|
|
|
 정가 : 36,000원판매가 32,400원 (10% 할인)
품목정보
책소개ELK 스택으로 알려진 일래스틱 스택은 사용자가 검색 데이터를 효과적으로 수집, 처리, 분석하도록 도와주는 로그 분석 솔루션이다. 주요 상용 기능인 머신러닝이 추가된 일래스틱 스택은 이 분석 프로세스를 훨씬 더 효율적으로 만든다. 2판에서는 시계열 데이터 분석은 물론 분류, 회귀, 아웃라이어 탐지를 위한 일래스틱 스택의 머신러닝 기능에 대해 포괄적인 개요를 제공한다. 머신러닝 개념을 직관적으로 설명하고 있으며 로그 파일, 네트워크 흐름, 애플리케이션 메트릭, 재무 데이터와 같은 다양한 데이터 유형에 대해 시계열 분석을 수행한다. 또한 로깅, 보안 및 메트릭을 위해 일래스틱 스택 내에서 머신러닝을 배포한다. 마지막에는 데이터 프레임 분석이 머신러닝이 도움될 수 있는 완전히 새로운 사용 사례의 문을 어떻게 여는지 알게 될 것이다. 이 책이 끝날 즈음에는 머신러닝을 분산 검색과 데이터 분석 플랫폼에 통합하는 데 필요한 지식과 함께 머신러닝과 일래스틱 스택에 있어 실질적인 경험을 갖게 될 것이다. 목차1장. IT를 위한 머신러닝 __IT의 역사적 도전 과제 극복 __엄청나게 많은 데이터 처리 __자동화된 이상 탐지의 출현 __비지도 ML 대 지도 ML __이상 탐지를 위한 비지도 ML 사용하기 ____특이에 관해 정의하기 ____정상 상태 학습하기 ____확률 모델 ____모델 학습하기 ____디트랜드 ____특이성에 대한 점수화 ____시간 요소 __데이터 프레임 분석에 지도 ML 적용하기 ____지도 학습 과정 __요약 2장. 활성화와 운영화 __기술 요구 사항 __일래스틱 ML 기능 활성화 ____자체 관리형 클러스터에서 ML 활성화 ____클라우드에서 ML 활성화 - 일래스틱서치 서비스 __운영화의 이해 ____ML 노드 ____작업 ____시계열 분석에서 데이터 버킷팅 ____일래스틱 ML에 데이터 공급 ____제공하는 인덱스 ______ml-config ______ml-state-* ______ml-notification-* ______ml-annoataions-* ______ml-stats-* ______ml-anomalies-* ____이상 탐지 오케스트레이션 ____이상 탐지 모델 스냅숏 __요약 3장. 이상 탐지 __기술 요구 사항 __일래스틱 ML 작업 유형 __탐지기 해부 ____함수 ____필드 ____partition 필드 ____by 필드 ____over 필드 ____공식(formula) __이벤트 비율의 변화 탐지 ____카운트 함수 탐색 ____다른 카운트 함수 ______논제로 카운트 ______디스팅트 카운트 __메트릭 값에서 변화 탐지 ____메트릭 함수 ______min, max, mean, median과 metric ______varp ______sum, not-null sum __고급 탐지기 함수의 이해 ____레어(rare) ____프리퀀시 레어(frequency rare) ____정보 내용(information content) ____지오그래픽(geographic) ____시간 __범주형 피처로 분석 분할 ____분할 필드 설정 ____partition과 by_field를 사용한 분할의 차이점 ____이중 분할에 한계가 있을까? __시간 분석과 모집단 분석의 이해 __비정형 메시지 범주화 분석 ____범주화에 훌륭한 후보가 되는 메시지 유형 ____범주화에 사용되는 프로세스 ____범주 분석 ____범주화 작업 예제 ____범주화 사용을 피해야 하는 경우 __API를 통한 일래스틱 ML 관리 __요약 4장. 예측 __기술 요구 사항 __예언과 대비되는 예측 __예측 사용 사례 __작업의 예측 이론 __단일 시계열 예측 __예측 결과 검토 __다중 시계열 예측 __요약 5장. 결과 해석 __기술 요구 사항 __일래스틱 ML 결과 인덱스 보기 __이상 징후 점수 ____버킷 수준 스코어링 ____정규화 ____인플루언서 수준 점수 ____인플루언서 ____레코드 수준 점수 __결과 인덱스 스키마의 세부 정보 ____버킷 결과 ____레코드 결과 ____인플루언서 결과 __다중 버킷 이상 징후 ____다중 버킷 이상 징후 예제 ____다중 버킷 스코어링 __예측 결과 ____예측 결과 쿼리 __결과 API ____결과 API 엔드포인트 ____전체 버킷 조회 API ____범주 조회 API __사용자 정의 대시보드와 캔버스 워크패드 ____대시보드 “임베디블” ____TSVB에서 이상 징후 주석 ____캔버스 워크패드 사용자 정의 __요약 6장. ML 분석에 기반한 얼러팅 __기술 요구 사항 __얼러팅 개념 이해 ____모든 이상 징후가 얼럿일 필요는 없다 ____실시간 얼러팅에는 타이밍이 중요하다 __ML UI에서 얼럿 작성 ____샘플 이상 탐지 작업 정의 __샘플 작업에 대한 얼럿 생성 ____실시간 이례적인 행위 시뮬레이션 ____얼럿 수신과 검토 __와치(watch)로 얼럿 만들기 ____레거시 기본 ML 와치의 구조 이해 ______trigger 섹션 ______input 섹션 ______condition 섹션 ______action 섹션 ____사용자 정의 와치는 몇 가지 고유한 기능을 제공할 수 있다 ______연결된 입력과 스크립트 내의 조건 ______연결된 입력 간에 정보 전달 __요약 7장. AIOps와 근본 원인 분석 __기술 요구 사항 __AIOps 용어의 이해 __KPI의 중요성과 한계 이해 __KPI를 넘어서 __더 나은 분석을 위한 데이터 조직화 ____이상 탐지 데이터피드에 대한 사용자 정의 쿼리 ____수집 시 데이터 강화 __컨텍스트 정보 활용 ____분석 분할 ____통계적 인플루언서 __RCA를 위해 모든 것을 통합 ____가동 중단 배경 ____상관관계와 공유된 인플루언서 __요약 8장. 다른 일래스틱 스택 앱에서 이상 탐지 __기술 요구 사항 __일래스틱 APM의 이상 탐지 ____APM에 대한 이상 탐지 활성화 ____APM UI에서 이상 탐지 작업 결과 조회 ____데이터 인식기를 통한 ML 작업 생성 __로그 앱의 이상 탐지 ____로그 카테고리 ____로그 이상 징후 ____메트릭 앱의 이상 탐지 __업타임 앱의 이상 탐지 __일래스틱 시큐리티 앱의 이상 탐지 ____사전 구축된 이상 탐지 작업 __탐지 얼럿으로서의 이상 탐지 작업 __요약 9장. 데이터 프레임 분석 소개 __기술 요구 사항 __변환하는 방법 학습 ____왜 변환이 유용한가? ____변환 작업의 내부 구조 ____전자 상거래 주문을 분석하기 위해 변환 사용 ____더 고급 수준의 피벗과 집계 구성 탐색 ____배치 변환과 연속 변환의 차이점 발견 ____연속 변환을 사용해 소셜 미디어 피드 분석 __고급 변환 구성에 페인리스 사용 ____페인리스 소개 ____변수, 연산자, 제어 흐름 ____함수 __파이썬과 일래스틱서치로 작업하기 ____파이선 일래스틱서치 클라이언트에 대해 간략하게 둘러보기 ____일런드의 개발 목적 이해 ____일런드와 함께하는 첫걸음 __요약 __더 읽어보기 10장. 아웃라이어 탐지 __기술 요구 사항 __아웃라이어 탐지의 내부 작동 이해 ____아웃라이어 탐지에 사용하는 4가지 기술 이해 ______거리 기반 기술 ______밀도 기반 기술 __피처 영향력 이해 ______각 점에 대한 피처 영향력은 어떻게 계산하는가? ____아웃라이어 탐지는 이상 탐지와 어떻게 다른가? ______확률 모델 기반 대 인스턴스 기반 ______점수화 ______데이터 특성 ______온라인 대 배치(batch) __실제 아웃라이어 탐지 적용 __Evaluate API로 아웃라이어 탐지 평가 __아웃라이어 탐지를 위한 하이퍼파라미터 조정 __요약 11장. 분류 분석 __기술 요구 사항 __분류: 데이터에서 훈련된 모델로 ____데이터에서 분류 모델 학습 ____피처 엔지니어링 ____모델 평가 __분류의 첫 걸음 __분류의 내부 구조: 그래디언트 부스트 의사결정 트리 ____의사결정 트리 소개 ____그래디언트 부스트 의사결정 트리 __하이퍼파라미터 __결과 해석 ____분류 확률 ____분류 점수 ____피처 중요도 __요약 __더 읽어보기 12장. 회귀 __기술 요구 사항 __회귀 분석을 사용해 주택 가격 예측 __회귀를 위한 의사결정 트리 사용 __요약 __더 읽어보기 13장. 추론 __기술 요구 사항 __훈련된 모델 API 및 파이썬을 사용해 훈련된 머신러닝 모델을 검사하고 가져오며 내보내기 __훈련된 모델 API 살펴보기 ____훈련된 모델 API와 파이썬을 사용해 훈련된 모델 내보내기와 가져오기 __추론 프로세서와 인제스트 파이프라인 이해하기 ____인제스트 파이프라인에서 누락되거나 손상된 데이터 처리 ____예측에 대한 더 많은 통찰력을 얻기 위한 추론 프로세서 구성 옵션 사용하기 __일런드를 사용해 외부 모델을 일래스틱서치로 가져오기 ____일런드에서 지원하는 외부 모델에 대해 알아보기 ____scikit-learn의 DecisionTreeClassifier로 훈련하고 일런드를 사용해 일래스틱서치로 가져오기 __요약 부록. 이상 탐지 팁 __기술 요구 사항 __분할 작업 대 비분할 작업의 인플루언서 이해하기 __단측함수를 유리하게 사용하기 __기간 무시하기 ____예정된 (알려진) 시간 윈도 무시하기 ______캘린더 이벤트 생성 ______원하는 타임프레임을 무시하기 위해 데이터피드 중지 및 시작 ____예기치 못한 시간 윈도를 사후에 무시하기 ______작업의 복제와 과거 데이터의 재실행 ______작업을 이전 모델 스냅숏으로 되돌리기 __사용자 정의 규칙과 필터 유리하게 사용하기 ____사용자 정의 규칙 만들기 ______“하향식” 얼러팅 철학에 대한 사용자 지정 규칙의 장점 __이상 탐지 작업 처리량에 관한 고려 사항 __사용 사례의 과도한 엔지니어링 방지하기 __런타임 필드에서 이상 탐지 사용하기 __요약
|
| 도서명 | [상세설명참조] |
|---|---|
| 저자, 출판사 | [상세설명참조] |
| 크기 | [상세설명참조] |
| 쪽수 | [상세설명참조] |
| 제품구성 | [상세설명참조] |
| 발행일 | [상세설명참조] |
| 목차 또는 책소개 | [상세설명참조] |
(개) 
 |
||||||||
|
||||||||
|
||||||||
|
||||||||
