하고 내결함성 있는 환경을 제공하므로 데이터 과학에서 중요한 기술입니다.

데이터 과학에 Hadoop을 적용

1. 빅 데이터 처리: Hadoop은 대규모 데이터 세트를 처리하고, 분산 스토리지 및 처리 기능을 제공하며, 확장 가능한 방식으로 방대한 양의 데이터를 효율적으로 관리하는 데 필수적입니다.
2. 병렬 처리: Hadoop의 MapReduce 패러다임은 데이터의 병렬 처리를 촉진하여 데이터 과학에서 데이터 집약적인 작업의 중요한 측면인 분산 클러스터 전반의 계산 속도와 효율성을 향상시킵니다.
3. 비용 효율적인 스토리지: HDFS(Hadoop 분산 파일 시스템)는 노드 전체에 데이터를 분산 및 복제하여 대규모 데이터 세트를 비용 효율적으로 저장하고 내결함성과 고가용성을 보장합니다.
4. 확장성: Hadoop의 아키텍처를 사용하면 클러스터에 노드를 추가하여 쉽게 확장할 수 있으며, 인프라를 크게 변경하지 않고도 증가하는 데이터 과학 애플리케이션 수요를 수용할 수 있습니다.
5. 데이터 다양성: Hadoop은 구조화된 데이터와 구조화되지 않은 데이터를 포함한 다양한 데이터 유형을 수용하므로 다양한 데이터 소스와 관련된 데이터 과학 작업에 유용하게 사용할 수 있습니다.
6. 데이터 탐색 및 분석: 다음과 같은 도구와 결합된 Hadoop 아파치 하이브 과 아파치 돼지, 데이터 탐색 및 분석을 지원하여 데이터 과학자가 크고 복잡한 데이터 세트에서 귀중한 통찰력을 얻을 수 있도록 지원합니다.

또한 다음을 읽을 수 있습니다 : 빅 데이터를 위한 하둡 에코시스템 소개.

아파치 스파크

Apache Spark 소개

아파치 스파크 고속 데이터 처리 기능을 갖춘 오픈 소스 분산 컴퓨팅 시스템입니다. 빅데이터 처리, 머신러닝, 그래프 처리를 위한 통합 분석 엔진을 제공하여 데이터 과학 분야의 귀중한 기술입니다.

데이터 과학에 Apache Spark 적용

1. 대규모 데이터 처리: Apache Spark는 대규모 데이터 세트를 처리하는 데 탁월하여 다양한 데이터 과학 애플리케이션에서 중요한 측면인 효율적인 처리 및 분석을 가능하게 합니다.
2. 속도 및 성능: Spark의 인메모리 처리 기능은 속도를 크게 향상시켜 기존 데이터 처리 프레임워크보다 뛰어난 성능을 발휘합니다. 이러한 가속화는 기계 학습에서 일반적인 반복 알고리즘에 특히 유용합니다.
3. 데이터 처리의 다양성: Spark는 다양한 데이터 형식을 지원하므로 정형, 반정형 또는 비정형 데이터와 관련된 데이터 과학 작업에 다용도로 사용할 수 있습니다.
4. 기계 학습 라이브러리: 스파크 MLlib 포괄적인 기계 학습 라이브러리 세트를 제공하여 통합 플랫폼에서 데이터 처리 및 모델 개발의 원활한 통합을 촉진합니다.
5. 실시간 데이터 스트리밍: Spark Streaming을 사용하면 사기 탐지, 감정 분석, 데이터 과학 워크플로의 IoT 분석과 같은 애플리케이션에 중요한 실시간 데이터 처리가 가능합니다.
6. 사용의 용이성: Spark는 Java, Scala, Python 및 R로 API를 제공하므로 다양한 프로그래밍 선호도를 가진 광범위한 데이터 과학자가 액세스할 수 있습니다.
7. 커뮤니티 지원: 오픈 소스 프레임워크인 Apache Spark는 활발한 커뮤니티의 이점을 활용하여 데이터 과학자를 위한 지속적인 업데이트, 개선 및 풍부한 공유 지식을 보장합니다.

또한 읽기 : Apache Spark 및 해당 데이터 세트 소개.

TensorFlow

TensorFlow 소개

TensorFlow 머신러닝과 딥러닝을 위한 인기 있는 오픈 소스 라이브러리입니다. 기계 학습 모델을 구축하고 배포하기 위한 유연한 프레임워크를 제공하므로 복잡한 예측 분석 작업을 수행하는 데이터 과학자에게 적합한 기술입니다.

데이터 과학에 TensorFlow 적용

1. 데이터 처리: TensorFlow는 효율적인 데이터 처리 기능을 제공하여 대규모 데이터세트와 원활하게 통합할 수 있습니다. 이를 통해 데이터 과학자는 모델 훈련을 위한 정보를 준비하는 데 중요한 단계인 데이터를 전처리하고 조작할 수 있습니다.
2. 모델 배포: TensorFlow는 학습된 모델을 프로덕션 환경에 쉽게 배포하여 확장성과 효율성을 보장합니다. 이는 실제 애플리케이션에서 기계 학습 솔루션을 구현하는 데 필수적입니다.
3. 신경망 시각화: 라이브러리는 신경망 아키텍처와 동작을 시각화하고 이해하기 위한 도구를 제공합니다. 이는 데이터 과학자가 모델 성능을 최적화하고 결과를 해석하는 데 도움이 됩니다.
4. 전이 학습: TensorFlow는 전이 학습을 지원하므로 사전 학습된 모델을 새로운 작업에 재사용할 수 있습니다. 이는 모델 개발을 가속화하고 특히 레이블이 지정된 데이터가 제한된 시나리오에서 성능을 향상시킵니다.
5. 커뮤니티와 생태계: TensorFlow는 활발한 커뮤니티와 사전 구축된 모델의 풍부한 생태계를 자랑하므로 데이터 과학자가 기존 리소스를 활용하고 데이터 과학의 복잡한 문제를 해결하기 위해 더 쉽게 협력할 수 있습니다.

또한 읽기 : 예제와 Python 구현을 갖춘 초보자를 위한 TensorFlow.

Tableau

Tableau 소개

Tableau 데이터 과학자가 시각적으로 매력적인 대화형 대시보드와 보고서를 만들 수 있도록 지원하는 강력한 데이터 시각화 도구입니다. 데이터 탐색 및 통찰력 전달 과정을 단순화하여 데이터 과학의 필수 기술로 만듭니다.

데이터 과학에 Tableau 적용

1. 데이터 시각화: Tableau는 강력한 성능으로 인해 데이터 과학에서 광범위하게 사용됩니다. 데이터 시각화 능력. 원시 데이터를 대화형의 이해 가능한 시각화로 변환하여 보다 쉽게 ​​해석하고 분석할 수 있습니다.
2. 탐색적 데이터 분석(EDA): Tableau는 데이터 과학자가 데이터 세트를 빠르게 탐색하고 동적 시각적 표현을 통해 패턴, 추세 및 이상값을 식별할 수 있도록 함으로써 EDA를 지원합니다.
3. 대시보드 생성: 데이터 과학자는 Tableau를 활용하여 복잡한 데이터 세트에 대한 포괄적인 개요를 제공하는 대화형 대시보드를 만듭니다. 이를 통해 조직 내 의사소통 및 의사결정 프로세스가 향상됩니다.
4. 데이터 소스와의 통합: Tableau는 다양한 데이터 원본과 원활하게 통합되므로 데이터 과학자가 다양한 플랫폼과 데이터베이스의 데이터를 연결, 분석 및 시각화할 수 있습니다.
5. 예측 분석 : Tableau는 통계 모델 및 기계 학습 알고리즘과 통합되어 데이터 과학자가 예측 분석을 수행하고 결과를 시각적으로 보여줄 수 있습니다.
6. 실시간 분석: 실시간 데이터 연결을 통해 Tableau는 실시간 분석을 지원하여 데이터 과학자가 최신 정보를 기반으로 현명한 결정을 내릴 수 있도록 지원합니다.
7. 협업 및 보고: Tableau는 데이터 과학자가 대화형 보고서를 통해 팀 구성원과 통찰력을 공유할 수 있도록 하여 보다 데이터 중심적이고 협업적인 작업 환경을 조성함으로써 협업을 촉진합니다.

또한 읽기 : Tableau를 사용한 데이터 시각화를 위한 단계별 가이드.

SAS

SAS 소개

SAS 고급 분석 및 비즈니스 인텔리전스에 널리 사용되는 포괄적인 소프트웨어 제품군입니다. 데이터 조작, 통계 분석, 예측 모델링을 위한 광범위한 도구와 기능을 제공하므로 데이터 과학에서 귀중한 기술이 됩니다.

데이터 과학에 SAS 적용

1. 자료 관리: SAS는 효율적인 데이터 관리, 처리 및 조작에 널리 사용되며 데이터 정리, 변환 및 통합을 위한 포괄적인 도구 세트를 제공합니다.
2. 통계 분석: SAS는 통계 분석을 위한 강력한 플랫폼을 제공하므로 데이터 과학자가 복잡한 통계 모델링, 가설 테스트, 회귀 분석을 수행하여 의미 있는 통찰력을 얻을 수 있습니다.
3. 기계 학습 : SAS는 고급 기계 학습 알고리즘을 통합하여 분류, 클러스터링, 회귀와 같은 작업을 위한 예측 모델의 개발 및 배포를 촉진합니다.
4. 데이터 시각화: SAS는 통찰력 있는 그래프, 차트, 대시보드를 생성할 수 있는 강력한 데이터 시각화 도구를 제공하여 기술 및 비기술 이해관계자에게 복잡한 결과를 전달하는 데 도움을 줍니다.
5. 텍스트 분석: SAS는 텍스트 마이닝과 자연어 처리를 지원하므로 데이터 과학자는 구조화되지 않은 텍스트 데이터에서 고객 리뷰나 소셜 미디어 댓글과 같은 귀중한 정보를 추출할 수 있습니다.
6. 최적화 기술: SAS는 복잡한 비즈니스 문제를 해결하고 의사 결정 프로세스와 리소스 할당을 돕기 위한 최적화 기술을 지원합니다.
7. 빅데이터 통합: SAS는 빅 데이터 플랫폼과 원활하게 통합되므로 데이터 과학자가 대규모 데이터 세트에서 효율적으로 분석하고 통찰력을 얻을 수 있습니다.

또한 읽기 : SAS 학습 경로 및 리소스 - SAS의 Business Analyst.

Matlab

MATLAB 소개

Matlab 수치 컴퓨팅 및 데이터 분석을 위해 특별히 설계된 프로그래밍 언어 및 환경입니다. 다양한 데이터 과학 작업을 위한 광범위한 내장 기능 및 도구 상자 컬렉션을 제공하므로 데이터 과학자들 사이에서 인기가 높습니다.

데이터 과학에 MATLAB 적용

1. 데이터 시각화: MATLAB은 복잡한 데이터세트를 시각적으로 설득력 있게 표현하는 데 탁월하며, 데이터 과학자가 사용자 정의 가능한 플롯과 그래프를 통해 패턴과 추세를 해석하는 데 도움을 줍니다.
2. 통계 분석: MATLAB은 통계 모델링 및 가설 테스트를 위한 강력한 환경을 제공하여 데이터 분포 및 관계에 대한 심층적인 탐색을 촉진합니다.
3. 기계 학습 : 내장된 라이브러리와 툴박스를 통해 MATLAB은 분류, 회귀, 클러스터링을 위한 다양한 기계 학습 알고리즘을 지원하여 모델 개발 및 평가를 간소화합니다.
4. 신호 처리: MATLAB의 신호 처리 기능은 데이터 과학의 중요한 측면인 시계열 데이터를 분석하는 데 유용하며, 이를 통해 전문가는 신호 및 센서 데이터에서 의미 있는 정보를 추출할 수 있습니다.
5. 이미지 처리 : 이미지 분석을 위한 포괄적인 기능 세트를 제공하여 컴퓨터 비전 내에서 특징 추출, 분할, 객체 인식과 같은 작업을 지원합니다.
6. 빅데이터 통합: MATLAB의 병렬 컴퓨팅 기능은 대규모 데이터 세트 처리를 용이하게 하여 빅 데이터 문제를 처리할 때 확장성과 효율성을 향상시킵니다.
7. Simulink 통합: Simulink와의 통합을 통해 데이터 과학자는 시뮬레이션과 모델 기반 설계를 데이터 과학 워크플로우에 원활하게 통합하여 문제 해결에 대한 전체적인 접근 방식을 취할 수 있습니다.

또한 읽기 : MATLAB이란 무엇입니까? 작업, 기능 및 응용 프로그램.

아파치 카프카

아파치 카프카 소개

아파치 카프카 실시간 데이터 스트림 처리를 가능하게 하는 분산형 스트리밍 플랫폼입니다. 높은 처리량, 내결함성 및 확장 가능한 데이터 스트리밍 기능을 제공하므로 스트리밍 데이터로 작업하는 데이터 과학자에게 필수적인 기술입니다.

데이터 과학에 Apache Kafka 적용

1. 실시간 데이터 스트리밍: Apache Kafka는 원활한 실시간 데이터 스트리밍을 촉진하므로 지속적이고 즉각적인 데이터 업데이트가 필요한 데이터 과학 애플리케이션에 이상적인 솔루션입니다.
2. 데이터 통합 ​​및 집계: Kafka는 다양한 소스의 데이터를 통합하고 집계하기 위한 안정적인 백본이므로 데이터 과학자가 통합되고 포괄적인 데이터 세트로 작업할 수 있습니다.
3. 확장성 및 내결함성: Kafka의 분산 아키텍처는 확장성과 내결함성을 보장하여 대규모 데이터 과학 워크로드를 처리할 수 있는 강력한 플랫폼을 제공합니다.
4. 이벤트 기반 아키텍처: Kafka의 이벤트 중심 모델은 데이터 과학 워크플로우와 잘 조화되어 동적 데이터 처리에 중요한 이벤트 및 트리거에 적시에 대응할 수 있습니다.
5. 생산자와 소비자의 분리: Kafka의 분리된 아키텍처는 데이터 생산자와 소비자 간의 독립성을 허용하여 데이터 과학 워크플로우의 유연성과 적응성을 향상시킵니다.
6. 데이터 변환 및 처리: Kafka는 스트림 처리를 지원하므로 데이터 과학자가 스트리밍 데이터에 대한 실시간 변환 및 분석을 수행할 수 있습니다.
7. 데이터 파이프라인 관리: Kafka는 복잡한 데이터 파이프라인의 관리를 단순화하여 데이터 과학 워크플로의 여러 단계 간 효율적인 데이터 이동을 촉진합니다.

또한 읽기 : Apache Kafka 소개: 기초 및 작업.

MongoDB의

MongoDB 소개

MongoDB의 비정형 데이터를 저장하고 검색하기 위한 높은 확장성과 유연성을 제공하는 인기 있는 NoSQL 데이터베이스입니다. 이는 대량의 다양한 데이터 유형을 처리하기 위해 데이터 과학에서 널리 사용되므로 이 분야에서 귀중한 기술입니다.

데이터 과학에 MongoDB 적용

1. 유연한 데이터 모델: MongoDB의 문서 지향, NoSQL 데이터베이스 구조를 통해 다양한 데이터 유형을 유연하게 처리할 수 있습니다. 데이터 과학 프로젝트에서 데이터의 다양하고 구조화되지 않은 특성을 수용하는 데 매우 적합합니다.
2. 확장성: MongoDB의 수평적 확장 기능은 원활한 데이터 스토리지 확장을 가능하게 하여 데이터 과학 애플리케이션에서 흔히 발생하는 대규모 데이터 세트를 효율적으로 처리할 수 있도록 보장합니다.
3. 실시간 분석: 실시간 데이터 처리를 지원하는 기능을 통해 MongoDB는 시간에 민감한 데이터 과학 작업 및 의사 결정에 중요한 즉각적인 분석을 촉진하는 데 중요한 역할을 합니다.
4. 집계 프레임워크: MongoDB의 강력한 집계 프레임워크는 데이터 조작 및 변환을 단순화하여 데이터 과학자가 데이터베이스 내에서 직접 복잡한 분석 작업을 수행할 수 있도록 해줍니다.
5. 지리공간적 능력: 위치 기반 데이터 분석과 관련된 프로젝트의 경우 MongoDB의 기본 지리공간 인덱싱 및 쿼리 기능은 데이터 과학 애플리케이션에서 지리공간 분석을 위한 강력한 기반을 제공합니다.
6. Python 및 R과 통합: MongoDB는 Python 및 R과 같은 널리 사용되는 데이터 과학 프로그래밍 언어와 원활하게 통합되어 데이터 과학 애플리케이션의 개발 및 배포를 단순화합니다.
7. JSON/BSON 형식: MongoDB는 데이터를 다음 위치에 저장합니다. JSON/BSON 형식을 지정하여 데이터 과학 워크플로에서 일반적으로 사용되는 다른 도구와의 쉬운 데이터 교환 및 통합을 촉진합니다.

또한 읽기 : MongoDB 사용에 대한 전체 가이드

Amazon Web Services (AWS)

AWS 소개

Amazon Web Services (AWS) 광범위한 데이터 저장, 처리, 분석 서비스를 제공하는 클라우드 컴퓨팅 플랫폼입니다. 데이터 과학 프로젝트를 위한 확장 가능하고 비용 효율적인 솔루션을 제공하므로 데이터 과학자들 사이에서 선호되는 기술입니다.

데이터 과학에 AWS 적용

1. 확장성: AWS는 확장 가능한 인프라를 제공하므로 데이터 과학자가 대규모 데이터 세트를 처리하고 복잡한 알고리즘을 실행하는 데 필요에 따라 컴퓨팅 리소스를 원활하게 확장할 수 있습니다.
2. 스토리지 솔루션: 와 아마존 S3, AWS는 확장 가능하고 내구성이 뛰어난 객체 스토리지를 제공하여 데이터 과학 워크플로에 중요한 방대한 양의 정형 및 비정형 데이터를 효율적이고 안전하게 저장할 수 있도록 해줍니다.
3. 관리형 데이터베이스: AWS는 Amazon RDS와 같은 관리형 데이터베이스 서비스를 제공하며 아마존 레드 시프트, 데이터 저장 및 검색을 단순화하고 분석을 위해 구조화된 데이터의 효율적인 구성을 촉진합니다.
4. 기계 학습 서비스: AWS는 Amazon SageMaker와 같은 다양한 기계 학습 서비스를 제공하므로 데이터 과학자가 광범위한 인프라 관리 없이도 기계 학습 모델을 대규모로 구축, 교육 및 배포할 수 있습니다.
5. 비용 효율성 : AWS의 종량제 가격 모델을 사용하면 데이터 과학자는 컴퓨팅 리소스와 스토리지에 대해서만 비용을 지불하여 비용을 최적화할 수 있으므로 데이터 과학 프로젝트를 위한 비용 효율적인 솔루션이 됩니다.
6. 분석 도구와의 통합: AWS는 널리 사용되는 데이터 과학 및 분석 도구와 원활하게 통합되어 데이터 과학자가 선호하는 애플리케이션 및 프레임워크로 작업할 수 있는 응집력 있는 환경을 제공합니다.
7. 보안 및 규정 준수: AWS는 데이터 보안을 우선시하여 암호화, 액세스 제어 및 규정 준수 인증을 갖춘 강력한 인프라를 제공하고 데이터 과학 프로젝트에서 민감한 데이터의 기밀성과 무결성을 보장합니다.

또한 읽기 : AWS란 무엇입니까? 모든 데이터 과학 전문가가 Amazon Web Services를 배워야 하는 이유.

Microsoft Azure

마이크로소프트 애저 소개

Microsoft Azure 데이터 과학을 위한 포괄적인 서비스 세트를 제공하는 또 다른 클라우드 컴퓨팅 플랫폼입니다. 데이터 저장, 기계 학습 및 분석을 위한 도구와 프레임워크를 제공하므로 이 분야에서 귀중한 기술이 됩니다.

데이터 과학에 Microsoft Azure 적용

1. 데이터 저장 및 관리: Microsoft Azure는 데이터 과학자가 대규모 데이터 세트를 효율적으로 저장하고 관리할 수 있도록 확장 가능하고 안전한 클라우드 스토리지 솔루션을 제공합니다.
2. 데이터 처리 및 분석: Azure는 다음과 같은 서비스를 통해 강력한 데이터 처리 기능을 제공합니다. Azure 데이터브릭스 과 HD인사이트, 원활한 데이터 분석 및 탐색을 촉진합니다.
3. 기계 학습 서비스: Azure Machine Learning은 데이터 과학자가 기계 학습 모델을 대규모로 구축, 학습 및 배포하여 엔드투엔드 기계 학습 수명 주기를 간소화할 수 있도록 지원합니다.
4. 오픈 소스 도구와의 통합: Azure는 인기 있는 오픈 소스 데이터 과학 도구 및 프레임워크를 지원하여 Python 및 R과 같은 도구에 익숙한 데이터 과학자를 위한 유연성과 상호 운용성을 촉진합니다.
5. 협업 및 워크플로 자동화: Azure Notebooks 및 Azure Machine Learning Studio는 데이터 과학 팀 간의 협업을 강화하는 반면, Azure Pipelines는 모델 배포 및 모니터링을 위한 워크플로를 자동화합니다.
6. 확장성 및 성능: 데이터 과학자는 Azure의 클라우드 인프라를 활용하여 계산을 수평 및 수직으로 확장하여 리소스 집약적인 작업에 대한 최적의 성능을 보장할 수 있습니다.
7. 데이터 시각화: 다음과 같은 Azure 서비스 힘 BI 데이터 과학자가 대화형의 통찰력 있는 시각화를 생성하여 결과를 이해관계자에게 효과적으로 전달하는 데 도움을 줍니다.

또한 살펴보세요: Microsoft Azure 과정의 기초

Google Cloud Platform (GCP)

GCP 소개

Google Cloud Platform (GCP) Google에서 제공하는 클라우드 컴퓨팅 서비스 제품군입니다. 데이터 저장, 처리, 분석을 위한 광범위한 도구와 기술을 제공하므로 데이터 과학자들 사이에서 인기가 높습니다.

데이터 과학에 GCP 적용

1. 데이터 웨어하우징을 위한 BigQuery: Google Cloud Platform(GCP) 제공 BigQuery, 대규모 데이터 세트의 빠르고 확장 가능한 분석을 용이하게 하는 완전 관리형 서버리스 데이터 웨어하우스입니다.
2. Cloud Storage를 사용한 데이터 스토리지: GCP의 Cloud Storage는 방대한 양의 데이터를 저장하기 위한 안전하고 확장 가능한 솔루션을 제공하여 데이터 과학 애플리케이션의 접근성과 내구성을 보장합니다.
3. AI Platform의 머신러닝: GCP의 AI 플랫폼을 사용하면 데이터 과학자가 간소화된 모델 개발을 위한 AutoML과 같은 기능을 통해 머신러닝 모델을 효율적으로 구축, 배포, 확장할 수 있습니다.
4. 스트림 및 일괄 처리를 위한 데이터 흐름: GCP Dataflow를 사용하면 데이터 과학자가 실시간 스트리밍 및 배치 데이터를 모두 처리하고 분석하여 다양한 데이터 소스를 유연하게 처리할 수 있습니다.
5. TensorFlow 및 Colab 통합: GCP는 널리 사용되는 오픈소스 머신러닝 프레임워크인 TensorFlow를 지원하며 데이터 과학 프로젝트를 위한 공동작업 플랫폼인 Colab과 원활하게 통합됩니다.
6. 엔드 투 엔드 ML을 위한 Vertex AI: GCP의 Vertex AI는 데이터 준비부터 모델 배포까지 엔드 투 엔드 머신러닝 개발을 위한 통합 플랫폼을 제공하여 데이터 과학 워크플로를 단순화합니다.

또한 읽어보세요: GCP: 클라우드 컴퓨팅의 미래

아파치 카산드라

아파치 카산드라 소개

아파치 카산드라 여러 서버에서 대량의 데이터를 처리하도록 설계된 확장성이 뛰어나고 분산된 NoSQL 데이터베이스입니다. 높은 가용성과 내결함성을 제공하므로 빅 데이터를 다루는 데이터 과학자에게 귀중한 기술입니다.

아파치 카산드라의 적용 데이터 과학

1. 확장성: Apache Cassandra는 분산 클러스터 전체에서 막대한 양의 데이터를 처리하는 데 탁월하므로 확장성이 필요한 데이터 과학 애플리케이션에 적합합니다.
2. 고가용성: 분산형 아키텍처는 데이터 과학 워크플로우에서 데이터에 대한 지속적인 액세스를 유지하는 데 중요한 고가용성과 내결함성을 보장합니다.
3. 유연한 데이터 모델: Cassandra의 NoSQL 열 계열 데이터 모델은 유연한 스키마 설계를 허용하여 데이터 과학 프로젝트에서 자주 접하게 되는 다양하고 발전하는 데이터 구조를 수용합니다.
4. 실시간 분석: 빠른 속도로 읽기 및 쓰기 작업을 처리하는 능력 덕분에 Cassandra는 실시간 분석에 적합하여 데이터 과학 프로세스에서 신속한 의사 결정을 촉진합니다.
5. 시계열 데이터: Cassandra는 시계열 데이터를 처리하는 데 능숙하므로 시간 분석 및 추세 예측과 관련된 데이터 과학 애플리케이션에 유용합니다.
6. 분산 컴퓨팅: Cassandra의 분산 특성은 대규모 데이터 과학 작업에서 데이터 집약적인 계산에 중요한 기능인 병렬 처리를 가능하게 합니다.
7. 지리공간 데이터 지원: 지리공간 데이터 유형에 대한 지원은 위치 기반 통찰력을 포함하는 데이터 과학 애플리케이션을 제공하는 공간 분석에 유용합니다.

또한 읽기 : Apache Cassandra: 고성능 분산 NO-SQL 데이터베이스

Python 라이브러리(NumPy, Pandas, Matplotlib 등)

Python 라이브러리 소개

다음과 같은 파이썬 라이브러리 눔 파이, 판다및 매트플롯립 필수적인 데이터 조작, 분석, 시각화 기능을 제공합니다. 이러한 라이브러리는 복잡한 데이터 과학 작업의 구현을 단순화하므로 이 분야에 없어서는 안 될 기술입니다.

데이터 과학에 Python 라이브러리 적용

1. 눔 파이: 수치 연산을 위한 기본 라이브러리인 NumPy는 대규모 배열과 행렬을 효율적으로 처리할 수 있도록 하며 데이터 과학의 수학적 연산 및 선형 대수학에 필수적인 기능을 제공합니다.
2. 판다: 데이터 조작 및 분석에 널리 사용되는 Pandas는 DataFrame과 같은 데이터 구조를 제공하여 데이터세트를 쉽게 인덱싱, 필터링 및 정리할 수 있습니다. 데이터 집계 및 누락된 값 처리와 같은 작업을 단순화합니다.
3. 매트플롯립: 데이터 시각화에 필수적인 Matplotlib는 다양한 플롯과 차트 생성을 촉진하여 데이터 추세와 패턴을 탐색하고 전달하는 데 도움을 줍니다. 그 다양성은 유익한 시각화를 만드는 초석이 됩니다.
4. 씨본: Matplotlib을 기반으로 구축된 Seaborn은 통계 데이터 시각화를 전문으로 합니다. 복잡한 시각화 생성을 단순화하여 플롯의 미적 매력과 해석 가능성을 향상시킵니다.
5. 사이 킷 러닝: 강력한 기계 학습 라이브러리인 Scikit-learn은 데이터 모델링, 분류, 회귀, 클러스터링 등을 위한 도구를 제공합니다. 단순성과 광범위한 문서화로 인해 예측 모델을 구축하는 데 귀중한 리소스가 됩니다.
6. 통계 모델: 통계모델 중심, Statsmodels 보완 사이 킷 러닝 가설 테스트, 회귀 분석, 시계열 분석을 위한 도구를 제공하여 데이터 과학의 포괄적인 통계 접근 방식에 기여합니다.

또한 읽기 : 꼭 알아야 할 상위 10개 Python 라이브러리!

기계 학습 알고리즘

기계 학습 알고리즘 소개

기계 학습 알고리즘 데이터 과학의 중추를 형성합니다. 이를 통해 데이터 과학자는 예측 모델을 구축하고 데이터 기반 결정을 내릴 수 있습니다. 선형 회귀, 의사결정 트리, 신경망 등 다양한 알고리즘이 데이터 과학에서 널리 사용됩니다.

데이터 과학에 머신러닝 알고리즘 적용

1. 예측 분석 : 기계 학습 알고리즘을 적용하여 과거 데이터를 분석하고 패턴과 추세를 식별하여 미래 결과를 정확하게 예측합니다.
2. 분류 및 분류: ML 알고리즘은 패턴을 기반으로 데이터를 클래스 또는 그룹으로 분류하여 목표 의사 결정을 위한 효과적인 세분화를 가능하게 합니다.
3. 클러스터링 분석: 비지도 학습 알고리즘은 데이터 내의 숨겨진 패턴을 찾아내 자연스러운 그룹화 또는 클러스터 식별을 촉진하는 데 도움이 됩니다.
4. 추천 시스템: ML은 추천 엔진을 강화하여 사용자 선호도와 행동을 분석하여 맞춤형 제안을 제공합니다.
5. 이상 탐지: ML은 데이터세트의 이상값이나 이상치를 식별하여 불규칙성이나 잠재적인 문제를 감지하는 데 도움을 줍니다.
6. 이미지 및 음성 인식: ML 알고리즘은 이미지 및 음성 처리에 뛰어나며 얼굴 인식, 객체 감지, 음성 명령 시스템과 같은 애플리케이션을 지원합니다.
7. 최적화 알고리즘: ML은 피드백을 기반으로 결과를 반복적으로 개선하는 알고리즘을 통해 프로세스, 리소스, 의사 결정을 최적화하는 데 기여합니다.
8. 회귀 분석: ML 모델은 연속적인 수치 값을 예측하여 정보에 기반한 의사 결정을 위한 변수 간의 관계에 대한 통찰력을 제공합니다.
9. 자동화된 의사결정: ML 알고리즘은 데이터로부터 학습하고, 효율성을 향상시키며, 다양한 데이터 과학 애플리케이션에서 수동 개입의 필요성을 줄여 의사 결정 프로세스를 간소화합니다.

또한 읽기 : 25년 초보자를 위한 상위 2024개 머신러닝 프로젝트

데이터 시각화 도구

데이터 시각화 도구 소개

Tableau, Power BI 등의 데이터 시각화 도구 D3.js 데이터 과학자가 시각적으로 매력적이고 대화형 시각화를 만들 수 있도록 지원합니다. 이러한 도구는 통찰력의 전달을 촉진하고 복잡한 데이터에 대한 이해를 향상시켜 데이터 과학에서 중요한 기술이 됩니다.

데이터 과학에 데이터 시각화 도구 적용

1. 향상된 커뮤니케이션: 데이터 시각화 도구는 복잡한 결과를 시각적이고 직관적으로 전달하여 다양한 이해관계자가 보다 명확하게 이해할 수 있도록 해줍니다.
2. 패턴 인식: 이러한 도구는 데이터 과학자가 데이터 세트 내의 패턴, 추세 및 이상값을 식별하여 더 빠르고 효율적인 의사 결정을 내리는 데 도움을 줍니다.
3. 탐색적 데이터 분석(EDA): 데이터 시각화는 대화형 차트와 그래프를 제공하여 데이터 과학자가 심층 분석 전에 데이터 구조를 탐색하고 이해할 수 있도록 함으로써 EDA를 지원합니다.
4. 데이터로 스토리텔링: 시각화 도구 데이터 과학자가 시각적으로 매력적인 형식으로 정보를 제시하여 설득력 있는 내러티브를 생성하고 데이터 기반 통찰력의 스토리텔링 측면을 향상할 수 있도록 지원합니다.
5. 실시간 모니터링: 대시보드와 대화형 시각화는 핵심성과지표(KPI)를 모니터링하여 즉각적인 조치를 위한 시기적절한 통찰력을 제공합니다.
6. 의사 결정 보조: 이러한 도구는 정보를 시각적으로 표시하여 의사 결정자가 복잡한 데이터 시나리오를 신속하게 파악하고 정보에 입각한 전략적 의사 결정을 내릴 수 있도록 지원합니다.
7. 협업 및 보고: 시각화 도구는 팀이 데이터 결과를 해석하고 논의할 수 있는 플랫폼을 제공하여 공동 작업을 지원합니다. 또한 보고 프로세스를 간소화하여 보다 효율적이고 접근 가능하게 만듭니다.
8. 예측 모델 평가: 시각화는 예측 모델의 성능을 평가하는 데 도움이 되며 데이터 과학자가 개선 영역을 식별하고 정확도를 높이기 위해 모델을 개선하는 데 도움이 됩니다.

또한 읽기 : 상위 20개 데이터 시각화 예시

깊은 학습

딥 러닝 소개

딥 러닝은 복잡한 작업을 수행하기 위해 인공 신경망을 훈련하는 데 초점을 맞춘 머신 러닝의 하위 집합입니다. 컴퓨터 비전, 자연어 처리 등의 분야에 혁명을 일으켜 데이터 과학의 필수 기술이 되었습니다.

데이터 과학에 딥러닝 적용

1. 이미지 및 음성 인식: 딥 러닝은 이미지 및 음성 인식 작업에 탁월하여 시각 및 청각 데이터 내의 패턴과 특징을 정확하게 식별하고 분류할 수 있습니다.
2. 자연어 처리 (NLP) : 딥 러닝 모델은 NLP 애플리케이션의 중추적인 역할을 하며 언어 이해, 감정 분석 및 기계 번역을 향상시켜 방대한 양의 텍스트 데이터 처리를 향상시킵니다.
3. 예측 분석 : 딥 러닝 알고리즘은 고급 예측 모델링에 기여하여 금융, 의료, 마케팅 등 다양한 영역에서 보다 정확하고 미묘한 예측을 제공합니다.
4. 이상 탐지: 딥 러닝은 데이터 세트 내의 이상 현상을 효과적으로 감지하여 잠재적인 문제나 기회를 나타낼 수 있는 불규칙한 패턴이나 특이점을 식별하는 데 도움을 줍니다.
5. 추천 시스템: 딥 러닝은 정교한 추천 엔진을 강화하여 사용자 행동 및 선호도에 따라 개인화된 제안을 제공함으로써 전자상거래 및 스트리밍 서비스와 같은 플랫폼에서 사용자 경험을 향상시킵니다.
6. 자동화된 특성 학습: 딥 러닝은 데이터에서 관련 기능을 자동으로 추출하므로 수동 기능 엔지니어링이 필요하지 않으며 모델이 계층적 표현을 학습할 수 있습니다.
7. 시계열 분석: 딥 러닝 모델은 시계열 데이터 분석 및 예측에 탁월하여 시간 경과에 따른 추세 및 패턴 예측의 정확도가 향상됩니다.
8. 약물 발견: 딥 러닝은 분자 구조를 분석하고 잠재적인 약물 후보를 예측함으로써 약물 발견 프로세스를 가속화하고 연구 개발에 필요한 시간과 리소스를 줄입니다.

또한 읽기 : 딥 러닝 가이드: 기초부터 고급 개념까지

자연 언어 처리 (NLP)

자연어 처리 (NLP) 소개

자연어 처리(NLP)는 컴퓨터와 인간 언어 간의 상호 작용에 초점을 맞춘 인공 지능의 한 분야입니다. 이를 통해 데이터 과학자는 텍스트 데이터를 분석하고 이해할 수 있으므로 데이터 과학에서 귀중한 기술이 됩니다.

데이터 과학에 NLP 적용

1. 텍스트 분석: 데이터 과학의 NLP에는 텍스트 마이닝 및 분석이 포함되어 구조화되지 않은 텍스트 데이터에서 귀중한 통찰력을 추출할 수 있습니다.
2. 감정 분석: NLP 알고리즘은 텍스트로 표현된 감정을 판단하여 기업이 고객 의견, 피드백, 제품이나 서비스에 대한 전반적인 감정을 측정하는 데 도움을 줍니다.
3. 정보 추출: NLP는 대규모 데이터 세트에서 주요 정보를 식별하고 추출하여 데이터 추출 프로세스를 간소화하고 효율성을 높이는 데 도움이 됩니다.
4. 언어 번역 : NLP는 언어 번역을 촉진하고 언어 장벽을 허물며 기업이 다양한 언어 소스의 데이터를 분석할 수 있도록 해줍니다.
5. 챗봇 및 가상 비서: NLP는 챗봇과 가상 비서를 강화하여 자연어 쿼리를 이해하고 응답함으로써 사용자 상호 작용을 향상시킵니다.
6. 명명된 엔티티 인식(NER): NLP 알고리즘 텍스트에서 명명된 개체(예: 이름, 위치, 조직)를 식별하고 분류하여 정보 분류를 돕습니다.
7. 음성 인식: NLP를 사용하면 음성 언어를 텍스트로 변환하여 음성 제어 시스템 및 전사 서비스에 기여할 수 있습니다.
8. 주제 모델링: NLP 기술은 대용량 텍스트 내에서 숨겨진 주제를 찾아내고 향상된 의사 결정을 위한 주제별 분석을 촉진하는 데 도움이 됩니다.
9. 요약 : NLP 알고리즘은 긴 텍스트에서 간결한 요약을 생성하여 더 빠른 이해와 정보 검색을 돕습니다.
10. 개인 : NLP는 텍스트 상호 작용 분석을 통해 사용자 선호도와 행동을 이해하여 개인화된 콘텐츠 추천에 활용됩니다.

또한 읽기 : NLP 튜토리얼 파트 - 기초부터 고급까지

결론

결론적으로, 데이터 과학은 복잡한 데이터 분석 작업을 처리하기 위해 고급 기술에 크게 의존합니다. Python, R, SQL, Hadoop, Spark, TensorFlow, Tableau, SAS, MATLAB, Apache Kafka, MongoDB, AWS, Microsoft Azure, GCP, Apache Cassandra, Python 라이브러리, 기계 학습 알고리즘을 포함하여 이 기사에서 논의된 상위 20개 이상의 기술 , 딥 러닝, NLP 및 데이터 시각화 도구는 데이터 과학자가 데이터에서 귀중한 통찰력을 추출할 수 있도록 하는 데 중요한 역할을 합니다. 데이터 과학자는 이러한 기술을 활용하여 데이터 과학 프로젝트의 효율성, 정확성 및 확장성을 향상시켜 궁극적으로 다양한 산업 분야에서 혁신과 의사 결정을 내릴 수 있습니다.

데이터 과학 분야에서 미래를 만들고 싶다면 인증된 AI 및 ML BlackBelt 플러스 프로그램. 이 포괄적인 프로그램은 인공 지능 및 기계 학습의 복잡한 영역을 탐색하는 데 필요한 전문 지식을 제공하도록 세심하게 설계되었습니다. 기술을 향상시키려는 노련한 전문가이든 AI 및 ML의 흥미진진한 세계를 탐구하고자 하는 초보자이든 관계없이 우리 프로그램은 모든 수준의 전문 지식을 충족시킵니다. 우리와 함께 인증된 BlackBelt가 되어 미래를 형성하는 최첨단 기술을 마스터하세요. 경력을 향상하고 AI 및 ML 혁명의 최전선에 서십시오. 지금 등록하고 가능성의 세계를 열어보세요!

관련

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://www.analyticsvidhya.com/blog/2024/02/technologies-youll-use-in-data-science/