IT/모바일
데이터 과학 전문가로 성공하려면 통계와 머신러닝에 대한 이해 이상이 필요합니다. 데이터 전문가는 대게 데이터 원본, 엔지니어링 스크립트와 소프트웨어를 쫓아다니고, 문서를 스크랩하고, 엑셀 통합 문서를 스크랩하고, 심지어 자체 데이터베이스를 만들어야 합니다. 코딩 작업의 95% 이상은 머신러닝이나 통계 모델링과 전혀 관련이 없으며, 오히려 데이터를 생성, 이동, 변환해 사용할 수 있도록 하는 작업이죠.
또한 데이터 전문가는 조직의 큰 그림과 역학 관계에 대해서도 알고 있어야 합니다. 관리자는 여러분의 역할을 가정하고, 이러한 가정을 파악해 자신에게 어떤 영향을 미치는지 인식하는 것이 중요합니다.
업계의 전문 지식은 고객과 경영진에게 의존하되, 여러분은 기술 지식을 제공하고 실현 가능한 것을 명확히 설명하는 역할을 해야 합니다. 여러분에게 필요한 몇 가지 하드 스킬과 소프트 스킬을 살펴봅시다.
✅ SQL 숙련도
SQL은 테이블 데이터를 검색, 변환 및 작성하기 위한 쿼리query 언어입니다. 관계형 데이터베이스는 데이터를 구성하는 가장 일반적인 방법으로, 엑셀의 VLOOKUP과 같이 서로 연결된 테이블에 데이터를 저장합니다.
MySQL, 마이크로소프트 SQL 서버, 오라클, SQLite, PostgreSQL과 같은 관계형 데이터베이스 플랫폼은 SQL을 지원합니다. SQL과 관계형 데이터베이스는 매우 밀접하게 연결되며 ‘MySQL’, ‘마이크로소프트 SQL 서버’와 같이 관계형 데이터베이스의 이름에 ‘SQL’을 자주 사용합니다.
SQL에 능숙하지 않으면 데이터 과학 전문가로서 성공하기 어렵습니다. 기업은 데이터 웨어하우스data warehouse를 사용하며, 거의 항상 데이터를 검색하는 수단으로 SQL을 사용합니다.
SELECT, WHERE, GROUP BY, ORDER BY, CASE, INNER JOIN, LEFT JOIN은 모두 익숙한 SQL 키워드입니다. 데이터를 최대한 활용하려면 서브쿼리subquery, 파생 테이블derived table, 일반적인 테이블 표현식과 윈도 함수window function를 알고 있으면 더욱 좋습니다.
판다스와 NoSQL은 어떤가요?
NoSQL이나 판다스와 같은 SQL의 대안에 관한 질문을 자주 받습니다. 이들은 실제로 대안이 아니며 데이터 과학 툴체인toolchain의 다른 도구입니다. 판다스를 예로 들어보겠습니다. 아래 예제에서는 CUSTOMER 테이블에서 모든 레코드를 가져오는 SQL 쿼리를 사용해 판다스 데이터프레임에 데이터를 넣습니다.
from sqlalchemy import create_engine, text
import pandas as pd
engine = create_engine('sqlite:///thunderbird_manufacturing.db')
conn = engine.connect()
df = pd.read_sql("SELECT * FROM CUSTOMER", conn)
print(df) # SQL 결과를 데이터프레임으로 출력합니다.
여기서 SQL을 사용해 관계형 데이터베이스와 파이썬 환경 사이의 간극을 메우고 데이터를 판다스 데이터프레임에 로드했습니다. SQL이 처리할 수 있는 계산이 있다면, 판다스를 사용해 로컬 컴퓨터에서 수행하는 것보다 SQL을 사용해 데이터베이스 서버에서 수행하는 것이 더 효율적입니다.
간단히 말해, 판다스와 SQL은 함께 작동할 수 있으며 경쟁하는 기술이 아닙니다.
카우치베이스Couchbase나 몽고DBMongoDB와 같은 NoSQL도 마찬가지입니다. 일부 독자는 제 의견에 동의하지 않고 타당한 다른 주장을 할 수도 있지만, 저는 NoSQL과 SQL을 비교하는 것은 사과와 오렌지를 비교하는 것과 같다고 생각합니다.
둘 다 데이터를 저장하고 쿼리 기능을 제공하지만 그렇다고 해서 경쟁 관계에 있다고 생각하지 않습니다. 사용 사례에 따라 서로 다른 특성을 가지고 있습니다.
NoSQL은 ‘SQL뿐만 아니라’라는 뜻으로, 사진이나 자유 형식의 텍스트 문서와 같은 비정형 데이터를 저장하는 데 적합합니다. SQL은 정형 데이터를 저장하는 데 적합합니다. SQL은 NoSQL보다 더 적극적으로 데이터 무결성을 유지하지만, 컴퓨팅 오버 헤드와 확장성이 떨어지는 단점이 있습니다.
✅ 프로그래밍 숙련도
일반적으로 많은 데이터 과학자는 코딩에 능숙하지 않습니다. 적어도 소프트웨어 엔지니어 수준은 아닙니다. 하지만 코딩의 중요성은 점점 더 커지고 있으며 우위를 점할 수 있는 기회를 제공합니다. 객체 지향 프로그래밍, 함수형 프로그래밍, 단위 테스트, 버전 관리(예: 깃Git, 깃허브), 빅 오Big-O 알고리즘 분석, 암호화 및 기타 관련 컴퓨터 과학 개념과 프로그래밍 언어 기능을 배워보세요. 그 이유는 다음과 같습니다.
주어진 표본 데이터를 기반으로 로지스틱 회귀 또는 신경망과 같은 머신러닝 모델을 만들었다고 가정해봅시다. 그다음 IT 부서의 사내 프로그래머에게 기존 소프트웨어에 추가해 달라고 요청합니다.
그들은 여러분의 프로그램을 조심스럽게 바라보며 “파이썬이 아니라 자바로 다시 작성해야 합니다”라고 말합니다. “단위 테스트는 어디 있죠?” 다른 사람이 묻습니다. “클래스 정의나 타입이 하나도 없나요? 이 코드를 객체 지향으로 리엔지니어링reengineering해야 합니다.”
게다가 그들은 모델의 수학을 이해하지 못하기 때문에 이전에 본 적 없는 데이터에서 모델이 잘못 작동할까 걱정할 수밖에 없습니다. 머신러닝에서는 종종 단위 테스트를 정의하지 않기 때문에 모델의 품질을 검증하는 방법에 의문을 가집니다. 또한 파이썬과 자바, 두 가지 버전의 코드를 어떻게 관리할 것인지 묻습니다.
여러분은 능력 밖의 질문이라 느끼며 “왜 파이썬 스크립트를 그냥 추가하면 안 되는지 모르겠어요”라고 말합니다. 그들 중 한 명이 잠시 생각에 잠기더니 다음과 같이 대답합니다.
“플라스크Flask로 웹 서비스를 만들면 자바로 다시 작성할 필요가 없습니다. 하지만 여전히 우려해야 할 부분은 존재합니다. 확장성과 웹 서비스로 인한 높은 트래픽을 걱정해야 합니다. 잠깐만요... 가상 머신으로 마이크로소프트 애저Microsoft Azure 클라우드에 배포할 수는 있지만 여전히 백엔드를 설계해야 합니다. 어떤 방식으로 접근하든 리엔지니어링해야 합니다.”
이것이 바로 많은 데이터 과학자의 작업이 노트북을 떠나지 못하는 이유입니다. 사실, 머신러닝을 제품 환경에 적용하는 것은 매우 어려운 일이며 최근 몇 년 동안 크게 화제가 되었습니다. 데이터 과학자와 소프트웨어 엔지니어 사이에는 엄청난 격차가 존재하기 때문에, 자연스럽게 데이터 과학 전문가가 소프트웨어 엔지니어가 되어야 한다는 압박이 있습니다.
데이터 과학은 이미 많은 분야와 요구 사항으로 인해 그 범위가 과부하 상태이므로 부담스럽게 들릴 수 있습니다. 하지만 그렇다고 해서 자바를 배워야 한다는 뜻은 아닙니다. 파이썬(또는 선호하는 다른 언어)으로도 효과적인 소프트웨어 엔지니어가 될 수 있지만, 능숙하게 다룰 수 있어야 합니다.
객체 지향 프로그래밍, 데이터 구조, 함수형 프로그래밍, 동시성과 기타 디자인 패턴을 배우세요. 파이썬에 대한 이러한 주제를 다루는 좋은 책으로는 『전문가를 위한 파이썬』(한빛미디어, 2016)과 『클린 코드 이제는 파이썬이다』(책만, 2022)를 추천합니다.
그런 다음 데이터베이스 API, 웹 서비스 (『플라스크 웹 개발』(비제이퍼블릭, 2016) ), JSON 파싱 (『Introduction to JavaScript Object Notation』(오라일리, 2015) ), 정규식(『An
Introduction to Regular Expressions』(오라일리, 2019) ), 웹 스크래핑(『파이썬으로 웹 크롤러 만들기』(한빛미디어, 2019) ), 보안 및 암호화(『암호 해킹으로 배우는 파이썬의 기초』(에이콘출판, 2019) ), 클라우드 컴퓨팅(아마존 웹 서비스Amazon Web Services, 마이크로소프트 애저)등 실전 문제를 해결하고 시스템 구축의 생산성을 높이는 데 도움이 되는 기술을 배우세요.
앞서 언급했듯이 마스터하는 프로그래밍 언어가 반드시 파이썬일 필요는 없습니다. 다른 언어일 수도 있지만, 보편적으로 사용하고 취업이 가능한 언어를 권장합니다. 이 글을 쓰는 시점에 취업 가능성이 높은 언어로는 파이썬, R, 자바, C#, C++ 등이 있습니다. 스위프트Swift와 코틀린Kotlin은 애플과 안드로이드 기기에서 지배적인 위치를 차지하고 있으며, 두 언어 모두 훌륭하고 잘 지원되는 언어입니다.
이러한 언어 중 다수가 데이터 과학을 위한 주류는 아니지만, 더 많은 것을 접하기 위해 파이썬 외에 다른 언어를 하나 이상 배우는 것이 도움됩니다.
✅ 데이터 시각화
어느 정도 능숙해야 하는 또 다른 기술은 데이터 시각화입니다. 경영진에게 이야기를 전달할 뿐만 아니라 자신의 데이터 탐색 작업에도 도움이 되는 차트, 그래프, 도표를 만드는 데 익숙해야 합니다. SQL 명령으로 데이터를 요약할 수도 있지만, 때로는 막대그래프나 산점도를 사용하면 데이터를 빠르게 더 잘 이해할 수 있습니다.
데이터 시각화에 어떤 도구를 사용해야 효율적인지에 관해서는 선택의 폭이 넓기 때문에 대답하기가 어렵습니다. 전통적인 사무실 환경은 시각화 도구로 엑셀과 파워포인트를 선호하죠.
괜찮습니다! 필자가 이 두 도구를 사용하지는 않지만, 두 도구는 대부분의 작업을 수행하는 데 문제가 없습니다. 중소 규모 데이터셋에서 산점도를 그려야 하나요? 아니면 히스토그램이 필요한가요?
문제없습니다! 엑셀 통합 문서에 데이터를 복사/붙여넣기만 하면 몇 분 안에 만들 수 있습니다. 이 기능은 일회성 그래프 시각화에 유용하며, 엑셀을 사용하는 것이 나쁘지 않습니다.
하지만 스크립트로 그래프 생성 코드를 작성해 반복 및 재사용 가능하도록 하거나 파이썬 코드와 통합하고 싶을 수 있습니다. 맷플롯립은 한동안 많이 사용되었고, 파이썬을 사용하는 경우 피하기 어렵습니다. seaborn은 일반적인 그래프 유형을 쉽게 사용할 수 있도록 맷플롯립을 감싼 래퍼wrapper를 제공합니다. 이 책에서 많이 사용한 심파이는 맷플롯립을 백엔드로 사용합니다. 하지만 일부에서는 맷플롯립이 너무 성숙돼 레거시 상태에 가까워졌다고 생각합니다.
최근에는 플롯틀리와 같은 라이브러리가 떠오르고 있으며 사용하기에 좋습니다. 이 라이브러리는 자바스크립트 D3.js 라이브러리를 기반으로 합니다. 개인적으로는 매님을 잘 사용합니다. 3Blue1Brown 스타일의 시각화는 매우 훌륭해서 고객들로부터 감탄사를 자아내게 합니다. 애니메이션 기능을 생각하면 의외로 사용하기 쉬운 API를 제공합니다. 하지만 아직 성숙한 단계에 이르지 못한 신생 라이브러리라서 릴리스가 나올 때마다 코드가 변경될 수 있습니다.
이러한 해결책을 모두 살펴보고 고용주/고객이 선호하는 해결책이 없는 경우 자신에게 가장 적합한 도구를 찾아보세요.
✅ 업계 이해하기
영화 스트리밍과 항공 우주 방위 산업이라는 두 가지 산업을 비교해봅시다. 두 산업에 공통점이 있을까요? 거의 없습니다! 둘 다 기술 중심 기업이지만 한 곳은 소비자를 위해 영화를 스트리밍하고 다른 한 곳은 전투용 비행기를 만듭니다.
인공지능과 시스템 안전에 대해 조언할 때 가장 먼저 지적하는 것은 산업별로 위험에 대한 허용 범위가 매우 다르다는 점입니다. 영화 스트리밍 회사가 소비자에게 어떤 영화를 추천할지 학습하는 인공지능 시스템을 갖추고 있다고 홍보할 수 있지만, 잘못된 추천을 할 경우 얼마나 치명적일까요? 최악의 경우, 마음에 들지 않는 영화를 2시간 동안 시청한 소비자가 짜증을 낼 수 있습니다.
하지만 항공 우주 방위 산업에 속한 회사는 어떨까요? 전투기에 자동으로 타깃을 공격하는 인공지능이 탑재되어 있다고 가정해보죠. 잘못되면 얼마나 큰 재앙이 될까요? 지금 우리는 영화 추천이 아니라 사람의 목숨에 대해 이야기하고 있습니다.
이 두 산업 간의 위험 허용 범위는 매우 큽니다. 당연히 항공 우주 방위 산업체는 실험적인 시스템을 구현하는 데 훨씬 더 보수적으로 임할 것입니다. 즉, 위험성이 용납할 수 없을 정도로 높다고 판단되는 모든 프로젝트를 평가하고 중단하는 규제와 안전을 위한 실무 그룹이 존재합니다.
하지만 흥미로운 점은 영화 추천과 같은 저위험 애플리케이션을 중심으로 한 실리콘밸리 스타트업의 인공지능 성공이 방위 산업체 경영진에게 FOMOfearing of missing out(고립에 대한 공포)를 불러일으켰다는 점입니다. 이는 두 영역 간의 위험 허용 범위의 차이가 충분히 부각되지 않았기 때문입니다.
물론 이 두 산업 사이, 즉 ‘짜증난 사용자’와 ‘인명 손실’ 사이의 위험 심각도에는 큰 스펙트럼이 있습니다. 은행은 인공지능을 사용해 대출 자격이 있는 사람을 결정할 수 있지만 특정 인구 통계를 차별할 수 있는 위험이 있습니다.
형사 사법 시스템에서는 가석방과 감시 시스템에 인공지능을 적용하는 실험을 했지만 동일한 차별 문제에 부딪혔습니다. 소셜 미디어는 인공지능을 사용해 어떤 사용자 게시물을 허용할지 결정할 수 있지만, 무해한 콘텐츠를 제한할 경우 (거짓 양성) 사용자를 분노하게 하고, 유해한 콘텐츠를 제한하지 않을 경우 (거짓 음성) 국회의원을 분노하게 할 수 있습니다.
즉, 업계를 파악하는 작업이 필요합니다. 머신러닝을 많이 적용하고 싶다면 거짓 양성과 거짓 음성이 사람을 위험에 빠뜨리거나 화나게 하지 않는 저위험 산업에서 일하고 싶을 것입니다. 하지만 이러한 분야에 관심이 없고 자율 주행 자동차, 항공, 의료와 같은 더 대담한 산업에서 일하고 싶다면 머신러닝 모델이 많이 거부되는 상황을 예상해야 합니다.
고위험 산업에서 특정 박사 학위나 기타 공식 자격 증명을 요구하더라도 놀라지 마세요. 전문 박사 학위가 있어도 거짓 양성과 거짓 음성이 마술처럼 사라지지는 않습니다. 이러한 전문 자격을 좇고 싶지 않다면 소프트웨어 엔지니어링, 최적화, 통계, 비즈니스 규칙 시스템/휴리스틱 등 머신러닝 외에 다른 도구를 배우는 것이 더 나을 수 있습니다.
✅ 생산적인 학습
2008년 스탠드업stand-up 스페셜에서 코미디언 브라이언 리건Brian Regan은 자신의 호기심 부족을 신문을 읽는 사람들과 대조했습니다.
그는 1면 기사는 결코 결론이 나지 않는다고 지적하면서, 어떻게 끝나는지 알기 위해 지정된 페이지로 넘기고 싶지 않다고 말했습니다. “9년에 걸친 재판 끝에 배심원단은 마침내 평결을 내렸습니다. 22페이지 C란에 계속... 저는 결코 알 수 없을 것 같습니다”라고 그는 무시하듯 말했습니다. 신문 페이지를 넘기며 “알고 싶고 배우고 싶어요!”라고 외치는 사람들과 대비됩니다.
브라이언 리건이 자기 비하를 의도했을 수도 있지만, 그의 말이 맞을 수도 있습니다. 단순히 어떤 주제를 배운다는 것만으로는 동기를 부여하기 어렵고, 무관심이 항상 나쁜 것은 아닙니다. 미적분 교과서를 집어 들었는데 학습할 목적이 없다면 낙담하고 좌절할 것입니다. 프로젝트나 목표를 염두에 두어야 하며, 흥미가 없는 주제라면 굳이 배울 이유가 없겠죠. 개인적으로 저와 관련이 없는 주제에 대한 관심을 접었을 때 매우 큰 해방감을 느꼈습니다. 더욱 놀라운 사실은 그 후 생산성이 급상승했다는 것입니다.
그렇다고 호기심이 없어야 한다는 뜻은 아닙니다. 하지만 세상에는 정보가 너무 많기 때문에 배우는 것의 우선순위를 정하는 것은 매우 귀중한 기술입니다. 어떤 것이 유용한 이유에 대해 질문하고, 정답을 얻을 수 없다면 그냥 넘어가도 좋습니다.
모두가 자연어 처리에 대해 이야기하고 있나요? 하지만 여러분도 그래야 한다는 뜻은 아닙니다. 어차피 대부분의 비즈니스에는 자연어 처리가 필요하지 않으므로 이 주제에 노력이나 시간을 들일 가치가 없다고 말해도 괜찮습니다.
업무와 관련된 프로젝트가 있든, 독학을 위해 스스로 프로젝트를 만들든, 확실한 목표가 있어야 합니다. 학습할 가치가 있는 것은 오직 본인만이 결정할 수 있으며, 흥미롭고 관련된다고 생각되는 것을 추구하면서 FOMO를 떨쳐내세요.
✅ 실무자 대 어드바이저
일반화일 수 있지만 지식 전문가에는 실무자와 어드바이저라는 두 가지 유형이 있습니다. 자신이 어떤 전문가가 되고 싶은지 파악하고 그에 따라 전문성 개발을 조정하세요.
데이터 과학과 분석 세계에서 실무자는 코드를 작성하고, 모델을 만들고, 데이터를 샅샅이 뒤지고, 직접 가치를 창출하려고 노력하는 사람입니다. 어드바이저는 컨설턴트와 같아서 경영진에게 목표가 올바른지 여부를 알려주고, 전략을 지원하며, 방향을 제시합니다. 때때로 실무자가 어드바이저가 될 수 있습니다. 혹은 어드바이저가 실무자가 아니었던 경우도 있습니다. 각 역할에는 장단점이 있습니다.
실무자는 코딩, 데이터 분석, 직접적으로 가치를 창출하는 가시적인 작업 과정을 즐길 수 있습니다. 실무자에게는 실제로 어려운 기술을 개발하고 보유할 수 있다는 이점이 있습니다. 하지만 코드, 수학, 데이터에 파묻히다 보면 큰 그림을 보지 못하고 조직이나 업계의 다른 부분과 연락이 끊어지기 쉽습니다.
제가 관리자들로부터 들은 일반적인 불만은 데이터 과학자가 흥미롭기는 하지만 조직의 가치와 관련 없는 문제를 가지고 일한다는 것입니다. 또한 자신을 알아봐 주고 상향 이동을 원하지만, 조직에 숨겨져 있다고 느끼는 실무자의 불만도 들었습니다.
어드바이저는 어떤 면에서는 더 편한 직업일 수 있습니다. 어드바이저는 관리자에게 조언과 정보를 제공하고 비즈니스에 전략적 방향을 제시하는 데 도움을 줍니다. 일반적으로 코드를 작성하거나 데이터를 샅샅이 뒤지는 일은 하지 않지만, 경영진이 그런 사람을 고용할 수 있도록 도움을 줍니다.
이들은 실무자처럼 스프린트sprint 기한을 맞추거나 코드의 버그를 처리하거나 모델이 잘못 작동하는 것에 대해 걱정하지 않기 때문에 경력 리스크가 실무자와 다릅니다. 하지만 지식과 신뢰성, 관련성을 유지하는 것에 대해 걱정해야 하죠.
효과적인 어드바이저가 되려면 다른 사람들이 알지 못하는 것을 잘 알고 있어야 합니다. 고객의 요구에 맞게 세밀하게 조정된 중요하고 관련성 높은 정보여야 합니다. 관련성을 유지하려면 매일 더 많이 읽고 또 읽어야 하며, 다른 사람들이 간과하고 있는 정보를 찾고 종합해야 합니다. 머신러닝, 통계, 딥러닝에 익숙해지는 것만으로는 충분하지 않습니다. 고객의 산업뿐만 아니라 다른 산업에도 관심을 기울이고 누가 성공하고 누가 실패하는지 추적해야 합니다.
또한 많은 사람들이 특효약을 찾고 있는 비즈니스 환경에서 올바른 문제에 적합한 해결책을 조합하는 방법을 배워야 합니다. 그리고 이 모든 것을 수행하려면 효과적인 커뮤니케이터가 되어 자신이 알고 있는 것을 보여주기만 하는 것이 아니라 고객에게 도움이 되는 방식으로 정보를 공유해야 합니다.
컨설턴트에게 가장 큰 위험은 결국 잘못된 정보를 제공하는 것입니다. 일부 컨설턴트는 ‘업계에서 아무도 이런 일이 일어날 줄 몰랐다’ 또는 ‘이것이 6 시그마에 해당되는 사건입니다!’와 같이 책임을 외부 요인으로 돌리는 데 매우 능숙합니다. 즉, 바람직하지 않은 사건이 발생할 확률이 5억 분의 1이지만 어쨌든 발생했다는 거죠. 또 다른 위험은 실무자에 해당하는 하드 스킬이 부족해 비즈니스의 기술 부분과 단절되는 것입니다. 그렇기 때문에 집에서 정기적으로 코딩과 모델링을 연습하거나 최소한 기술 서적을 독서의 일부로 삼는 것이 좋습니다.
결국 훌륭한 어드바이저는 고객과 최종 목표 사이의 가교 역할을 하며, 종종 존재하는 거대한 지식 격차를 메우는 역할을 합니다. 없는 일을 만들어내고 최대 시간을 청구하는 것이 아니라 진정으로 고객의 문제를 파악하고 고객이 밤에 잠을 잘 수 있도록 도와주는 것입니다.
문제가 아닌 도구를 중심으로 프로젝트를 계획하면 성공하지 못할 가능성이 높습니다. 즉, 어드바이저는 다른 사람의 말을 잘 듣는 기술을 연마하고 고객이 어려움을 겪고 있는 질문이 무엇인지, 답을 찾기 어려운 질문이 무엇인지 파악해야 합니다.
대형 패스트푸드 체인점에서 인공지능 전략을 지원하기 위해 여러분을 고용했습니다. 인사 팀이 딥러닝 인재를 서둘러 채용하는 것을 본다면, “딥러닝으로 해결하려는 문제가 무엇인가요?”라고 질문하는 것이 여러분이 해야 할 일입니다. 명확한 답을 얻을 수 없다면, 경영진이 한발 물러서서 업계가 실제로 직면하고 있는 실제 문제가 무엇인지 평가하도록 유도해야 합니다. 직원 스케줄링이 비효율적인가요? 그렇다면 딥러닝이 필요하지 않습니다. 선형 계획법이 필요합니다!
이것은 일부 독자에게는 기본적인 것처럼 보일 수 있지만, 오늘날 많은 경영진은 이러한 작업을 구분을 하는 데 어려움을 겪습니다. 필자는 선형 계획법을 딥러닝과 혼동할 수 있는 인공지능으로 브랜드화한 공급업체와 컨설턴트를 여러 번 만났습니다.
위 콘텐츠는 『개발자를 위한 필수 수학』에서 내용을 발췌하여 작성하였습니다.
최신 콘텐츠