이번 실습에서는 Pandas 데이터 전처리와 시각화, scikit-learn 분류 모델 학습 및 평가, TensorFlow 딥러닝 모델 작성 방법을 익힙니다. 특히 문제에 지정된 변수명·파라미터를 지키면서 코드를 순서대로 완성하는 방법을 중심으로 정리합니다.

이번 실습은 Pandas 데이터 확인과 시각화부터 결측치·이상치 처리, 원-핫 인코딩, RobustScaler, 회귀 모델 평가, 딥러닝까지 다룬다.

Pandas와 Seaborn으로 데이터를 확인하고, 결측치 처리·인코딩·스케일링을 거쳐 분류 모델을 학습하는 실습이다. 시험장에서 요구하는 변수명과 파라미터를 그대로 적용하면서 RandomForest 성능 평가와 Keras 이진 분류 모델까지 작성하는 방법을 익힌다.

이번 실습에서는 Pandas로 데이터를 확인·전처리하고, 의사결정나무·ElasticNet 회귀 모델과 Keras 딥러닝 모델로 수율을 예측한다. 시험에서 필요한 함수 사용 순서, 변수명, 지정 파라미터를 중심으로 1번부터 14번까지 정리한다.

이번 실습에서는 Pandas 데이터 확인과 전처리, 범주형 인코딩, 데이터 분리와 스케일링, 로지스틱 회귀·AdaBoost·딥러닝 이진 분류 모델 작성 방법을 연습합니다. 각 문항은 실제 시험에서 답안 셀에 작성할 코드와 반드시 기억할 문법을 중심으로 정리했습니다.

이번 실습에서는 Pandas 전처리, Seaborn 시각화, Scikit-learn 분류 모델, Keras 딥러닝의 코드를 연습합니다. 노트북의 사전 실행 셀을 먼저 실행한 후 1번부터 순서대로 작성하는 기준으로 정리했습니다.

이번 2차 미니프로젝트는 **쇼핑몰 고객 문의에 대응하는 AI Agent**를 만드는 과제였다. 공통·브랜드 FAQ를 상품 정보와 이용약관까지 확장하는 것이 목표였다.

이번 실습에서는 Pandas 데이터 확인, Seaborn 시각화, 결측치·인코딩 처리, 데이터 분리와 스케일링, Lasso·RandomForest 회귀 모델 및 Keras 딥러닝 모델 작성 방법을 학습한다. 총 14개 문항을 시험장에서 작성하는 순서대로 정리했다.

이번 실습은 Pandas 데이터 확인, 시각화, 결측치 처리, 인코딩, 회귀 머신러닝과 TensorFlow 딥러닝을 순서대로 작성하는 연습입니다. 각 문항의 실제 답안 셀에 입력할 코드와 문법을 중심으로 정리했습니다.

이번 실습은 Pandas 전처리, 조건에 맞는 스케일링, 회귀 머신러닝 모델 평가와 EarlyStopping을 적용한 딥러닝 코드 작성이 핵심이다. 9회차 심화 노트북의 전체 14문항을 시험 답안 셀 순서대로 정리했다.

이번 실습은 Pandas·Seaborn을 이용한 데이터 확인과 전처리부터, Scikit-learn 회귀 모델 학습·평가 및 Keras 딥러닝 예측까지 다룬다. 노트북의 사전 실행 코드를 먼저 실행한 상태에서 1번부터 순서대로 답안을 작성하는 방법을 학습한다.

이번 실습에서는 CSV 데이터 병합과 시각화, 결측치 처리·인코딩·스케일링을 거쳐 Ridge·LightGBM·딥러닝 회귀 모델을 작성합니다. 모든 문항을 시험장에서 답안 셀에 입력하는 코드와 작성 순서 중심으로 정리했습니다.

이번 실습에서는 Pandas로 데이터를 확인하고 전처리한 뒤, Scikit-learn과 XGBoost로 중고차 가격 회귀 모델을 학습합니다. 마지막으로 Keras 딥러닝 모델의 작성 순서와 새 데이터 예측 방법을 연습합니다.

서울 자전거 대여 데이터를 이용해 Pandas 데이터 확인, 시각화, 결측치 처리, 인코딩, 데이터 분리, 스케일링, 회귀 모델 평가와 딥러닝 학습 코드를 연습합니다. 각 문항은 앞 문항에서 만든 변수를 이어 사용하므로 01번부터 순서대로 실행해야 합니다.

이번 실습에서는 Pandas로 수면 데이터를 분석·전처리하고, Scikit-learn 분류 모델과 TensorFlow 다중분류 모델을 학습합니다. 문항별로 실제 답안 셀에 작성할 코드, 작성 순서, 시험에서 기억할 문법을 정리했습니다.

LLM을 사용하다 보면 "프롬프트만 바꾸는 것으로 충분할까?", "회사 데이터로 모델을 직접 학습시켜야 할까?"라는 고민이 생긴다.파인튜닝(Fine-tuning)은 이미 학습된 모델을 특정 작업에 맞는 데이터로 추가 학습하는 것이다.

RAG를 만들면 문서 검색 결과를 LLM에 전달하고 답변을 받는다. 하지만 관련 없는 문서를 검색하거나, 검색 결과에 없는 내용을 만들어 내는 문제는 여전히 남는다.이 문제를 개선하려면 생성 이전과 이후에 검증 단계를 추가할 수 있다.

벡터 데이터베이스를 만들었다면 이제 사용자의 질문에 맞는 문서를 찾아 답변하는 앱을 연결할 차례다. 이때 자주 고민하는 것이 검색을 모델이 선택하는 도구(Tool)로 둘지, 매번 실행되는 그래프 노드(Node)로 둘지다.두 방식은 비슷해 보여도 제어권이 다르다.

일반적인 LLM은 새로운 사내 규정이나 최신 상품 정보를 자동으로 알고 있지 않다. 그렇다고 새 문서를 추가할 때마다 모델을 다시 학습할 필요는 없다.

LLM이 문장만 생성한다면 "현재 주문 상태를 확인해 줘"라는 요청에 정확한 답을 하기 어렵다. 주문 정보는 모델이 아니라 외부 시스템에 있기 때문이다.