차수진의 개발 블로그

KT 에이블스쿨 기자단 후기 + 9기 후배들과의 교류

수진97 — Tue, 24 Feb 2026 12:52:56 +0900

안녕하세요!

드디어 KT 에이블스쿨 기자단 활동도 종료가 되었는데요.

교육 수강과 프로젝트 병행에 스터디 조장, 그리고 에이블스쿨 기자단 활동까지 병행이 쉽지는 않았지만

6개월 간 후회 없이 열심히 활동에 참여했던 것 같아 매우 뿌듯합니다!!

에이블스쿨 기자단을 하길 잘했다는 생각이 들었던 이유는 꾸준하게 배운 내용을 복습할 수 있는 원동력이 되었고,

지금까지 진행했던 여러 프로젝트도 꾸준히 회고를 남김으로써 추후 이력서와 포트폴리오 작성 시에도

큰 도움이 되었습니다!!

특히 가장 뿌듯했던 점은 에이블스쿨 9기 후배분들께 제가 조금이나마 정보 공유와 소식 전달을 통해 도움을 드릴 수 있었다는 점입니다.

9기 후배 양성에 나름 한몫한 것 같아서 기분이 매우 매우 좋았습니다!

이런 선한 영향력을 끼치기 위해 있는 역할이 에이블스쿨 기자단 아닐까요?

저도 지난 기수 선배 기자단 분들께서 올려주신 블로그를 보고 많이 참고했었는데,

그 역할을 또 제가 할 수 있게되어 정말 뿌듯합니다.

꼭 기자단 활동을 통해 블로그를 단순히 올리는 것에서 끝나는 것이 아니라,
에이블스쿨 수료 이후와 취업 후에도 꾸준히 기록하고 회고하는 습관을 이어가고 싶습니다.

블로그 정리를 통해 계속 배우고 성장할 수 있는 좋은 습관을 형성하게 해 준
에이블스쿨에 진심으로 감사드립니다.

KT에이블스쿨 8기 빅프로젝트 최종 회고 및 프리세션 후기

수진97 — Tue, 24 Feb 2026 10:31:14 +0900

안녕하세요!

드디어 길고 길었던 빅프로젝트가 끝이 났습니다.

2달 동안 고생 많았던 우리 팀원들과 전국의 에이블러분들에게 수고했다고 박수 쳐주고 싶네요 ㅎㅎ

과제 심의 단계부터 타당성 검토, 품질 평가, 과제완료 처리 단계까지 2달간의 여정을 아래 이미지로 들고 왔습니다.

과제 심의 단계 때 조원들과 열심히 협의한 결과로 뽑은 주제가 통과가 안되면 어쩌나 조마조마했던 게 엊그제 같은데

이제 정말 끝이 났고, 잡페어와 수료식만 앞두고 있습니다.

중간 회고 때도 남겼지만 가장 힘든 단계가 과제 심의 단계였습니다.

빅프로젝트를 끝내고 전체적으로 회고해 보니, 마지막 과제 완료 처리 단계에서 총 9가지 산출물을 제출해야 했는데, 사실 이것도 쉽지는 않았던 것 같습니다.

그래도 우리 조는 개발이 빠르게 마무리가 되어서 산출물을 서두르지 않고 준비해 제출할 수 있었습니다!!

내일 메타버스에서 발표회가 진행된다고 합니다! 그래서 오늘 사전점검 차 프리세션을 진행하는데요.

본인이 소속된 부스 내 포스터와 발표 자료, 영상, 방명록 등이 제대로 잘 나오는지 확인하고,

메타버스에는 잘 접속되는지 확인하면 된다고 합니다.

사전점검을 마친 후 저희 반끼리 열심히 놀고 있는 모습입니다 ㅋㅋㅋㅋㅋㅋㅋ

저번에 7기 때에도 빅프로젝트 발표회를 메타버스로 참석했었는데,

모든 게 신기하고 캐릭터들도 아기자기 귀엽더라고요!!

그 당시에는 내가 이 어려운 걸 해낼 수 있을까라는 막연한 생각이 들었는데 수많은 과정을 거쳐 결국 산출물을 만들어 낸 제 자신이 뿌듯하기도 하고 자신감과 용기도 생기는 것 같습니다.

발표회와 잡페어, 수료식까지 마무리 잘해서 취업까지 꼭 좋은 결실 맺을 수 있도록

우리 조 뿐만 아니라 우리 반과, 에이블러 전체 모두 응원합니다.

파이팅!!!

ADsP 자격증 요약 정리(10) - 3과목 R 추론 통계

수진97 — Thu, 5 Feb 2026 19:30:29 +0900

ADsP 3과목 이어서 포스팅해 보겠습니다.

1. 추론통계

- 표본으로부터 모집단의 특성을 추정하거나 가설을 검정하는 통계 기법

(1) 표본추출 방법

1) 랜덤 추출법(단순 무작위)

- 모든 개체가 동일한 확률

2) 계통 추출법

- 번호 부여 -> 일정 간격(k)으로 추출

ex. 1, 11, 21, 31...

3) 집락 추출법 (= 군집 추출)

- 모집단을 여러 군집으로 나눈 후 군집 자체를 선택해서 전부 또는 랜덤 일부를 조사

- 작은 모집단을 통째로 뽑자

- 군집 내 이질적 / 군집 간 동질적

ex. 학교 몇 개를 뽑아서 그 학교 학생 전부 조사

(학교 내에는 1학년, 2학년... 남학생, 여학생 모두 섞여 있어서 이질적임)

(하지만 A학교도 학생 구성 다양 / 다른 군집인 B학교도 다양 => 비슷한 구조)

4) 층화 추출법

- 모집단을 층으로 나눈 후 각 층에서 표본 추출

- 비슷한 애들끼리 묶어 놓고 -> 각 묶음에서 조금씩 뽑자

- 층 내 동질적 / 층 간 이질적

ex. 성별, 연령대 별로 비율 맞춰 추출

* 비례 층화 추출 : 모집단 비율과 같은 비율로 추출

5) 복원 / 비복원 추출

- 복원 추출 : 뽑은 후 다시 넣음 (확률 동일)

- 비복원 추출 : 한 번 뽑히면 제외

2. 확률 분포

- 확률 변수의 개별 값들이 가지는 확률 값의 분포

(1) 이산 확률분포

- 값을 셀 수 있는 분포(횟수 / 개수), 확률질량함수로 표현

- 이항분포의 최소 단위
- 베르누이 -> 이항 -> 다항(확장)

- 기하 -> 음이항(성공까지)

1) 베르누이 분포

- 한 번의 시행 : 성공확률 p

- 결과 : 성공 / 실패 (2가지) => 결과가 2가지 중 한 가지로 나타남

ex. 동전 앞 / 뒤, 합격 / 불합격

2) 이항분포

- N번의 베르누이 시행 중 K번 성공할 확률분포

- 성공 횟수 K의 분포

- 조건 : 독립 시행, 성공확률 p 동일, 복원추출

ex. 동전 10번 던져 뒷면이 나올 횟수

* 이산 균등분포 : 각 값의 확률이 모두 같다 (평균 = (최솟값 + 최댓값) / 2)

* 이항분포 : 각 시행의 성공 확률 p가 같을 뿐, n번 시행 중 성공 횟 확률은 다름 (평균 = np)

~의 개수 -> 이항분포

동일 확률 -> 균등분포

3) 기하분포

- 성공확률이 p인 베르누이 시행에서 처음으로 1번 성공할 때까지의 시행 횟수

- 기억성질을 가짐.

ex. 동전을 던져 처음으로 뒷면이 나오기까지 던진 횟수

4) 음이항 분포

-성공확률이 p인 베르누이 시행을 r번 성공할 때까지 반복 시행 횟수

- 기하분포의 일반화

ex. 동전을 던져 뒷면이 3번 나올 때까지 던진 횟수

5) 초기하 분포

- N개 중 비복원 추출로 n번 추출했을 때 원하는 결과가 k번 나올 확률

- 모집단 크기 N 고정 / 성공 개수도 고정

ex. 20개 사탕 중 콜라맛 사탕 5개, 5번 뽑았을 때, 콜라맛 사탕이 2개 뽑을 확률

6) 다항분포

- N번 시행에서 각 시행이 여러 개의 결과를 가질 수 있는 확률 분포

- 이항분포의 확장

ex. 주사위를 10번 던져 각 면이 나오는 횟수

7) 포아송 분포

- 단위 시간 내 발생할 수 있는 사건의 발생 횟수

ex. 하루동안 교통사고 발생 건수, 한 시간 전화 수

지피티 최고

(2) 연속 확률분포

- 확률 변수가 연속값(시간 / 길이 / 비율) -> 확률 밀도 함수로 표현

- 값을 셀 수 없는 분포

1) 균일 분포

- 구간 내 모든 값이 동일한 밀도(= 모든 값 동일 확률)

ex. 특정 구간에서 무작위 시간 선택

2) 정규 분포

- 자연현상, 연속적인 측정값, 종 모양의 우리가 일상생활에서 보는 확률변수의 평균 분포를 근사한 분포

- 평균 μ, 분산 σ²

3) t분포

- 정규분포와 유사하나 꼬리가 더 두껍고 긺

- 표본 수 작을 때 사용

- 자유도 = n - 1 (표본 크기 = n)

* t-검정 : 표본이 30개보다 작은 집단에 대한 평균 검정 (표본수가 작으면 정규분포 쓰기는 애매해서)

ex. 표본 수가 20개이고 모분산을 모르는 경우, 평균에 대한 검정을 수행하려 할 때 t-분포 사용

(평균 검정이란 어떤 집단의 평균이 특정 값인지, 또는 두 집단의 평균이 같은지 확인)

출처 : http://www.ktword.co.kr/test/view/view.php?no=1134

4) 카이제곱분포

- 독립적인 정규분포를 따르는 변수들의 제곱 합

- 항상 0 이상, 비대칭, 범주형

* 카이제곱 검정 활용 : 두 집단의 동질성 검정, 단일 집단의 모분산 검정

=> 독립성, 동질성, 모분산 검정

ex. 두 범주형 변수 간의 관련성을 검정하고자 사용하는 검정 = 카이제곱 독립성 검정

5) F분포

- 두 개의 서로 다른 카이제곱 분포의 비율 (분산 비교)

- 항상 양수

*F검정: 두 집단의 분산 동질성 검정, 분산분석(ANOVA)

6) 지수분포

- 사건 간 시간 간격 분포

- 기억성질 있음

ex. 다음 전화까지 걸리는 시간

7) 감마분포

- 지수분포의 일반화

- 여러 사건까지의 시간

8) 베타분포

- 두 모수 알파, 베타에 대한 0~1 사이 비율 분포

ex. 성공확률 p의 분포

ex. 클릭률, 전환율

* 중심 극한 정리

- 임의의 모집단으로부터 추출된 표본 분포는 표본 크기가 30개 이상이면 정규분포

- 모집단의 분포에 상관없이 표본평균분포가 정규분포를 이룸

ADsP 자격증 요약 정리(9) - 3과목 R 기초 통계량(기초 통계)

수진97 — Thu, 5 Feb 2026 14:50:44 +0900

안녕하세요!

저번 포스팅에 이어 3과목 기초 통계량 개념에 대해 정리해 보겠습니다.

1. 기초통계량

(1) 중심 경향성 측면

1) 평균

- 이상치에 민감

- 대표성은 좋지만 극단값에 영향 큼

2) 중앙값

- 이상치에 강함

- 소득, 집값 같은 데이터에서 자주 사용

3) 최빈값

- 범주형 데이터에도 사용 가능

* 이상치 있을 때 대푯값

- 평균 X / 중앙값 O / 최빈값 O

(2) 분산 정도 측면(산포도)

1) 범위(최댓값 - 최솟값)

- 이상치에 매우 민감

2) 분산

- 각 데이터가 평균에서 얼마나 떨어져 있는지를 나타내는 지표

- 값이 제곱 단위라 해석이 직관적이진 않음

3) 표준편차(Standard Deviation)

- 분산의 제곱근

- 원래 데이터와 같은 단위

- 분산보다 해석이 쉬움

4) 사분위수 번위(IQR)

- IQR = Q3 - Q1 (3 사분위수 - 1 사분위수)

- 데이터의 중앙 50% 범위(상위 75% - 하위 25%)

- 이상치에 강함

5) 변동계수(CV, Coefficient of Variation)

- 표준편차를 평균으로 나눈 백분율

- 단위가 달라도 상대적 변동성 비교 가능

- 평균이 0이면 사용 불가

(3) 관계 측면

1) 공분산(Covariance)

- 두 변수의 함께 변하는 정도(두 확률변수의 상관정도)

- 단위 영향을 받음

- 최소, 최댓값이 없어서 강약 비교 불가

- 공분산 > 0 : 양의 상관관계 (X가 커질수록 Y도 커짐)

- 공분산 < 0 : 음의 상관관계 (X가 커질수록 Y는 작아짐)

- 공분산 = 0 : 선형 관계없음(상관이 없음)

*두 변수가 독립이면 공분산은 0

공분산이 0이라고 두 변수가 독립이라고는 할 수 없음

=> 즉, 비선형 관계가 존재할 수 있음

ex. y = x^2 (U자형 그래프)

2) 상관계수

- 공분산의 단위와 범위 영향을 표준화하여, 상관정도를 -1 ~ 1 값으로 표현

- 단위 영향받지 않아서 비교 가능

- 공분산은 방향만 알려준다면, 상관계수는 방향 + 강도 알 수 있음

- 상관계수 = 1 : 완전한 양의 선형관계(정비례)

- 상관계수 = 0 : 상관없음

- 상관계수 = -1 : 완전한 음의 선형관계(반비례)

2. 첨도와 왜도

(1) 첨도

- 자료 분포가 얼마나 뾰족한지(꼬리가 두꺼운지) 나타내는 척도

- 첨도 = 3 (정규분포)

- 초과 첨도 = 첨도 - 3 이므로 정규분포는 3 - 3 = 0

초과 첨도 = 0 -> 정규분포

초과 첨도 > 0 -> 뾰족함 (중심에 몰림 + 꼬리 두꺼움)

초과 첨도 < 0 -> 완만함 (평평한 분포)

(2) 왜도

- 자료 분포의 비대칭 정도

- 왜도 = 0 -> 좌우 대칭(정규분포)

* 왜도 < 0 : 음의 왜도, 왼쪽 꼬리가 길다

=> 즉, 큰 값에 데이터가 몰려있다는 뜻

=> 평균값 < 중앙값 < 최빈값

(평균이 작은 쪽인 왼쪽으로 끌려가므로 가장 작음)

* 왜도 > 0 : 양의 왜도 , 오른쪽 꼬리가 길다

=> 즉, 작은 값 쪽에 데이터가 몰려 있음

=> 최빈값 < 중앙값 < 평균값

=> 즉, 왜도가 크다해서 값이 큰지, 분산이 큰지 알 수 없다가 맞음!!

=> 말 그대로 비대칭 정도의 모양 이야기

ADsP 자격증 요약 정리(8) - 3과목 R기초 확률 / 통계 개념

수진97 — Thu, 5 Feb 2026 13:38:17 +0900

안녕하세요!

저번 포스팅에 이어서 ADsP 자격증 3과목 요약정리 포스팅을 해보겠습니다.

1. 확률

1) 사건 : 반복된 시행의 결과로 나타나는 표본공간의 부분 집합

=> 표본공간 S 안에 포함된 결과들의 집합

ex. 주사위 1개 -> S = {1,2,3,4,5,6}

사견 A = "짝수" = {2,4,6}

2) 표본공간 : 통계적 실험에서 일어날 수 있는 모든 가능한 결과의 집합

ex. 주사위 1개 던질 때 나올 수 있는 모든 경우의 수 S = {1,2,3,4,5,6}

3) 확률 : 어떤 사건이 발생할 확실성의 정도

- 수학적 확률 = 사건 수 / 전체 경우 수 (모든 경우가 동일한 확률일 때)

- 통계적 확률 = 실험에서 사건이 일어난 횟수 / 전체 시행 횟수

* 수학적 확률은 모든 경우가 동일한 확률로 발생한다고 가정하고, 이론적으로 계산한 확률

* 통계적 확률은 실제로 실험 및 관측을 여러 번 한 결과로 계산한 확률

4) 확률 덧셈

- 두 사건 A, B 중 하나 이상 발생할 확률

5) 조건부 확률

- 사건 B가 발생했을 때, 사건 A가 발생할 확률

6) 독립사건

- 한 사건이 다른 사건의 발생에 영향 주지 않음

- B가 일어나든 안 일어나든 A의 확률은 변하지 않음

ex. 사건 A = 첫 번째 주사위 2

사건 B = 두 번째 주사위 2

=> A와 B가 동시에 발생할 확률?

P(A) = 1/6

p(B) = 1/6

P(A∩B)= (1 / 6) × (1 / 6) = 1 / 36

ex. 두 번째 주사위가 6일 때, 첫 번째 주사위 6일 확률

 P(A∣B) =P(A) = 1 / 6

7) 배반사건

- 두 사건이 동시에 발생할 수 없음

ex. 동전을 1번 던질 때, 앞면과 뒷면이 동시에 나올 확률 = 0

8) 독립 VS 배반 비교

2. 통계 개념

1) 확률변수

- 표본공간의 각 원소(결과)에 숫자값을 대응시키는 함수 => 실험 결과를 숫자로 바꾸어 표현

* 확률변수는 확률이 아님!! 값을 의미

ex. 주사위 던지기 : 확률변수 X = 1,2,3,4,5,6

2) 이산확률분포

- 셀 수 있는 값(정수, 개수, 횟수 등 이산형)을 가지는 확률변수에 각 값이 발생할 확률을 대응한 분포

- 아래 이미지 X(확률변수) / P(X)가 이산확률분포

- 확률의 합 = 1

3) 기댓값

- 확률변수의 장기적인 평균값(E(X)), 확률분포의 무게중심

4) 분산

- 각 값이 평균(기댓값)으로부터 얼마나 퍼져 있는지를 나타내는 값

- 평균과의 제곱편차의 기댓값

* E(X2) = (X^2) * P(X)

* E(X) = X * P(X)

5) 이항분포

- 연속된 n번의 독립 시행에서 각 시행이 성공 확률 P를 가질 때, 성공 횟수에 대한 이산확률분포

- 평균 : np

- 분산 : np(1 - p)

* 조건

- 시행 횟수 n 고정

- 각 시행은 독립

- 성공 / 실패 2가지

- 성공 확률 p로 일정

6) 정규분포

- 자연 현상이나 실제 데이터에서 가장 자주 나타나는 대표적인 연속확률분포

- 연속형(측정값)

- 종 모양으로 좌우 대칭이 되는 그래프

- 평균 = 중앙값 = 최빈값

7) 표준정규분포

- 평균이 0, 표준편차가 1인 정규분포

- N(0,1) OR ~0, 1

=> 모든 정규분포를 표준화(Z값) 해서 계산 가능

8) 정규분포 VS 이항분포

- 정규분포 : 연속된 값

ex. 성인의 키 분포, 미세먼지 농도, 체중

- 이항분포 : 이산형 즉, 횟수 / 개수

ex. 교통사고 건수

ex. 주사위 10번 던져 1이 나온 횟수

ex. 제품 10개 중 불량품 개수

=> 이항분포의 시행 횟수가 충분히 커지면 분포 모양이 종 모양에 가까워져서 정규분포로 근사가 가능해짐

=> 이항분포는 이산확률분포에 포함되는 개념이므로 이산확률분포 또한 확률번수가 셀 수 있는 값(정수) 여야 함.

ADsP 자격증 요약 정리(7) - 3과목 R기초 EDA와 DM

수진97 — Wed, 4 Feb 2026 21:51:50 +0900

안녕하세요!

드디어 ADsP 마지막 과목인 3과목 요약정리 포스팅 시작해 보겠습니다!

1. 데이터 마트(DM)

- 특정 주제에 맞게 데이터를 모아 놓은 소규모 데이터 웨어하우스

- 원천 데이터 수집 -> ETL -> DW -> DM

1) 원천 데이터 수집

- 운영 DB, 로그, 외부 데이터 등 형식도 제각각인 말 그대로 원시 데이터

2) 데이터 웨어 하우스

- 전사 데이터를 통합하고, 정제하고, 변환하여 로드함(ETL) => DW(통합 데이터)

- 시계열성(과거 히스토리 관련 데이터 적재), 비휘발성(읽기 전용, 실시간 X)

- 큰 냉장고라고 생각하면 됨

3) 데이터 마트

- DW로부터 특정 부서나 목적에 맞게 분리한 데이터

- 마케팅용, 영업용 등 필요한 것만 모아 놓은 소규모 DW

출처 : https://star7sss.tistory.com/829

2. EDA (탐색적 자료 분석)

- 모델링 전에 데이터의 구조, 이상치, 패턴 등을 파악하기 위해 진행

- 데이터의 의미를 파악하기 위해 통계 및 시각화를 진행

1) EDA 4가지 주제

(1) 저항성의 강조 : 극단값(이상치)에 영향을 덜 받는 통계량 중시

=> 자료 변동에 민감하지 않은 중앙값, 사분위수 활용 / 이상치에 민감한 평균 사용 (X)

(2) 잔차 계산 : 관측값들이 주된 경향 즉, 추세로부터 얼마나 벗어나 있는지 확인하는 척도

=> 이상치, 패턴 구조적 문제 발견

(3) 자료변수의 재표현 : 원래 변수를 적당한 척도로 변환하여 분석을 쉽게 함

=> 로그 변환, 분포를 더 대칭적으로 만들거나 관계를 선형에 가깝게 만들기 등

(4) 그래프를 통한 현시성 : 그래프 시각화를 바탕으로 데이터 특징 직관적이고 효율적으로 파악

=> 히스토그램, 박스플롯, 산점도 등

3. 결측치 처리

1) 단순 대치법

- 완전 분석법 : 결측값 삭제

- 평균 대치법 : 비조건부(단순 평균으로 대치) / 조건부(다른 변수와의 관계를 고려해 회귀분석 결과로 대치)

- 단순 확률 대치법 : 확률적으로 선택하여 대치

Hot-Deck : 현재 데이터 셋에서 비슷한 성향으로 대체

Cold-Deck : 유사한 외부 출처에서 비슷한 성향으로 대체

Nearest Neighbor : 바로 가까운 응답으로 대체

2) 다중 대치법

- 결측치를 한 번만 채우지 않고, 여러 번 다른 값으로 대치한 뒤 결과를 종합하는 방법

- 대치 -> 분석 -> 결합

* 일반 대치법은 결측치가 한 값으로 확정해 고정값이 되기 때문에, 불확실성을 무시해서 분산이 실제보다 작아짐

그러나 다중 대치법은 결측치의 불확실성을 반영하여 데이터 간 변동을 유지하기 때문에 분산 과소 추정 문제 해결 가능

4. 이상치 처리

- 이상치는 의미 있는 데이터일 수도 있기 때문에 항상 제거하진 않음.

1) ESD

- 평균으로부터 표준 편차의 3배 넘어가는 데이터는 이상값으로 판단

2) 사분위수

- 하한 Q1 - (1.5 * IQR) 보다 작거나

- 상한 Q3 + (1.5 * IQR) 보다 클 때 이상값으로 판단

=> 여기서 IQR = Q3 - Q1 / Q2는 중앙값

=> 박스플롯에서 그래프가 넓게 분포되어 있을 때 분산이 더 큼(퍼져있는 정도)

3) Z-Score

- 데이터를 표준화(평균 0, 표준편차 1) 후, Z값이 일정 임계 값을 초과할 경우 이상치로 판단

- 보통 ∣Z∣> 2 혹은 ∣Z∣> 3을 임계 값으로 잡음

4) DBScan

- 데이터의 밀도를 기반으로 밀도가 적은 부분의 데이터 즉, 주변에 이웃이 거의 없는 점을 이상치로 판단

- 고밀도 영역 : 정상 데이터

- 저밀도 영역 : 이상치(Noise)

=> 군집 기반 알고리즘

5. 통계 분석

1) 질적 척도 (계산 의미 X)

- 명목척도 : 어느 집단에 속하는지만 구분 / 분류 (순서 의미 X, 대소비교 X, 사칙연산 X)

- 순서(서열)척도 : 서열관계 존재 (순서 의미 O, 간격 의미 X, 사칙연산 X)

2) 양적 척도 (계산 의미 O)

- 등간(구간) 척도 : 구간 사이 간격이 의미가 있으며 덧셈과 뺄셈만 가능 (0 상대적, 곱셈, 나눗셈 X -> 2배 의미 없음, 비율 비교 X) ex. 온도, IQ, 지수, 연도, 시험 점수

=> 얼마나 차이가 나냐만 가능

ex. 0도가 '온도가 없음'이 아니라 그냥 기준점임.

ex. 20도는 10도의 2배가 아님

ex. 시험점수 0점은 '값의 최소' 일 수는 있어도, 속성의 완전한 부재(절대적 0)는 아님.

- 비율척도 : 절대적 기준 0이 존재. 사칙연산 가능, 가장 많이 수집되는 데이터

ex. 나이, 키, 몸무게, 매출

ex. 나이 0 : '시간'이라는 물리량 즉, 출생 이후 경과한 시간이 0이므로 자연적인 출발점이므로 절대적 기준 0

ADsP 자격증 요약 정리(6) - 2과목 분석 마스터 플랜

수진97 — Wed, 4 Feb 2026 19:52:03 +0900

안녕하세요!

ADsP 자격증 2과목 요약정리 이어서 포스팅해 보겠습니다.

1. 마스터플랜 수립

- 중 / 장기 마스터 플랜 수립 시 -> ISP(Information Strategy Planning) 활용

1) 전략적 중요도

- 전략적 필요성 : 조직 비전, 전략, KPI 와의 연계성

- 시급성(Value) : 지연 시 발생하는 리스크

2) 실행 용이성

- 투자 용이성 : 예산 확보 가능성, ROI(투자한 비용 대비 얼마나 많은 수익 얻었는지 지표)

- 기술 용이성(Investment) : 기술 구현 난이도, 인프라 준비도

3) 데이터 분석 프로젝트 우선순위 설정 기준

=> 시급성(Value) × 난이도(Investment)

=> 투자 대비 효과를 극대화 하기 위해 위와 같은 기준으로 우선순위 설정

- 시급성 : 비즈니스 효과, 지금 당장 성과가 나오는가?

- 난이도 : 투자 비용 요소, 어려운 과제를 당장 감당할 수 있는가? 3V (Volume, Variety, Velocity)가 높아지면 난이도도 높아짐

시급성 높 시급성 낮

난이도 높 난이도 높

시급성 높 시급성 낮

난이도 낮 난이도 낮

1. 시급성(Value) 기준 : 3 -> 4 -> 2

- 난이도가 낮은 것부터 먼저 처리하는 게 단기간 성과가 좋음

- 시급하면서 난이도도 높은 건(1번) 단기간에 성과를 내기 어려움 -> 리스크와 비용이 너무 크기 때문에 "당장 수행 대상에서 제외 또는 보류" 로 분류

=> 당장 빨리 끝내야 하는데 어려운걸 언제 기간 내 할 건데? 이런 느낌..?

2. 난이도(Investment) 기준 : 3 -> 1 -> 2

- 우선 시급한 것부터 빨리 끝내고 -> 난이도 높은데 덜 시급한 걸 마지막으로 처리

- 시급하지도 않고, 난이도도 낮은 건(4번) 언제든 할 수 있으니 제외

출처 : https://blog.naver.com/libertyforever/222329175691

4) 데이터 분석 로드맵

- 데이터 기반 의사결정을 조직에 정착시키기 위한 중 / 장기 분석 추진 계획

(1) 체계 도입 단계 : 분석을 할 수 있는 기반(조직, 프로세스, 인프라)을 만드는 단계

(2) 유효성 검증 단계 : "이게 진짜 효과가 있나?"를 확인 / 실험 / 검증 => 파일럿 프로젝트 수행

* 파일럿 프로젝트 : 본격적으로 전사 확산하기 전, 작은 범위에서 미리 시험해 보는 프로젝트

(3) 확산 및 고도화 단계 : 검증된 분석을 조직 전체로 확산 / 분석 모델 고도화 및 지속 개선

2. 분석 거버넌스 체계 수립

=> 기업에서 의사결정을 위한 데이터를 어떻게 관리하고, 유지 및 규제하는지에 대한 내부적인 관리 방식, 프로세스

1) 분석 거버넌스 체계 구성요소

- 시스템

- 조직

- 프로세스

- 마인드 육성체계 및 분석 관련 교육

- 데이터

2) 데이터 분석 수준 진단

- 조직이 데이터 분석을 얼마나 잘 준비했고, 얼마나 성숙하게 활용하고 있는지를 진단

(1) 분석 준비도(할 수 있는 기반이 있나?)

- 분석을 할 수 있는 환경이 갖추어져 있는지?

① 분석적 업무 파악

- 발생 사실 분석

- 예측 / 시뮬레이션 분석

- 분석업무 정기적 개선

② 인력 및 조직

- 분석 전문가 직무 존재

- 교육, 훈련 프로그램

- 전사 분석 총괄 조직

- 경영진 분석 이해

③ 분석 기법

- 업무별 적합한 분석 기법

- 분석 방법론

- 분석기법 라이브러리

- 분석기법 효과성 평가

④ 분석 데이터

- 데이터 충분성, 신뢰성, 적시성

- 비구조 데이터 관리

- MDM(마스터 데이터 관리)

⑤ IT 인프라

- 운영시스템 데이터 통합

- EAI(기업 내부 여러 업무 운영 시스템 서로 연계, 연결) / ETL (DW적재 목적으로 추출, 변환, 로드함)

- 분석 서버

- DW / 통계 / 비주얼 분석 환경

출처 : https://spacefordata.tistory.com/10

(2) 분석 성숙도(어디까지 활용하고 있나?)

- 분석을 어디까지 쓰고 있나? 조직이 데이터 분석을 '보고용'으로 쓰는 수준인지, '전사 운영'에 쓰는 수준인지 등

- CMMI 모델 기반(5단계)

① 1단계 : 도입

- 분석 시작 => 환경, 시스템 구축

- 실적 분석, 정기 보고용으로 데이터를 가지고 보고서를 만들기 시작한 단계

- 운영 데이터 기반, 일부 부서만 수행

- DW / DM(데이터 마트) 기본 구축 시작, ETL / EAI 같은 기본 연계, OLAP 정도

② 2단계 : 활용

- 분석 결과를 업무에 적용하여 단순히 보고서가 아니라 의사결정에 분석을 쓰기 시작한 단계

- 예측, 시뮬레이션 시작

- 전문 분석 부서 존재

- 관리자가 분석 수행

- 실시간 대시보드, 통계 분석 환경 등 분석 도구가 실제 업무에 들어옴

③ 3단계 : 확산

- 분석이 특정 팀이 아니라, 전사 차원에서 분석 관리 및 공유로 확산된 단계

- 분석 COE 운영

- 프로세스 혁신

- 전사 성과 / 실시간 비주얼 분석

- 전사 모든 부서가 분석 수행 및 활용

- 데이터 사이언티스트 확보

- 빅데이터 관리 환경, 분석 전용 서버 및 환경 표준화

④ 4단계 : 최적화

- 분석을 진화시켜 혁신, 성과 향상에 기여

- 분석이 운영을 넘어서 '전략/비즈니스 모델' 자체를 바꾸는 단계

- 일부 외부 데이터 활용

- 최적화 및 실시간 분석

- 비즈니스 모델 진화하여 데이터로 신규 수익

- 전략과 분석의 완전 연계

- 분석 협업 환경, 샌드박스, 프로세스 내재화, 고도화된 빅데이터 분석 플랫폼

출처 : https://velog.io/@zinu/ADsP-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%B6%84%EC%84%9D-%EA%B8%B0%ED%9A%8D-%EB%B6%84%EC%84%9D-%EA%B1%B0%EB%B2%84%EB%84%8C%EC%8A%A4-%EC%B2%B4%EA%B3%84

3) 분석 수준 결과 진단

1. 준비형 : 데이터, 인력, 조직, 분석업무, 분석기법 적용이 안되어 사전 준비가 필요 (준비도 낮, 성숙도 낮)

2. 정착형 : 인력, 조직, 분석업무, 분석기법 제한적으로 사용 (준비도 낮, 성숙도 높)

3. 도입형 : 조직 및 인력 등 준비도는 높으나, 분석 업무 및 기법이 부족 (준비도 높, 성숙도 낮)

4. 확산형 : 6가지 분석 구성요소가 모두 갖추고 있으며, 지속적 확산 가능 (준비도 높, 성숙도 높)

출처 : https://velog.io/@zinu/ADsP-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%B6%84%EC%84%9D-%EA%B8%B0%ED%9A%8D-%EB%B6%84%EC%84%9D-%EA%B1%B0%EB%B2%84%EB%84%8C%EC%8A%A4-%EC%B2%B4%EA%B3%84

4) 분석 지원 인프라 방안

- 확장성을 고려한 중앙집중적 분석 플랫폼 구조 적용

(1) 광의의 분석 플랫폼

- 분석 서비스를 제공하기 위한 전체 인프라 / 플랫폼

- 분석 서비스 제공 엔진, 분석 애플리케이션, 분석 서비스 API, 하드웨어

(2) 협의의 분석 플랫폼

- 실제 분석을 수행하는 핵심 기술 요소 / 플랫폼

- 데이터 처리 프레임워크, 분석 엔진, 분석 라이브러리

* 광의의 분석 플랫폼은 협의의 분석 플랫폼 요소를 포함

출처 : https://velog.io/@zinu/ADsP-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EB%B6%84%EC%84%9D-%EA%B8%B0%ED%9A%8D-%EB%B6%84%EC%84%9D-%EA%B1%B0%EB%B2%84%EB%84%8C%EC%8A%A4-%EC%B2%B4%EA%B3%84

5) DSCoE(분석 전문 조직) 및 인력 방안 수립

* 조직 구조 3가지

(1) 집중 구조

- 독립적인 전담 분석 조직, 분석 역량 집중

- 중앙 조직 (중복 업무 가능성 존재)

(2) 기능 구조

- 각 현업 부서가 직접 분석

- DSCoE 없음(전담 조직 없음)

- 분석 품질 편차 존재

(3) 분산 구조

- 분석 인력을 현업 부서에 배치

- 현업 이해도 올라감, 협업이 중요

6) 빅데이터 거버넌스 프레임워크

- 데이터 거버넌스 : 전사 차원에서 데이터를 표준화, 관리, 통제하기 위한 관리 체계

* 빅데이터 거버넌스 목적

- 빅데이터 효율적 관리

- 데이터 신뢰성 검토 및 최적화

- 관리 책임자 지정

- 정보 보호 및 외부 데이터 통합관리

* 데이터 거버넌스 구성요소

- 원칙 : 데이터 관리 기준 / 정책

- 조직 : 책임자, 조직 체계

- 프로세스 : 실제 관리 절차

* 주요 관리 대상

- 마스터 데이터 : 기준이 되는 핵심 데이터

- 메타 데이터 : 데이터를 설명하는 데이터

- 데이터 사전 : 데이터 정의 정보 (데이터 사전은 메타 데이터 정보 포함)

* 데이터 거버넌스 체계

- 데이터 표준화 : 메타 데이터 및 데이터 사전 구축, 표준 정의

- 데이터 관리체계 : 메타 데이터 및 사전의 관리 원칙, 운영 및 통제

+ 운영 측면 관리

- 저장소 관리 : 저장소 구성 및 관리

- 표준화 활동 : 모니터링, 표준 개선 활동

ADsP 자격증 요약 정리(5) - 2과목 데이터 분석 과제

수진97 — Wed, 4 Feb 2026 15:32:49 +0900

안녕하세요!

ADsP 자격증 2과목 요약정리 이어서 포스팅 진행해 보겠습니다!

1. 데이터 분석 과제 정리

1. 분석과제 명세

1) 분석과제 정의서

- 분석 계획서 수립을 위한 핵심 입력 자료

2) 분석 활용 시나리오

- 분석 결과를 어떻게 적용할지를 구체화한 실행 중심 문서

- 분석 결과 활용 방안을 구체적으로 기술한 문서

2. 접근 방법

1) 하향식 접근 방법 (Top-Down)

- 문제가 주어지면 => 해답을 찾는 방식

- 문제의 대상을 알지만, 방법을 모르는 솔루션 방법

- 문제 탐색 -> 문제정의 -> 해결방안탐색 -> 타당성 검토

(1) 문제 탐색

① 비즈니스 모델 기반 탐색 : 업무, 제품, 고객, 규제와 감사, 지원인프라

출처 : https://m.blog.naver.com/ekdnlsj0505/221999354242

② 발굴 범위 확장 (매칭 문제)

- 거시 관점 : STEEP(사회, 기술, 경제, 환경, 정치)

- 경쟁자 확대 : 대체자, 경쟁자, 신규 진입자

- 시장 니즈 : 고객, 채널, 영향자

- 역량 재해석 : 내부 역량 및 파트너 네트워크

출처 : https://m.blog.naver.com/ekdnlsj0505/221999354242

③ 내 / 외부 사례 참조

- 외부 참조 모델 : 벤치마킹

- 분석 유스케이스 : 과거 유사 사례

(2) 문제정의

- 비즈니스 문제 => 데이터 문제로 전환

(3) 해결방안 탐색

- 기존 시스템 활용

- 시스템 고도화

- 인적 자원 확보

- 아웃소싱

(4) 타당성 검토

- 경제적 타당성

- 데이터 타당성

- 기술적 타당성

2) 상향식 접근 방법(Bottom-Up)

- 문제 정의 자체가 어려울 때 => 데이터를 보며 문제를 찾는 방식

- 문제 정의 없이 데이터 탐색으로 시작하는 접근법

- 문제의 대상은 모르지만, 분석 방법은 알고 있는 통찰 유형 / 문제와 방법 모두 불명확한 발견도 상향식으로 볼 수 있음

=> 즉, 상향식 접근은 통찰 또는 발견 유형에 해당할 수 있다!!

- 절차 : 프로세스 분류 -> 프로세스 흐름 분석 -> 분석요건 식별 -> 분석요건 정의

- 적용 방법 : 비지도 학습 / 프로토타이핑 접근법

(인사이트 도출 후 반복적인 시행착오를 통한 수정을 하며 문제를 도출하는 과정)

3) 혼합 접근 방법(상향 + 하향)

- 현실에서 가장 많이 쓰는 방식

- 발산 단계 : 상향식(아이디어를 최대한 도출 => 매우 헷갈림.. 아이디어 발산!!! 으로 외워보자..)

- 수렴 단계 : 하향식 (분석 / 선별)

ex. 디자인 싱킹 접근 방법

- 사용자 공감 중심 문제 해결 방식

공감 -> 문제 정의 -> 아이디어 도출 -> 프로토타입 -> 테스트

2. 분석 프로젝트 관리

1. 분석 과제에서 고려 요소

- 데이터 양(Volume)

- 속도(Veloity)

- 데이터 복잡성

- 분석 복잡성

- 정확도 <-----> 정밀도 : Trade-Off 관계 (관리, 품질 개념)

* 정확도 : 분석 결과가 현실 / 목표에 얼마나 맞는가

* 정밀도 : 분석 결과가 얼마나 세밀하고 일관적인가

* 분류모델의 평가 지표(Confusion Matrix)의 Accuracy, Precision과는 다른 개념 주의

- Accuracy : 전체 예측 중 맞춘 비율 = (TP + TN) / 전체

- Precision : Positive로 예측한 것 중 실제로 맞은 비율 = TP / (TP + FP)

(오히려 분류모델 평가지표의 정확도 / 정밀도가 익숙하다는... 구분하자!)

2. 프로젝트 관리 지식 체계 10가지(PMBOK)

이 → 이해관계자
범 → 범위
통 → 통합
의 → 의사소통
자 → 인적자원
시 → 시간
원 → 원가
조 → 조달(아웃소싱)
리 → 리스크
품 → 품질

ADsP 자격증 요약 정리(4) - 2과목 데이터 분석 기획

수진97 — Wed, 4 Feb 2026 10:50:40 +0900

이어서 ADsP 자격증 2과목 데이터분석 기획 관련하여 포스팅하겠습니다!

1. 데이터 분석 수행

방법을 아니까 -> Insight

대상을 아니까 -> Solution

(위 2개가 가장 헷갈림)

1) 과제 중심적 접근

- 빠른 해결, 스피드가 중요

- 단기간 성과 창출을 목표

2) 장기적 마스터 플랜

- 중·장기 전략 중심

- 데이터 구조·프로세스 재정의

- 빠른 해결이 아니라 문제에 대한 원인 정의, 설명이 포커스

2. 분석 방법론

1) 절차

- 분석을 어떤 순서로 진행할 것인지(단계 흐름, 전체 로드맵)에 대해 설계

* CRISP-DM 단계

1) 업무 이해 : 업무 목적 결정, 프로젝트 계획 수립

2) 데이터 이해 : 초기 데이터 수집, 데이터 탐색 및 품질 검증, EDA

3) 데이터 준비: 데이터 선택/정제, 생성, 통합

4) 모델링: 모델링 기법 선택, 모델 생성 및 평가

5) 평가 : 분석 결과 평가, 모델링 프로세스 재검토, 향후 모델 적용 단계 검토

6) 전개 : 전개 계획 수립, 최종 보고서 및 회고(리뷰) 작성, 프로젝트 재검토 후 유지보수 계획 수립

7) 반복 : 평가와 전개 단계에서 결과 실패 시, 업무 이해로 다시 돌아가서 위 프로세스 과정 계속 반복..

* KDD 분석

1) 데이터 선택 : 원시 데이터(원본) 선택

2) 전처리 : NaN값이나 이상치 등 전처리하여 모델링에 쓸 수 있는 데이터로 가공

3) 변환 : 변수 선택하여 차원을 축소하는 변환 과정

4) 마이닝 : 알고리즘 선택해 분석 수행

5) 평가 : 결과 해석 후, 실패 시 위 단계 다시 반복

출처 : https://kun-hee.tistory.com/entry/KDD-%EB%B6%84%EC%84%9D-%EB%B0%A9%EB%B2%95%EB%A1%A0

2) 방법

- 각 단계에서 무엇을 할 것인지

- 분석 접근 방식, 문제 해결 전략

- 분류 / 회귀모델

* 분석 모델 유형

1) Waterfall 모델 : 위에서 아래로 쭉 절차대로 수행해야 하는 모델 (현재 단계가 완료가 안되면 다음 단계로 못 넘어감)

2) 애자일 모델 : 고객 피드백을 주기적으로 반영하며 짧게 짧게 계속해서 반복 개발 수행

3) 나선형 모델 : 위험요소 제거에 초점을 두어 여러 개발 과정을 거쳐 점진적으로 완성.

4) 계층형 프로세스 모델 : Stage -> Task -> Step

- 단계(Stage)에서는 Baseline으로 관리하며 분석 프로젝트의 큰 흐름 관리 => 일정 / 목표 / 범위를 관리하는 기준점이 Baseline

- 태스크(Task)는 각 단계 안에서 수행해야 할 주요 작업 묶음

- 스탭 (Step) 은 Work Package로, 짧은 기간 내 수행 가능한 작업 단위 (실행 가능한 최소 단위)

=> 빅데이터 분석 방법론의 기반이 되는 모델이 계층적 프로세스 모델

* 빅데이터 분석 방법론의 단계별 태스크 정리

<1> Planning(분석 기획)

- 비즈니스 이해 및 범위 설정

=> 구조화된 프로젝트 정의서 (SOW - Statement of Work) : 프로젝트 정의 및 계획 수립(목적, 범위, 산출물, 일정)

- 기존에 잘 구현된 유사 시나리오 활용 및 유스케이스 탐색

- 장애요인 및 대응 전략 등 프로젝트 위험계획 수립 (회피 / 전이 / 완화 / 수용)

* 회피 - 위험 자체를 제거

* 전이 - 위험을 외부로 이전

* 완화 - 발생 가능성과 영향을 줄임

* 수용 - 위험 감수

<2> Preparing(데이터 준비)

- 필요한 데이터 정의

- 데이터 수집 및 정합성 점검

- 데이터 스토어 설계 : 분석 목적에 맞게 저장소 구조 설계

* 정형 - RDB, DW / 반정형 - JSON, XML / 비정형 - 로그, 이미지, 영상

<3> Analyzing(데이터 분석)

- 텍스트 분석, 분석용 데이터 준비

- 탐색적 분석(EDA) : 기초 통계량과 시각화를 통해 데이터 특성 파악

- 모델링(분류/회귀/군집) 및 모델 평가 및 검증

- 모델 적용 및 운영방안 수립

<4> Developing(시스템 구현)

- 설계 및 구현

- 시스템 테스트 및 운영

<5> Deploying(평가 및 전개)

- 모델 발전 계획 수립

- 프로젝트 평가 및 보고

3) 도구와 기법

- 분석 수행 위한 수단

- R, Python, SQL

- 회귀분석, DecisionTree 등

4) 템플릿과 산출물

- 분석결과를 정리 및 공유하기 위한 문서

- 분석 보고서, 데이터 정의서, 모델 결과 문서

ADsP 자격증 요약 정리(3) - 1과목 빅데이터

수진97 — Mon, 2 Feb 2026 14:29:34 +0900

오늘 포스팅은 ADsP 1과목 마지막 단원인 빅데이터 관련해서 내용을 정리해 보겠습니다.

1. 빅데이터 등장 배경

- 클라우드 컴퓨팅 : On-demand, 저장 및 처리 비용 감소

- 분산 처리 기술 : 하둡 기반 대용량 데이터 처리 가능

- 비정형 데이터 확산 : SNS, 로그, 이미지, 영상

- 인터넷과 각종 모바일 기기 보급으로 인한 실시간 데이터 폭증

- IoT 발달 및 디지털화 가속 : 모든 활동이 데이터로 기록됨.

2. 빅데이터 등장 전후 비교

- 전수조사 : 데이터가 너무 많아져서 일부 표본만 조사하는 것이 아니라 전부 분석이 가능해짐

- 사후처리 : 미리 다 정제 X, 일단 모으고 나중에 분석

- 양 중심 : 정확성보다 규모에서 의미를 발견

- 상관관계 : '왜?' 보다 '함께 움직이나?' 가 더 중요

=> 특정 데이터를 누가, 언제, 어디서 활용할지 알 수 없음. 하지만 기존에 가치 없는 데이터라도 새로운 분석 기법으로 가치를 창조할 수 있기 때문에 빅데이터의 가치 산정이 어려움.

3. 빅데이터 정의 3V

=> 가트너가 정의한 핵심 3V

=> 주의 : 3V에는 Value 없음!! (시험에 함정으로 자주 나온다고 함)

1) Volume(규모) : 데이터 양의 폭증

2) Variety(다양성) : 정형, 비정형, 반정형 등 유형 증가

3) Velocity(속도) : 데이터 생성, 수집, 처리 속도가 증가

* 5V: Value(가치) / Veracity(신뢰성)

* 7V: Validity(정확성, 유효성) / Volatility(휘발성)

4. 빅데이터에 대한 비유

1) 석탄, 철

- 산업혁명의 핵심 자원

- 빅데이터도 산업 전반의 기반 자원

2) 원유

- 가공 전에는 가치가 낮음

- 분석, 정제 후에는 가치를 창출함

- 정보 제공으로 생산성이 향상됨

=> 빅데이터는 정제 과정을 통해 가치가 높아짐

3) 렌즈

- 현미경이 생물학 발전에 영향을 줌.

- 빅데이터 또한 산업, 학문의 전반에 혁신을 일으킴

- 렌즈는 빅데이터의 관찰 도구 역할 (구글 Ngram Viewer)

4) 플랫폼

- 공동 활용 목적의 인프라

- 써드파티(원천 기술을 활용한 파생상품 만드는 회사) 비즈니스 활성화

=> 빅데이터 플랫폼은 제 3자의 서비스 창출을 가능하게 함

5. 데이터 단위

- KB(2^10) < MB(2^20) < GB(2^30) < TB(2^40) < PB(2^50) < EB(2^60) < ZB(2^70) < YB(2^80)

- EB : 엑사바이트

- ZB : 제타바이트

- YB : 요타바이트

6. 비즈니스 모델 종류

1) 회귀모델 : 독립변수와 종속변수 간 관계 (X -> Y) 를 통해 특정 결괏값을 예측

2) 분류모델 : 데이터가 어떤 그룹에 속하는지 여부(1 or 0) 예측

ex. 이진분류, 다중분류

https://soojin2509.tistory.com/32

[KT AIVLE SCHOOL] 1차 미니 프로젝트 회고

안녕하세요!드디어 에이블스쿨 1차 미니 프로젝트가 끝이 났습니다.5일간의 짧은 여정이었지만, 이번 프로젝트를 하면서 제 실력이 정말 많이 향상되었음을 느꼈는데요!그래서 진행했던 프로젝

soojin2509.tistory.com

3) 기계학습 : Train Data로부터 컴퓨터가 학습하고 실제 Test Data를 가지고 미래를 예측

https://soojin2509.tistory.com/39

딥러닝(DL) 개념 및 구조 & 코드 정리

안녕하세요~!오늘 포스팅은 딥러닝에 대해 간략히 정리해 보겠습니다.최적의 모델이란, 오차가 가장 적은 모델을 의미하는데요.최적의 파라미터인 최적의 가중치(Weight)를 찾는 과정을 '딥러닝

soojin2509.tistory.com

4) 감정분석 : 텍스트 데이터로부터 감정 즉, 긍정 / 부정을 분석함

ex. KT 에이블스쿨 미니프로젝트 - 리뷰데이터 긍/부정 감정분석 프로젝트 참고

https://soojin2509.tistory.com/41

[KT AIVLE SCHOOL] 2차 미니 프로젝트 회고(1~2일차)

안녕하세요~!드디어 에이블스쿨 2차 미니 프로젝트도 끝이 났습니다.이번 프로젝트는 속성 기반 감성 분석(1~2일 차) 및 면접관 Agent(3~5일 차)를 직접 구축해 보았는데요!개발하다 보니 재미도 있

soojin2509.tistory.com

5) 유전자 알고리즘 : 최적화가 필요한 문제에 대한 해결책을 제시

6) 텍스트 마이닝 : 텍스트로부터 자연어처리(NLP)를 통해 숨겨진 의미를 찾아냄.

ex. LLM + Langgraph 기반 문서 요약이나 키워드추출

https://soojin2509.tistory.com/37

Langchain 개념 및 활용(프롬프트 활용 LLM 응답 받아오기)

안녕하세요~!이번 포스팅은 Langchain에 대해 포스팅해보려고 합니다.Langchain의 개념과 프롬프트를 활용하여 LLM 응답을 받아와 구조화하고 활용하는 방법까지 살펴보겠습니다. 1. LangChain 이란?- Lang

soojin2509.tistory.com