멀티캠퍼스 데이터분석_11회차

멀티캠퍼스 데이터분석 4월 7일 수업 내용 정리입니다. 📌 목차 이론 파이썬 특징 변수 선언 연산자 조건문 반복문 마크다운 & 주석 실습 변수 & 자료형 산술 연산자 비교 연산자 & 논리 연산자 조건문 실습 반복문 실습 — for / while continue & break 이론 1. 파이썬 특징 | 특징 | 설명 | |------|-----...

데이터분석을 위한 파이썬(4월 8일)

Class : 붕어빵을 찍어내는 틀Object : 붕어빵\--> 클래스는 무언가를 똑같이 만들어주는 설계도와 같은 의미

멀티캠퍼스 데이터분석 11회차 수업 내용 정리입니다.이론1\. 판다스 (Pandas)(2. 넘파이 (NumPy)(3. 맷플롯립 (Matplotlib)(실습Series 기본(5. DataFrame 기본(6. 외부 데이터 로드(7. 데이터 탐색(8. 결측치 처리(9. 필터

멀티캠퍼스 데이터분석 수업 — map(), str 메서드, 파생변수 생성, 결측치 처리 정리map() & 리스트 컴프리헨션1\. value_counts() — 빈도수 확인(2. 공백 제거 — for / while / map() 비교(3. Series.str — 문자열

멀티캠퍼스 데이터분석 수업 — 그룹화 연산, 피벗 테이블, 시계열 데이터, concat/merge 정리Sales Records 데이터 전처리 실습(2. groupby() — 데이터 그룹화(3. pivot_table() — 피벗 테이블(4. 연습문제 — 대륙별 총이윤 최

멀티캠퍼스 데이터분석 수업 — concat/merge 실습, 파일 일괄 로드 자동화, 모듈 생성 및 활용concat — 다중 파일 행 결합(2. merge — 조인 결합 실습(3. 시계열 데이터 변환 & 활용(4. os & glob — 파일 목록 로드(5. 파일 일괄

멀티캠퍼스 데이터분석 4월 17일 수업 내용 + 시험 대비 프로그래밍 기초 정리 📌 목차 이론 DataBase 개요 MySQL — DDL (CREATE / ALTER / DROP) MySQL — DML (INSERT / UPDATE / DELETE / SELECT) MySQL — WHERE / JOIN / ORDER BY / GROUP BY Mongo...

멀티캠퍼스 데이터분석 4월 20일 수업 내용 — dotenv, pymysql 직접 연결, DB 연동 클래스 설계, OpenAPI, DART API 📌 목차 파이썬 기초 복습 — 시험 관련 classmethod 데코레이터 dotenv — 민감 정보 숨기기 pymysql 직접 연결 실습 MyDB 클래스 설계 MyDB 사용 예시 — CRUD 전체 Open...

웹 프레임워크, micro 프레임워크라는 점을 강조하고있는데 최소한의 구성 요소와 요구사항을 제공하기 때문에 시작하기 쉽고 필요에 따라 유연하게 사용이 가능웹 서버는 하드웨어, 소프트웨어 두 가지 측면으로 구분하드웨어웹 사이트의 컴포넌트 파일들을 저장하는 컴퓨터 컴포넌

https://www.google.com/robots.txt -> 이런식으로 /robots.txt 붙여서 확인하기

멀티캠퍼스 데이터분석 4월 23일 수업 내용 — SQL-pandas 대응, 주식 라이브러리, 뉴스 크롤링 자동화 📌 목차 SQL vs pandas — 조회 비교 SQL vs pandas — 문자열 검색 (LIKE) SQL vs pandas — 테이블 결합 SQL

멀티캠퍼스 데이터분석 4월 24일 특강 내용 — Git 개념, 명령어, GitHub 원격 저장소, Branch 📌 목차 Git이란? GitHub란? 분산 버전 관리 저장소 개념 저장소 생성 핵심 명령어 — add / commit / push Git 작업 영역 ad

멀티캠퍼스 데이터분석 4월 27일 수업 내용 — Flask 라우팅, Jinja2 템플릿, Chart.js, Bootstrap Dashboard, DB 연동 로그인프로젝트 구조(2. querys/user.py — SQL 쿼리 모듈(3. db.py — MyDB 클래스(4.

pythonanywhere

멀티캠퍼스 데이터분석 4월 29일 수업 내용 — 카드 소비 데이터 분석, subplot, 이동평균선, 볼린저밴드, seaborn 시각화카드 데이터 분석1\. 오프라인 카드 데이터 로드 & 전처리(2. 시계열 변환 & 파생변수 생성(3. pivot_table로 그래프 시

마케터는 왜 퍼널을 그리는가?1\. 트래픽은 늘어나는데 매출은 오르지 않는 현상2\. 고객이 브랜드를 인지하고 결제하기까지의 여정을 단계별로 해체하여 병목을 찾는 작업3\. 단순히 이탈률이 높다가 아니라, 어느 페이지의 어떤 버튼에서 고객이 떠나가는가를 정확히 짚어내야

멀티캠퍼스 데이터분석 5월 7일 수업 내용 — matplotlib/seaborn 정리, OpenAPI/크롤링 복습, 이상치 처리, 데이터 불균형, 데이터 분할복습1\. matplotlib 핵심 정리(2. seaborn 핵심 정리(3. OpenAPI 핵심 정리(4. 크롤

멀티캠퍼스 데이터분석 5월 8일 수업 내용 — 머신러닝 개념, 회귀/분류 이론, LinearRegression 실습, DecisionTree 실습 📌 목차 이론 머신러닝이란? 머신러닝의 종류 회귀 분석 성능 평가 지표 분류 분석 성능 평가 지표 단순 선형 회귀 &

로지스틱 회귀는 이름은 회귀지만 실제로는 분류에서 사용이 되는 모델예측의 값이 연속성을 가지는 경우 해당하는 값은 0과 1 사이의 확률 값으로 변환0.5보다 크면 1(긍정), 작으면 0(부정)으로 판단선형 회귀 모델에서 규제를 포함한 모델 중 하나너무 극단적인 가중치를

멀티캠퍼스 데이터분석 5월 13일 수업 내용 — LogisticRegression으로 신체 능력 분류, SVM/SVR 이론 및 실습, outlier_iqr 함수 모듈화outlier_iqr() — 극단치 처리 함수 (모듈)(2. LogisticRegression 실습 —

멀티캠퍼스 데이터분석 5월 14일 수업 내용 — Bagging으로 호텔 예약 취소 예측, BaggingRegressor로 차량 가격 예측, AdaBoost 분류/회귀 실습이론1\. 앙상블이란?(2. 배깅 (Bagging) — 이론 & 매개변수(3. 부스팅 (Boosti

멀티캠퍼스 데이터분석 5월 18일 수업 내용 — XGBoost 분류/회귀, PCA 차원축소, GridSearchCV+Pipeline, K-Means 군집화, t-SNE 시각화XGBoost1\. XGBoost 이론 & 매개변수(2. XGBoost 실습 — 분류 (body

High Integrity(고결성) : 0.1%의 오차도 허용하지 않는 수치 정확성Class Imbalance (극심한 불균형) : 정상 99.9% vs 연체/사기 0.1%의 싸움Explainability(설명 가능성) : 결과에 대한 법적/윤리적 근거 제시 의무(XA

해적지표 (AARRR) 퍼널의 종말과 플라이휠(Flywheel)

시계열 데이터(Time-Series Data) \- 주식 가격, 날씨, 센서값처럼 '시간의 흐름'에 따라 순서대로 기록된 데이터를 의미 주식 차트 비유 \- 오늘 하루의 가격표만 보고 내일의 주가를 맞출 수 없다. 한달 전부터 어제까지 이어져 온 상승/하락 추세를

멀티캠퍼스 데이터분석 5월 28일 수업 내용 — 머신러닝 전체 복습, 볼린저밴드 투자 전략 백테스팅, 투자 라이브러리 모듈화, 절대모멘텀 전략 📌 목차 머신러닝 복습 머신러닝 종류 & 지도학습 모델 정리 교차 검증 — KFold & GridSearchCV & Pi

자연어 처리 토큰화 컴퓨터가 자연어(인간의 언어)를 이해하고 분석할 수 있도록, 긴 텍스트를 의미가 있는 가장 작은 단위(토큰)로 나누는 전처리 과정 컴퓨터는 텍스트 전체를 한번에 통째로 소화 X 단어들의 등장 빈도, 순서, 문맥을 수학적(통계적)으로 계산하기 위한

멀티캠퍼스 데이터분석 6월 2일 수업 내용 — TF-IDF 이론, 영화 리뷰 감성 분류 연습문제, 네이버 뉴스 API 감성 분석, 유튜브 댓글 감성 분석, GridSearchCV로 성능 향상이론1\. TF-IDF 벡터화 이론 & 매개변수(2. TF-IDF 기본 실습 —

멀티캠퍼스 데이터분석 6월 4일 수업 내용 — TF-IDF 직접 계산, LSA(잠재 의미 분석), 영화 리뷰 SVC 비교, ABSA(속성 기반 감성 분석), 코사인 유사도 QA 챗봇이론 & 기본 실습1\. TF-IDF 수식 직접 구현(2. LSA (잠재 의미 분석) —

멀티캠퍼스 데이터분석 6월 5일 수업 내용 — Word2Vec 이론 및 실습, 동시출현행렬, PMI/PPMI 직접 구현Word2Vec1\. Word2Vec 이론 & 매개변수(2. Word2Vec 실습(동시출현행렬 & PMI동시출현행렬 & N-gram & PMI/PPMI

멀티캠퍼스 데이터분석 6월 8일 수업 내용 — IDF+Word2Vec 혼합 벡터화, Word2VecVectorizer 커스텀 클래스, GridSearchCV 연동, embed 모듈화, 연습문제IDF + Word2Vec 혼합 벡터화(2. 전역 변수 활용 & global

멀티캠퍼스 데이터분석 6월 9일 수업 내용 — FastText 이론 및 실습, L2 정규화, 상품 추천 시스템, Vectorizer 클래스 확장(Word2Vec+FastText), gensim_test 모듈화, GridSearchCV 연동FastText1\. FastT

멀티캠퍼스 데이터분석 6월 11일 수업 내용 — Doc2Vec 이론 및 실습, PyTorch로 Doc2Vec 직접 구현, Optuna 하이퍼파라미터 최적화Doc2Vec1\. Doc2Vec 이론 & 매개변수(2. Doc2Vec 실습 — 문서 유사도 & 시각화 & 분류(P

멀티캠퍼스 데이터분석 6월 15일 수업 내용 — RNN 감성 분류, LSTM 자연어 모델 문제(head_type 비교), Doc2Vec 모델 저장/로드 + LSTM 결합RNN 감성 분류 실습(2. LSTM 자연어 모델 문제 — head_type 비교(3. Doc2Vec

멀티캠퍼스 데이터분석 6월 16일 수업 내용 — Transformer 텍스트 분류 모델, BERT(KcBERT) 파인튜닝 + Hugging Face Trainer, Self-Attention 메커니즘 직접 구현Transformer 텍스트 분류 모델 실습(2. BERT

멀티캠퍼스 데이터분석 6월 17일 수업 내용 — 가전 리뷰 감성 3진 분류(BERT), CLS/mean/max/concat 풀링 비교, 콜센터 QA 매칭(Sentence Pair) 파인튜닝가전 리뷰 3진 분류1\. 데이터 로드 — 여러 JSON 파일 결합(2. 전처리

멀티캠퍼스 데이터분석 6월 18일 수업 내용 — SBERT 이론 및 문장 유사도, 영화 리뷰 SBERT+MLP/SVC 감성 분류 실습, 가전 리뷰 SBERT 3진 분류 복습(클래스 가중치 적용)SBERT 이론 & 기본 실습1\. SBERT란? — BERT와의 차이(2.

멀티캠퍼스 데이터분석 6월 19일 수업 내용 — BART 이론, KoBART 요약 모델 Seq2Seq 학습, 인터뷰 JSON 데이터 수집, 복습 문제BART 요약 모델1\. BART 이론(2. 데이터 준비 — DatasetDict & 토큰화(3. ROUGE 평가 지표(

멀티캠퍼스 데이터분석 6월 22일 수업 내용 — KoBART 인터뷰 요약 복습 실습, 텍스트 함의 인식(NLI) 데이터 구성 및 Seq2Seq 파인튜닝, 예측 함수 구현KoBART 요약 복습1\. 인터뷰 데이터 KoBART 파인튜닝(텍스트 함의 인식 (NLI)TL_te

멀티캠퍼스 데이터분석 6월 23일 수업 내용 — 재귀 함수 이론 및 응용, 소수 나열 최적화, requests/BeautifulSoup/Selenium 크롤링재귀 함수1\. 재귀 함수 이론 & 기본 예제(2. 재귀 함수 응용 — 평탄화 & 메뉴 데이터 & 퀸 문제(소수

멀티캠퍼스 데이터분석 6월 24일 수업 내용 — Selenium으로 무신사 상품/리뷰 크롤링, 자연어처리 전체 흐름 복습무신사 크롤링1\. 무신사 상품 목록 크롤링(2. 상품별 리뷰 크롤링 & DataFrame 결합(NLP 전체 복습NLP 접근 방식 & N-Gram &

이번 주는 팀 프로젝트 주제를 아직 하나로 확정하지 못해서, 후보 두 개를 계속 병행하면서 다듬었다. 하나는 씬파일러 대안 신용평가 모델, 다른 하나는 위클리옵션 변동성 예측이다. 이번 주에 각각 뭘 했는지 정리해본다. 신용평가 트랙 대상 범위 조정 원래는 씬파일

이번 주는 데이터 소스와 씬파일러 정의를 다시 확정하는 데 대부분의 시간을 썼다.​데이터 소스 확정금융합성데이터와 모의DB 중 어떤 데이터를 사용할지 팀 내에서 논의했다. 기획서 방향에 맞춰 AI Hub 금융합성데이터의 Sheet09, Sheet11을 사용하기로 최종

Track B(Sheet11, 통신카드CB결합정보)의 타겟변수를 확정하는 작업을 진행했다.씬파일러 세그먼트 내부에서 타겟(정답 라벨)을 구성할 수 있는지 다섯 가지 방식으로 검증했다. 연도 간 연체건수 변화를 타겟으로 시도했으나 양성 표본이 113명에 그쳤다. 기획서

강사님 피드백 다섯 항목을 반영해 대안변수를 46개에서 69개로 확장했다. 다중공선성 필터링은 후순위로 미루고, 소비패턴 변수를 절대금액과 성장률 쌍으로 넓게 추가한 뒤 SHAP 기반으로 사후 선별하는 방식으로 전환했다. 이 과정에서 리케이지 변수와 센티넬코드값 오염