[AICE Associate] 샘플문항 풀이 & 합격 후기

<링크>
https://aice.study/certi/practice

해당 위치의 샘플 문항을 풀 수 있다. AICE시험을 대비하면서 정리할겸 풀이를 해봤다. 실제 시험 환경과 매우 유사하게 응시할 수 있어 준비중이라면 꼭 풀어보는 것을 추천한다. 총 90분의 시험시간과 80점 이상이 나와야 자격증 취득이 가능하다!

<주의할 점>
답안이 입력하도록 되어있는 셀 안에만 입력하기
문제에 주어진대로 수행하기 (문제 잘 읽기)
변수명 잘 지키기

---

주제: 네비게이션 주행데이터를 이용한 도착시간 예측 문제

테이블에 대한 정보는 들어가서 샘플 문항에서 직접 확인 바랍니다.

1. sckitlearn 패키지 import

import sklearn as sk

2. pandas 패키지 import

import pandas as pd

3. json파일 읽어오기

df = pd.read_json('A0007IT.json')

4. Address1(주소1)에 대해 countplot그래프로 만들기

• Seaborn을 활용
• Address1(주소1)에 대해서 분포를 보여주는 countplot그래프
• 지역명이 없는 '-'에 해당되는 row(행)을 삭제

import seaborn as sns

sns.countplot(data=df, x='Address1')
plt.show()

df = df[df['Address1'] != '-']

5.실주행시간과 평균시속의 분포 확인

• ime_Driving(실주행시간)과 Speed_Per_Hour(평균시속)을 jointplot 그래프 그리기
• Seaborn을 활용
• X축에는 Time_Driving(실주행시간)을 표시하고 Y축에는 Speed_Per_Hour(평균시속)을 표시

sns.jointplot(data=df, x='Time_Driving',y='Speed_Per_Hour')
plt.show()

6. jointplot 그래프에서 발견한 이상치 1개를 삭제

• 대상 데이터프레임: df
• jointplot 그래프를 보고 시속 300 이상되는 이상치를 찾아 해당 행(Row)을 삭제하세요.
• 전처리 반영 후에 새로운 데이터프레임 변수명 df_temp에 저장하세요.

df_temp = df[df['Speed_Per_Hour'] < 300]

7. 가이드에 따른 결측치 제거

• 대상 데이터프레임: df_temp
• 결측치를 확인하는 코드를 작성
• 결측치가 있는 행(raw)를 삭제
• 전처리 반영된 결과를 새로운 데이터프레임 변수명 df_na에 저장

df_temp.isna().sum()
df_na = df_temp.dropna(axis=0)

8. 불필요한 변수 삭제

• 대상 데이터프레임: df_na
• 'Time_Departure', 'Time_Arrival' 2개 컬럼을 삭제
• 전처리 반영된 결과를 새로운 데이터프레임 변수명 df_del에 저장

df_del = df_na.drop(['Time_Departure','Time_Arrival'], axis=1)

9. 조건에 해당하는 컬럼 원핫인코딩

• 대상 데이터프레임: df_del
• 원-핫 인코딩 대상: object 타입의 전체 컬럼
• 활용 함수: pandas의 get_dummies
• 해당 전처리가 반영된 결과를 데이터프레임 변수 df_preset에 저장

cols = df_del.select_dtypes('object').columns
df_preset = pd.get_dummies(data=df_del, columns=cols)

10. 훈련, 검증 데이터셋 분리

• 대상 데이터프레임: df_preset
• 훈련 데이터셋 label: y_train, 훈련 데이터셋 Feature: X_train
• 검증 데이터셋 label: y_valid, 검증 데이터셋 Feature: X_valid
• 훈련 데이터셋과 검증데이터셋 비율은 80:20
• random_state: 42
• Scikit-learn의 train_test_split 함수를 활용하세요.

from sklearn.model_selection import train_test_split
x = df_preset.drop('Time_Driving', axis=1)
y = df_preset['Time_Driving']
X_train, X_valid, y_train, y_valid = train_test_split(x,y, test_size=0.2, random_state=42)

11. Decision tree로 머신러닝 모델 만들고 학습하기

• 트리의 최대 깊이: 5로 설정
• 노드를 분할하기 위한 최소한의 샘플 데이터수(min_samples_split): 3로 설정
• random_state: 120로 설정

from sklearn.tree import DecisionTreeRegressor

dt = DecisionTreeRegressor(max_depth=5, min_samples_split=3, random_state=120)
dt.fit(X_train, y_train)

12. 위 Decision tree 모델 성능 평가하기

• 예측 결과의 mae(Mean Absolute Error)를 구하기
• 성능 평가는 검증 데이터셋을 활용
• 11번 문제에서 만든 의사결정나무(decision tree) 모델로 y값을 예측(predict)하* 여 y_pred에 저장
• 검증 정답(y_valid)과 예측값(y_pred)의 mae(Mean Absolute Error)를 구하고 dt_mae 변수에 저장

from sklearn.metrics import mean_absolute_error
y_pred = dt.predict(X_valid)
dt_mae = mean_absolute_error(y_valid, y_pred)

13. Time_Driving(실주행시간)을 예측하는 딥러닝 모델을 만들기

• Tensoflow framework를 사용하여 딥러닝 모델 구현
• 히든레이어(hidden layer) 2개이상으로 모델을 구성
• dropout 비율 0.2로 Dropout 레이어 1개를 추가
• 손실함수는 MSE(Mean Squared Error)를 사용
• 하이퍼파라미터 epochs: 30, batch_size: 16으로 설정
• 각 에포크마다 loss와 metrics 평가하기 위한 데이터로 X_valid, y_valid 사용
• 학습정보는 history 변수에 저장

model = Sequential()
model.add(Dense(128, input_shape=(X_train.shape[1],), activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(64, activation='relu'))
model.add(Dense(1))

model.compile(optimizer='adam', loss='mse', metrics='mse')
history = model.fit(X_train, y_train, epochs=30, batch_size=16, validation_data=(X_valid, y_valid))

14. 위 딥러닝 모델 성능 평가

• Matplotlib 라이브러리 활용해서 학습 mse와 검증 mse를 그래프로 표시
• 1개의 그래프에 학습 mse과 검증 mse 2가지를 모두 표시
• 위 2가지 각각의 범례를 'mse', 'val_mse'로 표시
• 그래프의 타이틀은 'Model MSE'로 표시
• X축에는 'Epochs'라고 표시하고 Y축에는 'MSE'라고 표시

plt.plot(history.history['mse'])
plt.plot(history.history['val_mse'])
plt.legend(['mse','val_mse'])
plt.title('Model MSE')
plt.xlabel('Epochs')
plt.ylabel('Mse')

---

AICE 합격 후기

AICE 샘플 문항보다는 어려웠던 것 같지만 예상했던 부분을 벗어나는 문제는 없었다. 시간이 엄청 여유로운 시험은 아니기에 많은 연습이 필요했다. 시험 당일에는 약 30분정도 남기고 제출한 기억이 있다.

[득점 내역]