<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.
- sckitlearn 패키지 import
import sklearn as sk- pandas 패키지 import
import pandas as pd- json파일 읽어오기
df = pd.read_json('A0007IT.json')- 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()- 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]- 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)- 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)- 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)- 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)- 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)- 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)- 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))- 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]
:)