ML Studio 소개 영상 입니다.

김영욱 부장님이 정리한 영상 입니다. 
https://www.youtube.com/watch?v=jDEfGJXLdbc&feature=youtu.be&fbclid=IwAR1kRbp8w-rU229SJiNmQ6DduayVMyPI_lJP-3JtqdeHTco4Y1ayuwkDo84

전미정 MVP의 테크밋업 ML Studio수업 정리 입니다. 
https://steemit.com/kr/@papasmf1/keras-korea-mvp-azure-ml-studio


http://www.yes24.com/Product/Goods/66530789?scode=032&OzSrank=1


책도 한권 나와 있습니다. 
Microsoft Azure Machine Learning Studio를 활용한 머신러닝 시작하기
http://www.yes24.com/Product/Goods/66530789?scode=032&OzSrank=1

다시 산책하기 좋은 계절이 되었습니다. 주말에 1:30분정도 산책하고 왔습니다.

이제는 더위도 좀 덜하고 아침저녁으로 선선한 바람도 불고 하네요. 오랜만에 카메라들고 산책 다녀왔습니다. 보통 아침에 20분에서 1시간정도 산책을 합니다. 6살 몽실이 데리고 자주 산책을 다닙니다. 이제는 낮에만 좀 덥고 견딜만 합니다.
걷는 사람 하정우란 책을 읽다보니 하루에 3만보를 걷더군요. 저는 평균 1만2천보를 걷습니다. 1만5천보로 늘려보려고 합니다. 생활속에서 걸음수를 좀 더 올려보려고 합니다. 1년정도 사용한 애플와치가 운동에 많이 도움이 됩니다.

멀티캠퍼스에서 진행되었던 ML Studio 테크 밋업 야간 과외 후기입니다. ML Studio 정말 물건입니다. ^^

Azure ML Studio 밋업 세미나

데브옵스 코리아 대표 조철현
전미정 강사
앱 개발 Keras

인공지능 전문가만 하는 것은 아니다.

1부. 머신러닝 개론
2부. 핸즈옵 랩

기계를 인간과 비슷하게 동작하게 만드는 기술

인지 이해 반응

인공지능 -> 머신러닝 -> 딥러닝(머신러닝을 구헌하는 다양한 방법 중에 하나)

데이터가 있어야 머신러닝을 할 수 있다.

Machine Learning Bubble Chart

Supervised Learning(지도 학습, 감독학습)
문제와 정답 제공
-Feature & Label
예측, 추정, 분류
-Regression/Forecast/Classification

(쉽고 성능도 잘 나오는 편이다.)

시간에 따른 커피의 소비량(회귀)

Unsupervised Learning(비지도 학습)
문제만 제공
-Feature
패턴/구조 발견
그룹화

Anomaly Detection 비정상거래를 감지

Clustering
태깅을 하지 않고도 작업할 수 있다.

Reinforcement Learning(강화 학습)
보상 제공
인과관계가 중요
게임(알파고), 로봇

머신러닝 방법
방법이 엄청나게 많다. ML Studio에서 제공되는 것은 무엇인지 본다.

뉴럴 네트워크가 바로 딥러닝이다. 인간이 학습하는 뇌구조처럼 컴퓨터도 비슷하게 처리해 보자.
입력
입력 인공신경 출력
입력

층을 여러개 쌓아서 처리할 수 있다.

머신러닝 딥러닝
Input Input
Feature Engineering Feature Extraction
Traditional ML Neural Network
Output Output
(도메인에 대한
전문적인 지식이 필요하다.)

                (피처가 많다면... 피처의 추출을 기계가 한다. ) 

머신러닝의 헬로우월드 타이타닉 생존여부

Y = w*X + b
(라벨). (피처)

근무 연수 연봉
....
데이터에 점을 찍을 수 있다.

실제 값을 통해 데이터 값을 구할 수 있다.

w와 b를 머신러닝 모델이 구해줍니다.

X = Feature Y = Label
70~80%는 학습에
사용한다.
30%는 테스트에 사용

슈퍼바이저의 리그레션을 하게 됨

친절한 Azure ML Studio HOL
custom model 생성
전통적인 머신러닝 방법을 사용한다.

microsoft model 활용
Cognitive Service를 통해 미리 만들어진 것을 쓴다.

Azure Machine Learning Studio
Azure Machine Learning Service

하이퍼 파라메터들의 값
파이썬을 잘하고 싶은 것이 아닌 머신러닝을 하고 싶은데...

추가로 코드를 연결할 수 도 있다.

Best tool for ML Beginner

무료도 가능 10기가 까지 데이터 가능

문제 정의
데이터 셋 준비
모델 설정
모델 훈련 / 평가
모델 활용

총 111개 모듈

미국 45개 월 마트 부서별 주간 판매액 예측 모델
part1. 데이터 전처리
part2. 모델 학습 / 예측

part1. 데이터 전처리
데이터 지원 형식
원만한 데이터는 다 지원이 된다.

데이터 지원 유형
문자열
정수
double
BOOLEAN
Datetime
timespan

데이터 지원 용량
2기가
전체 10기가 정도(무료 버전)

kaggle에 올라왔던 문제임
feature.csv. train.csv. stores.csv
12열 8천개 5열 42만개. 3열 45개 지점

3개를 키를 통해 스튜디오에서 묶어서 사용한다.
키는 지점을 잡으면 된다. 그리고 날짜로 묶는다.

3개의 파일을 모두 업로드를 한다.
왼쪽의 데이터셋 아이콘을 클릭하고 From Local File이 나오면 3개의 파일을 모두 업로드하면 된다.

Saved Datasets에서 My Datasets를 클릭해서 업로드한 파일중에 features.csv파일을 드래그&드롭한다.
Features에서 6개의 컬럼만 선택한다. 마크다운, 홀리데이는 제외한다. Select Columns in Dataset에서 아래와 같이 선택하면 된다.

이번에는 업로드한 파일 중에 train.csv파일을 드래그&드롭한다. 데이터를 키컬럼을 사용해서 조인해야 한다.

Join Data를 드래그&드롭하고 라인을 아래와 같이 연결한다.

Match Case의 경우 대소문자 구문 지금은 동일하다. 체크한 상태
Keep right key는 언체크해서 동일한 컬럼이 생기지 않게 한다. 양쪽 데이터셋에 같은 컬럼이 있기 때문에 중복이 발생하지 않도록 언체크해야 한다.

이번에는 stores.csv파일을 드래그&드롭하고 join data를 드래그&드롭해서 아래와 같이 연결한다.

이번에는 Store만을 선택해서 키로 추가해서 조인을 처리하면 된다.

하단의 Run버튼을 클릭해서 실행결과를 한번 확인해 본다.

Edit Metadata를 사용해서 데이터를 전처리 한다.

오른쪽 상단의 Launch column selector에서 11개의 컬럼을 모두 선택해서 오른쪽으로 배치한다.

New column names에 아래와 같이 한글로 된 컬럼이름을 입력한다. 갯수가 11개인지 체크한다.
지점,날짜,온도,연료비,소비자물가지수,실업률,부서,판매액,휴일여부,유형,규모

Edit Metadata를 하나 더 드래그&드롭한다. 위에서 아래로 라인을 연결한다. 추가된 Edit Metadata에서 Launch Select Column을 클릭한다.

카테고리형태로 입력되는 3개의 피처들이 있다. 지점,부서,유형을 선택해서 카테고리형태로 변경해 주도록 한다.

오른쪽의 Properties에서 Categorical을 Make categorical로 변경한다.

Run을 하고 결과를 보면 아래와 같이 Statistics에 Feature Type이 Categorical Feature로 변경되어 있다.

다시 Edit Metadata를 하나 더 추가한다. 아래와 같이 연결한다

소비자물가지수와 실업률을 선택한다.

Feature가 String으로 되어 있는 것을 아래와 같이 Data Type에서 Floating point로 변경한다.

다시 하나 더 Edit Metadata를 추가한다.

판매액을 선택한다.

아래와 같이 Fields에서 Label로 변경한다.

트레이닝과 테스트를 분리하기 위해 아래와 같이 Split Data를 연결한다. 0.8을 입력한다.

Random seed에는 0이 아는 좋아하는 아무 숫자나 입력하면 된다. 99를 입력한다. 앞에서부터 추출하는 것이 아는 랜덤하게 추출해서 훈련과 테스트가 정상적으로 진행될 수 있다.

Random Split
데이터가 순서대로 나열되어 있을 수 도 있기 때문에 랜덤하게 데이터를 뽑아와야 한다.
0.8을 입력해서 80프로 / 30프로로 나누어서 사용한다.

Random seed를 준다. 약간의 성능차이가 날 수 있다. 성능의 차이가 알고리즘인지? 랜덤해서 만든건지? 랜덤시드를 고정하면 이럼 고민을 덜 수 있다. 랜덤 선별 방식을 고정할 수 있다. 랜덤하게 뽑는 규칙은 고정하겠다는 것이 랜덤시드이다.
랜덤시드를 0으로 하면 사용하지 않겠다는 뜻. 원하는 숫자를 아무거나 입력한다.

Stratified Split
샘플링을 해야 한다.
데이터를 가지고 생각할 것이 엄청나게 많다.

케라스 코리아 You Only Look Keras

Initial Model 알고리즘 선택
Train Model 모델을 트레이닝
Score Model 평가하는 모델
Evaluate Model
Deploy Model

어떤 알고리즘을 써야하는가? 그때 그때 마다 다르다.
On size & quality of data

지도 학습 - Classification, Regression, Anomaly Detection
비지도 학습 - 클러스터링
Reinforcement - 아직 지원 안함

Accuracy(정확도를 얼마만큼 할 것 인가?)
정확도를 너무 높이면 오버피팅이 발생하고 시간이 많이 걸린다.
Parameter
Feature

ML Studio는 25개의 알고리즘을 제공한다.
치팅 시트를 제공한다.
Regression에서 8개의 알고리즘을 제공한다.
Ordinal Regression ; 데이터 내 상대적 순서나 랭킹 예측
Poisson Regression : 이떤 이벤트가 발생할 횟수 예측. 어떤 사람이 병원에 가게될 횟수
Fast Forest Quantile Regression: 값의 분산/분포 예측
Linear : 선형 알고리즘
Bayesian Linear Regression
Neural Network Regression
Decision Forest Regression: 오퍼피팅에 중의
Boosted Decision Tree Regression: 이전 트리에 종속되어 있어 메모리 사용이 큼. 정확도가 높음. 앙상블 모델에 활용

(아래의 5개를 사용하면 된다.)

Boosted Decision Tree 를 알고리즘으로 사용한다.

Boosted Decision Tree Regression과 Train Model을 연결하고 Split Data와 Train Model을 연결한다.

하단의 Run버튼을 클릭한다. 아래와 같은 Decision Tree가 나온 것을 볼 수 있다.

Score Model을 드래그&드롭하고 Train Model과 Score Model을 연결하고 Split Data에서 Score Model로 연결한다.

Evaluate Model을 드래그&드롭해서 아래와 같이 연결한다.

42만개의 데이터를 80프로는 모델, 20프로는 테스트로 사용한다.
판매액과 Scored Labels을 비교하면 잘 예측을 했는지를 알 수 있다. 우리가 예측한 모델이다.
Metrics가 5개로 나온다.
Mean Absolute Error 는 적은 값이 나오면 좋다.
p = predicted value 예측 값
a = actual value 실제 값

아래와 같이 시각화해서 결과를 확인할 수 있다.

Index Error. Error. Error^2
1 2 2 4
2 2 2 4
3 2 2 4
4 2 2 4
5 2 2 4

MAE(Mean Absolute Error)

MSE(Mean Square Error)

몇개의 튀는 데이터가 있다. 튀는 데이터를 중요하게 봐야 한다. 예측할 때 잘 맞추어야 한다.
골고루 맞추는 경우는 Mean Absolute Error를 사용한다.

모델이 잘 만들어진 것을 판단할 때 사용한다.

어떤 모델이 적합한지를 결정하기 힘들다. Evaluate Model의 상단에는 점이 2개가 있다. 동시에 2개를 연결할 수 있다.

All models are wrong
but some are useful
George Box
알고리즘이 맞을 것이라고 생각하지만 현실 세계를 다 맞추지는 못한다.
우리 데이터랑 잘 맞으면 쓸모가 있다. 여러개를 비교해 본다.

다른 알고리즘을 사용해서 성능을 비교해 볼 수 있다. 아래와 같이 똑같은 모델을 한번 더 생성한다.
이번에는 Decision Forest Regression을 사용해서 Train Model과 연결한다.

Train Model에서 판매액을 선택한다.

Score Model을 추가해서 아래와 같이 Train Model과 Score Model을 먼저 첫번째 점과 연결한다. Split Data와 두번째 Score Model의 두번째 점으로 연결한다. 두번째 Score Model과 하단의 Evaluate Model을 연결해서 어떤 알고리즘이 더 유리한지 테스트할 수 있다. Run을 누르면 실행시간이 꽤 걸린다. 약 2분에서 5분정도 소요된다.

알고리즘 2개 중에 하나만 남겨둔다. 성능이 좋은 것은 남긴다. 왼쪽을 선택하고 오른쪽은 삭제한다.

바로 모델을 활용할 수 있는 RESTful 웹사이트가 Azure기반으로 생성된다. 많은 기술들을 사용해야하는데 무척 쉽게 자동으로 생성이 된다.
setup web servervice 리커멘드를 선택한다. 탭이 하나가 더 생긴 것을 볼 수 있다.

Web service input을 아래쪽으로 끌어다 두고 Score model의 상단 두번째 점과 연결한다.

다시 Run버튼을 클릭하고 실행이 종료되었으면 하단의 Deploy Web Service를 클릭하면 된다. Test버튼을 클릭하면 생성된 모델을 사용할 수 있따.
또는 Test preview버튼을 클릭해도 된다.

아래와 같이 샘플 데이터를 바로 로딩해서 테스트 해 볼 수 있다.

윈도우 사용하면서 오피스 2016이면 엑셀로도 다운로드해서 테스트할 수 있다.

판매 금액이 많은 것으로 예측이 되면 직원들을 더 배치할 수 있다. 쿠폰을 주고 판매액을 더 높게 가져갈 수 있다.

마비노기 듀얼에서 Azure ML을 사용하고 있다.
재방문 유도 시스템을 활용하고 있다.

머신러닝이 그렇게 어렵지 않구나 하는 생각
시작점에 도움이 되었으면 좋겠다.

크리스토퍼 메이어의 "100배 주식" 독서 후기 입니다.

주말에 지난주에 읽었던 책을 정리하고 있습니다. "100배 주식"이라는 크리스토퍼 메이어가 쓴 책입니다. 제목은 상당히 자극적이지만 내용은 차분하게 좋은 주식을 사고 묻어두라는 내용으로 구성되어 있습니다. 특별히 커피캔 투자라는 아이디어가 다음에 듭니다.

목차를 보면
1장 100배 주식이란 무엇인가?
2장 누구나 할 수 있다.
3장 커피캔 포트폴리오
4장 100배 주식의 법칙
5장 지난 50년간의 100배 주식
6장 100배 주식의 열쇠
7장 소유자-경영자를 어떻게 볼 것인가?
8장 아웃사이더 최고의 CEO들
9장 18,000배 주식의 비밀
10장 얼마나 투자해야 하는가?
11장 자기 주식 취득 수익 가속화
12장 경쟁자 몰아내기
13장 100배 주식들에 대한 다양한 심리 상태
14장 다음 대공황이 왔을 경우
결론 100배 주식 정리

1997년 외환위기, 2001년 IT버블, 2008년 리먼 브러더스 사태등을 직접 체험한 세대로써 또 다시 시장에 리세션의 공포가 몰려오고 있습니다. 저는 시장을 낙관주의자의 시선으로 바라보고 싶습니다. 다만 다양한 시그널들을 보며 이제는 좀 더 보수적으로 투자를 해야하는 것은 아닌가하는 생각이 듭니다.
미국의 성장 동력이 둔화되고 있고(회사채 부실의 증가), EU의 경우 독일, 오스트리아등이 마이너스 국채금리로 가고 있고, 중국도 부동산 부실, 미중 싸움의 여파 등으로 한국이 아닌 주변 국가들의 위험 요소들이 감지되고 있습니다. 아무래도 조심스럽게 시장을 관찰하면서 보수적인 스탠스로 전환해야 하는 것은 아닌가 하는 생각이 듭니다. 레이달리오의 포트폴리오를 보면서 저도어제 금관련 ETF를 처음으로 포트폴리오에 담아 두었습니다. 다만 이 또한 지나갈 것으로 생각하고 있습니다. 멀리 5년, 10년뒤를 생각하려고 합니다.

책에 있던 인상적인 문구들을 필사해 봅니다.

"시장을 연구하고 다른 회사와 산업을 크게 능가하는 잠재력을 가진 장기적인 기업에 투자하라. 그리고 투자에 대한 생각이 바뀌지 않는 한 주식을 게속 보유하라. 매매를 잊어 버리고 매매를 모니터링하는 데 쏟았을 시간을 가족에게 사용하라"

교훈은 간단합니다. 원래 투자에 대한 생각에 충실하고 그것이 변하지 않으면 그대로 보유하십시오. 저는 100배 주식을 연구하려는 당신의 프로젝트가 성공할 가능성이 매우 높다고 생각합니다. 좋은 주식의 공통점을 확인하고 충분한 연구를 통해 확신을 가진 후에는 매수하고 그대로 보유해야 합니다.

커피캔 포트폴리오 개념은 서부 개척 시대로 거슬러 올라가는데, 그 당시 사람들은 커피캔에 소중한 물건을 넣고 매트리스 밑에 보관했다. 이 프로그램의 성공은 전적으로 커피캔에 담을 물건을 선택할 때 발휘하는 지혜와 예지력에 달렸다.
개념은 단순하다. 최고의 주식을 찾아서 10년 동안 그대로 둔다. 이런 포트폴리오는 비용이 거의 들지 않는다. ==> 커피캔 투자라는 단어가 무척 재미있게 느껴졌습니다. 저도 제가 주로 사용하는 서비스와 제품에 관련된 성장주와 배당주에 일정 부분 투자를 하고 있습니다. 매일 사용하는 윈도우와 오피스 제품을 만든 마이크로소프트, 아이폰과 관련 생태계를 만든 애플, 그리고 휴식을 취할 때 가는 스타벅스등에 매달 일정 부분 매수을 해서 묻어두고 있습니다. 10년 뒤가 기대됩니다. ^^

1958년 기업의 평균 수명은 61년이었으니 많은 것이 바뀌었음을 알 수 있다. 이 표는 2014년에 출간된 마이클 모부신의 보고서에서 나온 것이고, 제목은 "단기주의에 대한 장기적 관점"이다. 정보 기술은 6.6년, 헬스케어는 11.4년, 소비재는 12.4년, 통신 서비스는 16.1년...

문제는 우리가 참을성이 없다는 것만이 아니다. 파도가 너무 거칠기도 하다. 미어미칸 캐피털의 펀드 매니저 댄 올리버가 2012년에 한 이야기가 떠오른다. 그는 1980년 주식 상장부터 2012년까지 애플 주식이 225배 상승했다고 강조했다.
하지만 계속 보유한 사람들은 고점에서 저점까지 80퍼센트 하락을 2번이나 겪어야 했다. 2008년 이후 큰 상승 흐름은 60퍼센트의 하락 후에 나왔다. 그리고 40퍼센트의 하락도 몇 번 있었다. 크게 가치가 오른 많은 주식이 비슷하게 무시무시한 하락으로 고생 했었다.

나는 커피캔 개념을 좋아한다. 그 이유 중 하나는 누구나 사용할 수 있기 때문이다. 100배 주식의 아이디어와 너무나 잘 맞아 떨어지는데, 100배 주식을 원하면 매수한 주식에게 시간을 줘야 하기 때문이다. 나중에 더 다루겠지만, 1962년 이래로 내 연구에 포함된 365개 주식 중에서 10년 안에 100배가 된 주식은 20개 밖에 없었다.

스타벅스는 1971년 시애틀에서 키피 원두를 파는 작은 상점으로 시작하여 현재는 주식 시장에서 760억 달러의 가치가 있다.
애플은 1976년 1만 달러의 투자금을 가지고 차고에서 시작하여 현재는 7,660억 달러의 가치가 있다.
서브웨이는 코네티컷주 브리지포트에 있는 1,000달러 투자금의 샌드위치 가계에서 시작하여 현재는 35,000개 이상의 매장에서 90억 달러 이상의 매출을 창출한다.

주식으로 돈을 벌려면 "좋은 주식을 꿰뚫어 보는 통찰력, 그것을 살 수 있는 용기, 그것을 쥐고 있을 수 있는 인내심"이 있어야 한다. 펠프스에 따르면 이 셋 중 인내심이 가장 귀하다.

그 아래의 기업은 말보로를 생산하는 필립 모리스의 모회사로 전통 있는 미국의 담배 회사인데 무련 15,000배 주식이다. 이것도 예상하기 힘들었을 것이다.
100배 주식의 분포는 특정 산업에 국한되지 않는다. 소매 업체, 음료제조 업체, 식품 가공 업체, 기술 업체 및 기타 여러 종류가 있다. 그들이 공통으로 가지고 있는 유일한 특징이 이 연구의 주제다. 모두 최소 100배의 수익을 냈다.

회사에 돈을 투자하면, 그 회사의 회장, CEO, 그리고 경영진에게 그 돈을 맡기는 것입니다. 이들이 당신과 함께 투자한다는 것은 정말 좋은 일이에요.
지난 50년 동안 가장 뛰어난 주식을 생각해보면, 그 뒤에는 소유자-경영자가 있는 경우가 많았다. 애플의 스티브잡스, 월마트의 샘 윌튼, 마이크로소프트의 빌 게이츠, 스타벅스의 하워드 슐츠, 버크셔 해서웨이의 워런 버핏, 이 목록은 끝없이 이어진다. 이 사람들은 모두 백만장자다.

버크셔 해서웨이는 워런 버핏에 대해 어떻게 생각하든 모든 투자자가 반드시 공부해야 하는 회사다. 버크셔 해서웨이의 주식은 18,000배 이상 상승했는데, 이는 1965년에 1만 달러를 투자했다면 50년 뒤에는 1.8억 달러라는 어마어마한 금액이 되었음을 의미한다. 바로 버크셔가 레버리지를 사용한다는 것이다. 치르코바에 따르면 "버크셔 해서웨이의 자본 구조 중에서 레버리지의 양은 평균적으로 총자본의 37.5퍼센트에 달했다"

1. 버핏은 다른 사람의 돈을 사용해서 부자가 되었다.
2. 다른 사람의 돈을 마이너스 이자율로 빌릴 때도 있었고, 평균적으로는 미국 재무부 채권 금리보다 낮았다.
3. 그렇게 낮은 이자율을 내기 위해서 위험과 보상이 제대로 작동하지 않을 때는 시장에서 한발 물러날 수 있는 의지가 있어야 했다.

나도 하프 켈리를 선호한다. 수익을 희생하지 않으면서 변동성을 크게 줄일 수 있기 때문이다.

이 질문은 우리를 "경제적 해자"라는 주제로 이끈다. 해자란 사업을 경쟁자로부터 보호하는 장치이다. 이는 영속성이 있는 경쟁 우위다.
내구성이 좋은 제품에 돈을 더 지불하는 것이 상식이다. 주방 가전제품보다는 자동차, 자동차보다는 집 등 더 오래 지속되는 것들이 일반적으로 가격이 더 높다. 주식 시장에서도 마찬가지다.
강력한 브랜드를 가지고 있다.
상품을 바꾸는 데 비용이 많이 든다.
네트워크 효과를 누릴 수 있다.
다른 사람보다 무언가를 더 저렴하게 할 수 있다.

승리, 안전, 그리고 성공은 항상 다수가 아닌 소수에게로 간다는 것이 인생의 한 단면이다. 만약 누군가 당신의 말에 동의한다면 마음을 바꿔라. 내가 경험을 통해 배운 것은, 내가 만약 어떤 주식을 매수하기 위해 보험 회사 이사진을 설득할 수 있다면, 그때가 바로 그 주식을 팔 최적의 시점이다.

1938년 5월 케인스가 남긴 보고서에 그의 투자 철학을 잘 정리한 내용이 있다.

1. 신중하게 몇 개의 주식을 고르거나 몇 개의 투자대상을 선택한다.
2. 투자한 종목들이 약속한 수익을 내거나 선택이 실수 였다는 것이 명백히 밝혀지기 전까지는 수 년에 걸쳐 등락을 거듭하더라도 상당한 수량을 굳건히 보유한다.
3. 균형 잡힌 투자 포지션을 유지한다.

100배 주식을 찾는 핵심 원리들

1. 100배 주식을 찾으려고 해야 한다.
2. 성장,성장,더 성장하는 기업들
3. 주가 배수가 낮은 것이 좋다.
4. 경제적 해자는 꼭 필요하다.
5. 소형주를 선호한다.
6. 소유자가 직접 경영하는 회사를 선호한다.
7. 충분한 시간이 필요하다. 보조 수단으로 커피캔 접근법을 활용하라.
8. 정말 좋은 필터가 필요하다.

재미있는 책입니다. 한번 읽어보시길 권합니다. ^^