STUDY

엑셀 매크로 (3)

HTG — Wed, 22 Jul 2026 09:12:00 +0900

엑셀 매크로 (2)

HTG — Tue, 21 Jul 2026 17:43:05 +0900

1. 월 정보 변경

삭제 -> 복사 -> 삭제 -> 복사 -> 삭제 -> 다른 파일 복사

숫자 변경

데이터 새로고침

2. 팀 파일 나누기 (매크로 사용)

팀별로 필터 후 파일 생성

마지막행 = Cells(Rows.Count, "A").End(xlUp).Row

Debug.Print i

워크시트에서 클릭한 옵션 단추의 글자를 가져옵니다

WS.optionbuttons(application.Caller).caption

현재 고객별 대출계좌 현황 총건수 100 건 총금액 ₩4,060,000,000 고객번호 고객유형 계좌번호 상품명 지점명 계좌상태 대출금액 대출일 1043 개인사업자 201-17-000001 사업자대출 노원지점 실행 41,000,000 2025-03-16 1042 비영리단체 401-16-000002 공익대출 종로지점 완납 28,000,000 2025-02-06 1092 법인 301-12-000003 법인대출 은평지점 완납 134,000,000 2025-02-16 1010 개인사업자 201-15-000004 사업자대출 종로지점 완납 42,000,000 2025-02-17 이런 데이터를 가지고 있고 지점명에 따라 필터하고 필터된 데이터들별로 지점명으로 파일을 저장하고 싶어

엑셀 매크로 (1)

HTG — Mon, 20 Jul 2026 17:34:54 +0900

xlsm 저장 필요 (xlsx 만 아니면 되긴함)
Alt + f11 : 매크로

Workbook_Open() : 파일 열때

Range("B2").CurrentRegion.Select : 동적 선택

On Error Resume Next
에러가 발생해도 무시하고 다음 코드 진행

worksheetfunction

엑셀 내 함수 사용시

추가 기능(xlam 저장 필요)

===

변수 설정

Dim 변수 설정

Dim <변수명> As <Type>

set 변수 값 입력

set <변수명> = <값>

입력된 마지막행 찾기

LastRow = WS.Range("A" & WS.Rows.Count).End(xlUp).Row

현재 엑셀 파일 위치

thisworkbook.path

Workbooks.Open Filename:= _
ThisWorkbook.Path & "\판매지점\" & Range("C7").Value & ".xlsx"

AI 교육 2

HTG — Tue, 12 May 2026 17:48:57 +0900

파워쿼리 편집기
m 쿼리?

-------------

페르소나 기법 - 역할 부여하기

대상 설정 - 누가 읽은 것인가

단계적으로 나눠서 요청

기준 및 스타일

--------------

싱글 톤 - 요약 단순작업

멀티 톤 - 추가 요청사항, 맥락 기반

--------------

- 데이터 전처리 단계

데이터 수집 및 선별 / 비식별화 처리

- 분석 단계

...

- 보고서 자동화 단계

---------------

1단계 데이터 이해

데이터 구조 이해 / 컬럼 타입 / 데이터 품질

2단계 전처리 -> M쿼리

열 분리/병합 / 필터링 / 데이터타입 변경 / 결측값 처리 / 중복 제거 / 여러 파일 결합

---------------

전처리 작업

파워쿼리편집기

전처리 / 폴더가져오기, 결합 / 요약

M쿼리

자동 데이터 수집방법

자동업데이트 - 웹데이터 / 폴더 가져오기

--------------

파워쿼리 편집기

전처리실습.xlsx

데이터 > 데이터 가져오기 > 파일에서 > 통합파일 > 데이터 변환 => 파워쿼리편집기

홈 > 고급 편집기(해당 행위를 쿼리로 만든것)

- 오류데이터 수정

[변환]탭 - 열 - 채우기

거래일자, 고객유형, 거래금액

데이터값 변환, 채우기, 열 형식 변경

그룹화

닫기 및 로드 <=> 편집

열피벗 해제

지역 및 연령별 소비(가계자금)금액 및 금융자산.xlsx

열 피벗 해제로 행을 늘리면서 구분

지점매출.xlsx

월별 매출

열 추가 > 날짜 > 월

열 추가 > 조건열

폴더별

데이터 > 폴더 > 데이터 변환

병합 아이콘

> 매개변수 폴더 클릭 후 확인

Data 제외 지우기 > 펼치기

첫행을 머리글로 사용 > 첫열에서 머리글 제외

M쿼리

실습#1

지점매출.xlsx

데이터 > 기타원본 > 빈쿼리 > 고급편집기

파워쿼리편집기에서 사용할 M쿼리를 다음 내용이 실행되도록 작성해줘
-엑셀파일 가져오기 방법으로 파일가져오기
-데이터 필드는 날짜, 지점, 매출
-매출이 150000 이상이면 High, 아니면 Low로 분류하는 '등급' 열 작성
-지점별, 등급별 평균 매출 요약

실습#2

지역 및 연령별 소비(가계자금)금액 및 금융자산.xlsx

엑셀 파워쿼리 M코드를 작성해줘.
[파일 구조]
- 시트명 : Sheet1
- 첫행 : 헤더
[필드명]
기준년월 연령대 시도코드 시도명
총쇼핑평균금액 마트소비평균금액 백화점소비평균금액
뷰티미용소비평균금액 온라인소비평균금액 패션잡화소비평균금액
총수신평균잔액 총여신평균잔액
[샘플 데이터]
2026-01,20대,11,서울,12000,8000,5000,3000,15000,4000,200000,100000
[조건]
1. 엑셀 파일 불러오기 코드 포함
2. 총쇼핑평균금액부터 총여신평균잔액까지 열 피벗 해제
3. 빈값, 공백, null, 숫자 형식 오류가 나지 않게 처리
4. 연령대별, 항목별 평균 금액 요약

실습#3 폴더가져오기

A 폴더에 있는 데이터를 가져와서 하나의 테이블로 결합하는 M쿼리 작성해줘

실습#4 웹에서 가져오기

새원본 > 기타 > 웹

M 쿼리

#웹데이터 가져오기
https://stooq.com 사이트에서
[국가="미국", 대표지수="S&P500", 심볼="^SPX"],
[국가="중국", 대표지수="상해종합지수", 심볼="^SHC"],
[국가="일본", 대표지수="NIKKEI225", 심볼="^NKX"],
[국가="한국", 대표지수="KOSPI", 심볼="^KOSPI"],
[국가="인도", 대표지수="SENSEX", 심볼="^SNX"],
[국가="브라질", 대표지수="BOVESPA", 심볼="^BVP"],
[국가="베트남", 대표지수="VNINDEX(대체:VNM ETF)", 심볼="VNM.US"],
에 해당하는 2026년 기준 전월, 전전월, 등락율(전월과 전전월의 등락율을 가져오는 엑셀의 M쿼리 작성해줘
HTML 테이블을 파싱하는 방법으로 처리해줘

실습#4_3

한국은행 API

한국은행 API 사용해서 오늘 기준 이전 3개월의 일별 환율정보를 가져오는 M쿼리 작성해줘

9KDWHIZGGM3QG6XB12TP

데이터 분석 프롬프트

1.데이터구조만 설명하기

2.숫자를 범위로 표현하기

3.요약통계만 전달하기 <=

4.가상데이터로 분석요청

5.분석방법만 요청하기

업로드 x

데이터 설명 / 데이터 / 요청작업 / 설명

예시 1

아래 데이터는 은행 지점별 월간 실적 데이터이다.
[데이터]
지점 월 총매출
서울 1 1659000
부산 1 1030000
대구 1 932000
부산 2 1234000
대구 2 1100000
서울 2 1783000
서울 3 2750000
부산 3 1488000
대구 3 1363000
부산 4 510000
대구 4 463000
서울 4 855000

이 데이터를 분석하여 다음 내용을 정리해줘.
§1. 데이터 전체 구조 요약
§2. 지점별 특징적인 패턴
§3. 눈에 띄는 변화나 특이점
주의사항
§- 숫자 평가나 판단은 하지 말 것
§- 데이터 기반 관찰 중심으로 설명할 것

예시 2 월간매출

아래 데이터는 월간 실적 데이터이다
[데이터]
지점명 월 총매출액 총고객수 평균수익률
수성 3 3553 1364 2.1375
대구중앙 2 2689 508 2.515
성서 1 3069 855 2.423333333
수성 2 2761 940 2.21
성서 3 3361 1240 2.79
동성로 2 3141 1079 2.4 북구 3 2806 1111 1.853333333 달서 3 7091 2073 2.186666667 달서 1 2428 707 1.79 대구중앙 3 5229 1797 2.272 북구 2 3624 797 2.253333333 달서 2 4240 1449 2.318 동성로 3 1357 290 1.78 대구중앙 1 1843 470 2.415 성서 2 1758 644 2.53 북구 1 5873 1791 2.45 동성로 1 4213 1297 2.6525 수성 1 2279 449 2.21

어떤걸 분석하면 좋을지 5가지만 골라줘

예시 3 월간 실적

제미나이 > 도구 > canvas

Slides로 내보내기

차트 목적

시각화 요청 기본 프롬프트

다음데이터를 시가고하해줘

[데이터] - 데이터형식, 변수 설명

[목적] - 무엇을 파악하고 싶은지 (추세 / 비교 / 분포 / 상관관계)

[그래프 요청] - 그래프 종류, 강조할 요소

[출력] - 해석도 함께 제공, 인사이트 3~5개 정리

시각화

다음 데이터를 사용하여 연령대별 금융 생애주기를 분석하는 시각화를 생성해줘
§{데이터}
연령대 종류 총금액
10대 저축 25310112.56 10대 대출 0 20대 저축 53711465.73 20대 대출 47378573.63 30대 저축 113006283.7 30대 대출 258609745.7 40대 저축 155430902.5 40대 대출 358286749 50대 저축 206607133.4 50대 대출 364131970.9 60대 저축 217202443.8 60대 대출 259436192.7 70대이상 저축 224787675.7 70대이상 대출 172119953.5
시각화
§Line Chart 생성
-x축 : 연령대
-y축 : 금액
-저축과 대출을 각각 다른 선으로 표시한다.
§그래프 스타일
- grid 추가
- 값 단위는 억 단위로 변환
§그래프 제목
연령대별 금융 생애주기 분석 (저축 vs 대출)

한글이 안깨지도록 해줘

시각화

다음 데이터를 사용하여 연령대별 금융 서비스 이용 규모를 분석해줘
연령대 구분 총금액 10대
오프라인 607116.9168 10대 온라인 584413.9576 10대 저축 25310112.56 10대 대출 0 20대 오프라인 1874144.702 20대 온라인 1600288.097 20대 저축 53711465.73 20대 대출 47378573.63 30대 오프라인 3229195.073 30대 온라인 2637456.01 30대 저축 113006283.7 30대 대출 258609745.7 40대 오프라인 4001971.715 40대 온라인 2338643.305 40대 저축 155430902.5 40대 대출 358286749 50대 오프라인 4086064.279 50대 온라인 1608674.965 50대 저축 206607133.4 50대 대출 364131970.9 60대 오프라인 3435568.875 60대 온라인 1133203.676 60대 저축 217202443.8 60대 대출 259436192.7 70대이상 오프라인 2733708.01 70대이상 온라인 608791.8754 70대이상 저축 224787675.7 70대이상 대출 172119953.5
각연령대의 총 금융 금액을 계산한다.
사용금액 = 오프라인 + 온라인 + 저축 + 대출
시각화
Bar Chart 생성
x축 : 연령대
y축 : 총 금융 금액
그래프
제목 연력대별 금융 이용 규모
그래프 스타일
grid 적용
막대 위에 금액 표시

대시보드

다음 데이터를 분석하여 대시보드 작성해줘

연령대	구분	총금액
10대	오프라인	607116.9168
10대	온라인	584413.9576
10대	저축	25310112.56
10대	대출	0
20대	오프라인	1874144.702
20대	온라인	1600288.097
20대	저축	53711465.73
20대	대출	47378573.63
30대	오프라인	3229195.073
30대	온라인	2637456.01
30대	저축	113006283.7
30대	대출	258609745.7
40대	오프라인	4001971.715
40대	온라인	2338643.305
40대	저축	155430902.5
40대	대출	358286749
50대	오프라인	4086064.279
50대	온라인	1608674.965
50대	저축	206607133.4
50대	대출	364131970.9
60대	오프라인	3435568.875
60대	온라인	1133203.676
60대	저축	217202443.8
60대	대출	259436192.7
70대이상	오프라인	2733708.01
70대이상	온라인	608791.8754
70대이상	저축	224787675.7
70대이상	대출	172119953.5

요청 내용

- 데이터에서 발견되는 주요 패턴

- 의미 있는 변화 포인트

- 중요한 발견 5가지 정리

각 인사이트에 대해

- 근거 데이터

- 시각화 그래프

해석 설명

다음 조건에 맞는 엑셀 파일로 작성해줘
- 시각화 위주로 작성
- 연령대와 구분은 선택할 수 있도록 드롭다운 단추 작성
- 필터된 내용으로 시각화 상호작용

금융데이터.xlsx


다음의 금융데이터를 사용해 연령대별 자산 분포를 분석하는 대시보드를 작성해줘

[데이터1]
연령대	총자산
50대	6856417310
30대	3746879708
40대	7827911217
60대	1324651024
20대	1157304223
[데이터2]
연령대	이용채널	채널
50대	모바일	136
30대	모바일	129
40대	영업점	31
50대	인터넷	67
40대	인터넷	67
60대	인터넷	44
40대	모바일	168
20대	모바일	86
30대	인터넷	47
50대	영업점	35
30대	영업점	30
60대	모바일	82
60대	영업점	25
20대	영업점	13
20대	인터넷	40
[데이터3]
지역	실적
서울	6226426986
경기	4369701630
부산	2755321353
기타	5154615094
대구	2407098419
[데이터4]
서비스유형	총거래금액
자산관리	5999534984
투자	6249723887
예금	4646093600
대출	4017811011
[데이터5]
지역	총거래금액
서울	6226426986
경기	4369701630
부산	2755321353
기타	5154615094
대구	2407098419
[데이터6]
지역	고객가치등급	개수
서울	VIP	96
경기	우수	80
경기	일반	69
부산	우수	44
경기	VIP	67
서울	일반	104
기타	우수	73
기타	VIP	85
대구	우수	29
서울	우수	106
부산	일반	45
기타	일반	78
부산	VIP	42
대구	VIP	44
대구	일반	38
[데이터7]
지역	이탈위험등급	개수
서울	중간	140
경기	중간	92
부산	낮음	72
경기	낮음	111
서울	낮음	149
부산	중간	57
기타	중간	102
기타	낮음	121
대구	중간	57
서울	높음	17
대구	낮음	49
기타	높음	13
대구	높음	5
부산	높음	2
경기	높음	13






[대시보드 구성 예시]
- 상단
KPI
 1.총 거래금액
 2.VIP 고객 비율
 3.이탈 위헙 고객 수 
- 중단
연령대별 자산 분석
채널 이용 패턴
- 하단
지역별 실적
상품별 수익 기여도

[요건]
상단, 중단, 하단 구분
웹페이지 형식으로

-------------------

거래지연 반영 가능 목록

전처리 - 숫자로 변경

파일 분리 - 팀별

ppt, 엑셀 작성

열피벗 해제

AI 교육 1

HTG — Fri, 8 May 2026 15:03:36 +0900

역할 + 맥락 + 지시 + 출력

너는 투자전문가야, 투자를 원하는 고객 대상, 고객에게 설명을 위한 환율에 대해 설명해줘
단, 3줄로 요약 하고 마지막에 퀴즈로 내줘

클로드 AI 주의점

아키팩트 사용하지 말고 텍스트로 보여줘 - 토큰 사용 문제 때문

이미지 편집은 이미지에서 편집으로 해야 연속성이 있음

[AICE Basic] 문제 유형 구분 및 풀이 방법

HTG — Sun, 22 Feb 2026 11:08:54 +0900

알고리즘 유형 문제

분류와 회귀

후반 문제의 모델 성능 지표를 보고 알 수 있다

Accuracy / Recall / Precision => 분류

MSE / MAE => 회귀

결측치 문제

데이터분석 > 기초정보분석 메뉴

missing 수

전체갯수도 확인하고 각각 몇개씩있는지 확인도 필요

컬럼 특정 값 개수

데이터분석 > 기초정보분석 메뉴

특정 값을 구하면 된다.

통계량 문제

데이터분석 > 기초정보분석 메뉴에서 확인

mean(평균값) / median(중위수, 중앙값) / sd(표준편차) / Q3 제3사분위

IQR = Q3 - Q1

상관관계 문제

데이터분석 > 시각화분석 > 히트맵 메뉴

양의 관계 / 음의 관계 확인

분포관련 문제

데이터분석 > 시각화분석 > 분포차트 메뉴

구하고자하는 값 - X로 설정

구분 하고자하는 값 - Hue로 설정

박스차트 문제

데이터분석 > 시각화분석 > 박스차트 메뉴

구하고자하는 값 - Y로 설정

구분 하고자하는 값 - X로 설정

데이터 가공 문제

수치형의 경우 most_frequent(최빈값), median(중간값), mean(평균값), constant(상수값) 등으로 대체 가능

범주형의 경우 most_frequent(최빈값), constant (특정 설정) 값 등으로 대체 가능

머신러닝 성능 비교 문제

Regression(회귀) / Classification(분류) 구분

Accuracy / Recall / Precision / f1 score / R2 - 클수록 좋음

MSE / MAE - 작을 수록 좋음

딥러닝 문제

성능 비교 Accuracy / Recall / Precision

범주형 인코더 주의

변수 영향도 문제

시뮬레이션 문제

TIP. 해당 문제를 통해 변수값이 가공이 되었어야 하는지 알 수 있다. 변수명 뒤에 _IM , _SS 등 이 나온다면 변수 가공이 들어갔다는 걸 알수 있다.

딥러닝 성능 개선 문제

이전 딥러닝 문제에서 바로 이어서하면 귀찮음을 줄일수있고 실수도 줄일수 있다.

[AICE Basic] AICE 샘플문항 회귀 #3 문제 풀이

HTG — Sun, 22 Feb 2026 11:00:51 +0900

* 본 게시글은 개인 학습을 위한 샘플 문제 풀이 게시물입니다. KT AICE 공식 홈페이지에 공개된 샘플문항을 바탕으로 작성되어있으며 문제의 저작권은 KT에 있습니다.

AICE 샘플문항 회귀 #3 문제 풀이

문제는 납부예정금액을 예측 문제

▶ 문항1. 본 과제 해결에 알맞은 알고리즘 유형을 고르시오.

해당 문제는 특정값을 예측하기 때문에 회귀에 대한 문제

TIP. 후반부 문제(12,15)에서 MSE 를 구하는 문제가 있는데 MSE 의 경우 회귀문제에 대한 성능을 구할때 사용

▷ 회귀 모형

▶ 문항2. 다음의 범주형 변수 기술통계량을 확인하고, 특정 범주에 90%이상의 데이터가 몰려 있는 변수를 고르시오.

각 컬럼의 값에 대한 개수를 묻는 문제

각 컬럼의 정보는 데이터분석 > 기초정보분석 메뉴에서 확인

확인시 서비스 구분(service_category)는 99.98% 가 상품A 인 편향이 심한 칼람인 것을 알 수 있다.

▷ 서비스 구분(service_category)

▶ 문항3. 모델 학습에 활용하지 않아도 되는 컬럼 명을 고르시오.

2번 문항에서 나오는거 처럼 너무 편향되어있는 칼람이나 이메일이나 이름처럼 구분이 너무 많은 칼람은 제외하는 것이 좋음

▷ 서비스 구분(service_category)

▶ 문항4. '고객등급(customer_class)'이 'VVIP'인 고객의 수를 작성하시오.

각 컬럼의 값에 대한 개수를 묻는 문제

각 컬럼의 정보는 데이터분석 > 기초정보분석 메뉴에서 확인

해당 컬럼에 대한 정보를 보고 VVIP에 대한 개수를 파악

▷ 719

▶ 문항5. '고객등급(customer_class)'별 '잔여약정개월수(agreement_month)'를 시각화하고, '고객등급(customer_class)'가 'VVIP'인 고객의 IQR을 작성하세요.

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

구하고자하는 값 - 잔여약정개월수(agreement_month) 을 Y로 설정

구분 하고자하는 값 - customer_class(고객등급) 을 X로 설정

IQR = Q3 - Q1

▷ 20.25

▶ 문항6. '서비스 구분(service_category)'별 '이전 달 납부금액(prev_fee)'를 시각화하고, '서비스 구분(service_category)'가 '상품A'인 고객의 이상치 중 가장 큰 값을 작성하시오.

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

구하고자하는 값 - 이전 달 납부금액(prev_fee) 을 Y로 설정

구분 하고자하는 값 - 서비스 구분(service_category) 을 X로 설정

여기서 가장 위에 있는 점이 이상치 중 가장 큰값

▷ 129.93k

▶ 문항7. 각 '고객등급(customer_class)' 별 '납부 예정금액(label_fee)'을 시각화하고, 제 1 사분위수(Q1)가 가장 낮은 '고객등급(customer_class)'을 고르시오.

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

구하고자하는 값 - 납부 예정금액(label_fee) 을 Y로 설정

구분 하고자하는 값 - 고객등급(customer_class) 을 X로 설정

Hue 또한 고객등급(customer_class) 로 설정하면 보기 편해진다.

이중 박스의 아래부분이 가장 밑인 고객등급을 찾는다.

▷ 일반

▶ 문항8. '이전 달 납부금액(prev_fee)' 값이 최빈값인 범위를 고르시오.

특정 컬럼의 특정 범위에 대해 묻는 문제(참고)

컬럼의 법위 값은 데이터분석 > 시각화분석 > 분포차트 메뉴로 확인 가능

특정 범위 값을 X 칼럼에 두고 선택을 한다.

구하고자하는 값 - prev_fee(이전달 납부금액) 을 X로 설정

조회하기 > 구하고자하는 값에 커서를 가져간다.

히스토그램이 나오면 이중 가장 긴 부분이 값이 가장 많은 최빈값이 된다.

그 범위가 정답

▷ 28K-29.999K

▶ 문항9. '납부 예정금액(label_fee)'가 '62k~63.9k'에 속하는 고객 중 '고객 등급 (customer_class)'이 'Gold'인 고객의 수를 작성하시오.

특정 컬럼의 특정 값으로 분류한 후 특정 값에 대한 개수를 묻는 문제(참고)

컬럼간의 특정 값은 데이터분석 > 시각화분석 > 분포차트 메뉴로 확인 가능

특정 범위 값을 X 칼럼에 두고 구분하여 구하고 싶은 값을 Hue 칼럼에 선택을 한다.

구하고자하는 값 - 납부 예정금액(label_fee) 을 X로 설정

구분 하고자하는 값 - 고객 등급 (customer_class) 을 Hue로 설정

조회하기 > 구하고자하는 값에 커서를 가져간다.

Gold 만 선택하여 해당 법위의 값을 확인

▷ 119

▶ 문항10. 종속변수를 제외한 모든 변수에 대해 결측치가 있는 경우, 수치형 변수는 평균값, 범주형 변수는 최빈값으로 결측치를 대체하시오. 데이터 가공 후, 변화된 '잔여약정 개월수(agreement_month)'의 표준편차를 작성하시오

데이터 가공을 요하는 문제(참고)

데이터 가공의 경우 데이터 가공 메뉴에서 설정 가능

문제에 주어진 대로 수치형 변수와 범주형 변수를 구분하여 문제에 나와있는 값으로 결측치를 대체한다.

수치형은 mean / 범주형은 most_frequent 보기 > 적용

그러면 agreement_month_IM 생성

표준편차 sd 작성

※ 주의 꼭 가공 데이터 저장을 누를 것

▷ 13.54

▶ 문항11. 3개의 머신러닝 모델을 다음과 같은 설정으로 학습하고, 이 중 MAE를 기준으로 가장 성능이 높은 모델을 선택하시오.

머신러닝 성능 비교 문제(참고)

머신러닝 관련 문제는 AI모델 학습 > 머신러닝 학습 메뉴에서 가능

문제에 나와있는대로 각 머신러닝 설정을 변경

각 ML 모델을 전체다 클릭하여 음영이 생긴 상태로 학습 시작을 클릭하면 수 분 후 학습결과가 나오는 모습을 볼 수 있음

문제에서 원하는 MAE 기준으로 성능을 비교 (작을수록 좋음)

▷ Random Forest

▶ 문항12. 딥러닝 모델을 다음과 같은 설정으로 학습하고, 학습된 모델의 MSE를 작성하시오.

딥러닝 학습 문제(참고)

딥러닝 관련 문제는 AI모델 학습 > 딥러닝 학습 메뉴에서 가능

문제에 제시한대로 각 설정을 변경

학습 시작 후 수 분이 지나면 및에 부분에 종속 변수에 대한 성능이 나온다.

해당 문제에서는 mean_squared_error(MSE)를 확인하면 된다.

※ 주의 꼭 모델 저장을 누를 것

▷ 0.4785

▶ 문항13. 문항 12번에서 학습한 딥러닝 모델 분석 결과, '납부 예정금액(label_fee)' 예측에 영향을 주는 상위 5개의 변수에 해당하지 않는 것을 고르시오.

변수 영향도 확인 문제(참고)

변수 영향도 확인 문제는 AI 모델 활용 > 변수 영향도 확인메뉴에서 확인 가능

저장해놓은 모델로 선택하여 변수 영향도 확인 메뉴를 누르면 종속 변수와 가능 영향도 높은 5개의 변수가 나온다.

그중 해당하지 않는 변수를 선택한다.

▷ 할부여부(installment_yn_IM)

▶ 문항14. 문항 12번에서 학습한 딥러닝 모델을 활용하여 다음과 같은 조건일 때의 '납부 예정금액(label_fee)'를 예측하시오.

시뮬레이션 문제(참고)

시뮬레이션 문제는 AI 모델 활용 > 시뮬레이션 메뉴에서 확인 가능

모델 학습을 한 후 특정값을 입력하면 그 값에 대한 종속변수를 알려준다.

문제에 제시한 대로 값들을 입력하면 아래쪽에 시뮬레이션 결과에 종속변수가 나온다

TIP. 해당 문제를 통해 변수값이 가공이 되었어야 하는지 알 수 있다. 변수명 뒤에 _IM , _SS 등 이 나온다면 변수 가공이 들어갔다는 걸 알 수 있다.

▷ 51668

▶ 문항15. 문항 12번에서 학습한 딥러닝 모델을 고도화할 예정입니다. 전체 데이터의 학습 횟수를 의미하는 파라미터를 100으로 설정하고, 1회 학습시 가중치 업데이트에 사용되는 파라미터를 128로 설정하세요. 그리고 드롭아웃을 0.5로 설정한 후 MSE를 개선하고, 그 값을 작성하시오.

딥러닝 성능 개선 문제(참고)

딥러닝 성능 개선 문제의 경우 AI모델 학습 > 딥러닝 학습 메뉴에서 가능

해당 문제의 경우 성능 개선이긴하지만 특정 파라미터가 정확히 어떤 역할을 아는지에 대해 물어보는 문제

전체 데이터를 학습하는 횟수 = epoch
1회 학습시 가중치 업데이트에 사용되는 파라미터 = batch size

그러므로 epoch를 100으로 늘리고 batch size도 128로 늘려서 MSE 결과값 확인

12번 문항보다 더 낮은 값이 나오면 된다.

▷ 0.4780

[AICE Basic] AICE 샘플문항 회귀 #2 문제 풀이

HTG — Sun, 22 Feb 2026 11:00:06 +0900

AICE 샘플문항 회귀 #2 문제 풀이

문제는 납부예정금액을 예측 문제

▶ 문항1. 본 과제 해결에 알맞은 알고리즘 유형을 고르시오.

해당 문제는 특정값을 예측하기 때문에 회귀에 대한 문제

TIP. 후반부 문제(11,15)에서 MAE, MSE 를 구하는 문제가 있는데 MAE, MSE 의 경우 회귀문제에 대한 성능을 구할때 사용

▷ 회귀 모형

▶ 문항2. 본 과제의 종속변수의 기술통계량을 확인하고, 최빈값 개수보다 작은 값을 가지는 것을 고르시오.

칼람의 통계량은 데이터분석 > 기초정보분석 메뉴에서 확인

데이터 범위를 전체로 해놓고 각 컬럼에 대한 통계량을 확인한다.

0의 갯수 = 히스토그램 / 최대값 = 분위수 max / 데이터 개수 = 기술통계 size / 표준편차 = 기술통계 sd

▷ 0의 갯수

▶ 문항3. 다음의 변수 중 변수의 유형(data type)이 다른 것을 고르시오.

변수 유형은 데이터분석 > 데이터샘플보기 or 기초정보분석 메뉴에서 확인

데이터 범위를 전체로 해놓고 각 컬럼에 대한 정보를 확인하면서 유형을 확인한다.

TIP. 기초 정보 분석에서 통계량이 있거나 히스토그램이면 수치형 / 바 차트로 되어있으면 범주형

▷ customer_level(고객 관리수준)

▶ 문항4. 다음 중 결측치가 가장 많은 변수의 결측치 비율을 작성하시오(반올림하여 소수점 두 자리까지 작성하시오)

각 컬럼의 결측치 여부 및 개수에 대해 묻는 문제(참고)

결측치 여부는 데이터분석 > 기초정보분석 메뉴에서 확인

데이터 범위를 전체로 해놓고 각 컬럼에 대한 정보를 확인하면서 missing 값을 확인한다.

missing이 가장 많은 값 칼람의 missing 밑에 있는 %값을 확인 한다.

▷ 3.33

▶ 문항5. 수치형 변수들 간의 상관관계를 분석하는 그래프를 그리고, label_fee(납부 예정금액) 변수와 가장 높은 양의 상관관계를 가지는 변수를 작성하시오

컬럼간의 상관관계에 대해 묻는 문제(참고)

컬럼간의 상관관계는 데이터분석 > 시각화분석 > 히트맵 메뉴로 확인 가능

붉은 색이 양의 관계 , 푸른 색이 음의 관계

각 칸에 커서를 가져가면 숫자가 뜬다. 그중 가장 큰 값을 가지는 컬럼이 납부 예정금액과 가장 큰 양의 상관관계를 가진다.

▷ prev_fee

▶ 문항6. customer_class(고객등급)별 label_fee(납부 예정금액)의 분포를 확인하고 가장 큰 IQR 값을 작성하시오.

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

구하고자하는 값 - label_fee(납부 예정금액) 을 Y로 설정

구분 하고자하는 값 - customer_class(고객등급) 을 X로 설정

그 중 박스가 가장 긴것이 IQR이 큰 것

▷ 41.55k

▶ 문항7. ‘prev_fee(이전달 납부금액)' 이 28k ~ 29.999k 사이의 값을 가지는 데이터 중 'customer_class(고객 등급)'이 'White'인 데이터와 'Silver'인 데이터의 수 차이를 작성하시오.

특정 컬럼의 특정 값으로 분류한 후 특정 값에 대한 개수를 묻는 문제(참고)

컬럼간의 특정 값은 데이터분석 > 시각화분석 > 분포차트 메뉴로 확인 가능

특정 범위 값을 X 칼럼에 두고 구분하여 구하고 싶은 값을 Hue 칼럼에 선택을 한다.

구하고자하는 값 - prev_fee(이전달 납부금액) 을 X로 설정

구분 하고자하는 값 - 'customer_class(고객 등급)' 을 Hue로 설정

조회하기 > 구하고자하는 값에 커서를 가져간다.

▷ 99

▶ 문항8. 'agreement_month(잔여약정 개월 수)'가 0의 값을 가지는 데이터 중 가장 데이터가 많은 ' customer_class (고객 등급)'을 작성하시오.

특정 컬럼의 특정 값으로 분류한 후 특정 값에 대한 개수를 묻는 문제(참고)

컬럼간의 특정 값은 데이터분석 > 시각화분석 > 분포차트 메뉴로 확인 가능

특정 범위 값을 X 칼럼에 두고 구분하여 구하고 싶은 값을 Hue 칼럼에 선택을 한다.

구하고자하는 값 - agreement_month(잔여약정 개월 수) 을 X로 설정

구분 하고자하는 값 - customer_class (고객 등급) 을 Hue로 설정

조회하기 > 구하고자하는 값에 커서를 가져간다.

▷ VIP

▶ 문항9. customer_level(고객 관리수준)이 ‘B’인 사람 중 installment_yn(할부여부)를 Y인 사람의 label_fee(납부 예정금액)의 중앙값을 작성하시오.

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

해당 문제는 구분을 2가지로 하기 때문에 Hue 또한 사용 필요

구하고자하는 값 - 호러 구매금액 label_fee(납부 예정금액) 을 Y로 설정

구분 하고자하는 값 - customer_level(고객 관리수준) 을 X로 설정

또다른 구분 - installment_yn(할부여부)을 Hue로 설정

▷ 50k

▶ 문항10. 종속변수를 제외한 모든 변수에 대해 결측치가 있는 경우, 수치형 변수는 평균값, 범주형 변수는 최빈값으로 결측치를 대체하시오. 데이터 가공 후, 변화된 ‘customer_class(고객등 급)’의 최빈값의 비율(%)을 작성하시오.

데이터 가공을 요하는 문제(참고)

데이터 가공의 경우 데이터 가공 메뉴에서 설정 가능

문제에 주어진 대로 수치형 변수와 범주형 변수를 구분하여 문제에 나와있는 값으로 결측치를 대체한다.

수치형의 경우 mean(평균), median(중앙값, 중위수), most_frequent(최빈값) 등으로 대체 가능

범주형의 경우 most_frequent(최빈값), 특정 설정 값 등으로 대체 가능

해당 문제에서는 수치형은 중앙값 / 범주형은 최빈값으로 대체

각 컬럼을 눌러서 결측치(missing)를 확인한 후, 결측치 처리 메뉴에서 원하는 대체값을 선택 후 보기 > 적용

그리고 새롭게 생성된 변수( customer_class_IM)를 클릭하여 최빈값의 비율을 확인

※ 주의 꼭 가공 데이터 저장을 누를 것

▷ 44.77

▶ 문항11. 3개의 머신러닝 모델을 다음과 같은 설정으로 학습하고, 이 중 MAE 평균이 최종적으로 가장 작은 모델을 고르시오

머신러닝 성능 비교 문제(참고)

머신러닝 관련 문제는 AI모델 학습 > 머신러닝 학습 메뉴에서 가능

문제에 나와있는대로 각 머신러닝 설정을 변경

각 ML 모델을 전체다 클릭하여 음영이 생긴 상태로 학습 시작을 클릭하면 수 분 후 학습결과가 나오는 모습을 볼 수 있음

문제에서 원하는 MAE 기준으로 성능을 비교 (작을수록 좋음)

▷ Random Forest

▶ 문항12. 딥러닝 모델을 다음과 같은 설정으로 학습하고, 가장 성능이 좋은 모델은 몇 번째 학습인지 작성하시오.

딥러닝 학습 문제(참고)

딥러닝 관련 문제는 AI모델 학습 > 딥러닝 학습 메뉴에서 가능

문제에 제시한대로 각 설정을 변경

학습 시작 후 수 분이 지나면 및에 부분에 종속 변수에 대한 성능이 나온다.

해당 문제는 몇 번째 학습(epoch)이 가장 성능이 좋은 지 묻는 문제이다

그래서 해당 문제에서는 Best validation model epoch를 확인하면 된다.

※ 주의 꼭 모델 저장을 누를 것

TIP. 문제 중 성능 개선 문제가 있다면 이문제 이후에 바로 하면 이전 설정에 대한 고민이나 귀찮음을 덜 수 있음.

▷ 2

▶ 문항13. 문항 12 번에서 학습한 딥러닝 모델 분석 결과, 'label_fee(납부 예정금액)' 예측에 영향을 주는 상위 5개의 변수에 해당하지 않는 것을 고르시오.

변수 영향도 확인 문제(참고)

변수 영향도 확인 문제는 AI 모델 활용 > 변수 영향도 확인메뉴에서 확인 가능

저장해놓은 모델로 선택하여 변수 영향도 확인 메뉴를 누르면 종속 변수와 가능 영향도 높은 5개의 변수가 나온다.

그중 해당하지 않는 변수를 선택한다.

▷ customer_level(고객 관리수준)

▶ 문항14. 문항 12 번에서 학습한 딥러닝 모델을 활용하여 다음과 같은 조건일 때의 ' label_fee(납부 예정금액)'을 예측하시오(정답은 반올림하여 정수로 작성하시오.)

시뮬레이션 문제(참고)

시뮬레이션 문제는 AI 모델 활용 > 시뮬레이션 메뉴에서 확인 가능

모델 학습을 한 후 특정값을 입력하면 그 값에 대한 종속변수를 알려준다.

문제에 제시한 대로 값들을 입력하면 아래쪽에 시뮬레이션 결과에 종속변수가 나온다

TIP. 해당 문제를 통해 변수값이 가공이 되었어야 하는지 알 수 있다. 변수명 뒤에 _IM , _SS 등 이 나온다면 변수 가공이 들어갔다는 걸 알수 있다.

▷ 54544

▶ 문항15. 문항 12 번에서 학습한 딥러닝 모델을 고도화 할 예정입니다. 문항 12 번의 딥러닝 파라미터 중 "전체 데이터를 학습하는 횟수"에 해당하는 파라미터만 20으로 설정한 후 학습한 결과의 MSE를 작성하시오.

딥러닝 성능 개선 문제(참고)

딥러닝 성능 개선 문제의 경우 AI모델 학습 > 딥러닝 학습 메뉴에서 가능

해당 문제의 경우 성능 개선이긴하지만 특정 파라미터가 정확히 어떤 역할을 아는지에 대해 물어보는 문제

전체 데이터를 학습하는 횟수 = epoch 이다

그러므로 epoch를 20으로 늘려서 MSE 결과값 확인

▷ 0.4778

[AICE Basic] AICE 샘플문항 회귀 #1 문제 풀이

HTG — Sun, 22 Feb 2026 10:59:37 +0900

AICE 샘플문항 회귀 #1 문제 풀이

문제는 납부예정금액을 예측 문제

▶ 문항1. 본 과제 해결에 알맞은 알고리즘 유형을 고르시오.

해당 문제는 특정값을 예측하기 때문에 회귀에 대한 문제

TIP. 후반부 문제(8,11) 문제에서 MSE 를 구하는 문제가 있는데 MSE 의 경우 회귀문제에 대한 성능을 구할때 사용

▷ 회귀 모형

▶ 문항2. 다음의 수치형 변수 기술통계량을 확인하고, 제3 사분위수(Q3)의 크기가 가장 작은 변수를 고르시오.

각 칼람의 통계량에 관련된 문제(참고)

통계량 관련 데이터분석 > 기초정보분석 메뉴에서 확인

각 해당 컬럼의 Q3 값을 확인한다.

▷ 부가정보1(extra_info1)

▶ 문항3. '고객등급(customer_class)'이 'VVIP'인 고객의 수를 작성하시오.

각 컬럼의 값에 대한 개수를 묻는 문제

각 컬럼의 정보는 데이터분석 > 기초정보분석 메뉴에서 확인

해당 컬럼에 대한 정보를 보고 VVIP에 대한 개수를 파악

▷ 732

▶ 문항4. 다음의 범주형 변수 기술통계량을 확인하고, 특정 범주에 90%이상의 데이터가 몰려 있는 변수를 고르시오.

각 컬럼의 값에 대한 개수를 묻는 문제

각 컬럼의 정보는 데이터분석 > 기초정보분석 메뉴에서 확인

확인시 서비스 구분(service_category)는 99.98% 가 상품A 인 편향이 심한 칼람인 것을 알 수 있다.

▷ 서비스 구분(service_category)

▶ 문항5. 각 '고객등급(customer_class)' 별 '납부 예정금액(label_fee)'을 시각화하고, 제 1사분위 수(Q1)가 가장 낮은 '고객등급(customer_class)'을 고르시오.

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

구하고자하는 값 - 납부 예정금액(label_fee) 을 Y로 설정

구분 하고자하는 값 - 고객등급(customer_class) 을 X로 설정

각 등급의 Q1을 비교한다. 눈으로 일단 구분하고 비슷하면 직접 커서를 가지고 가서 확인 한다.

▷ 일반

▶ 문항6. 종속변수를 제외한 모든 변수에 대해 결측치가 있는 경우, 수치형 변수는 중앙값, 범주형 변수는 최빈값으로 결측치를 대체하시오. 데이터 가공 후, 변화된 '할부여부 (installment_yn)'의 최빈값의 개수를 작성하시오.

데이터 가공을 요하는 문제(참고)

데이터 가공의 경우 데이터 가공 메뉴에서 설정 가능

문제에 주어진 대로 수치형 변수와 범주형 변수를 구분하여 문제에 나와있는 값으로 결측치를 대체한다.

수치형은 median / 범주형은 most_frequent 보기 > 적용

그러면 installment_yn_IM 생성

최빈값인 N 개수 작성

※ 주의 꼭 가공 데이터 저장을 누를 것

▷ 4611

▶ 문항7. 3개의 머신러닝 모델을 다음과 같은 설정으로 학습하고, 이 중 설명력(R2)이 평균적으로 가장 높은 모델을 선택하시오.

머신러닝 성능 비교 문제(참고)

머신러닝 관련 문제는 AI모델 학습 > 머신러닝 학습 메뉴에서 가능

문제에 나와있는대로 각 머신러닝 설정을 변경 (Regression(회귀))

각 ML 모델을 전체다 클릭하여 음영이 생긴 상태로 학습 시작을 클릭하면 수 분 후 학습결과가 나오는 모습을 볼 수 있음

문제에서 원하는 R2 기준으로 성능을 비교 (클수록 좋음)

▷ Random Forest

▶ 문항8. 딥러닝 모델을 다음과 같은 설정으로 학습하고, 학습된 모델의 MSE를 작성하시오.

딥러닝 학습 문제(참고)

딥러닝 관련 문제는 AI모델 학습 > 딥러닝 학습 메뉴에서 가능

문제에 제시한대로 각 설정을 변경

학습 시작 후 수 분이 지나면 및에 부분에 종속 변수에 대한 성능이 나온다.

해당 문제에서는 mean_squared_error(MSE)를 확인하면 된다.

※ 주의 꼭 모델 저장을 누를 것

▷ 0.4650

▶ 문항9. 문항 8번에서 학습한 딥러닝 모델 분석 결과, '납부 예정금액(label_fee)' 예측에 영향을 주는 상위 5개의 변수에 해당하지 않는 것을 고르시오.

변수 영향도 확인 문제(참고)

변수 영향도 확인 문제는 AI 모델 활용 > 변수 영향도 확인메뉴에서 확인 가능

저장해놓은 모델로 선택하여 변수 영향도 확인 메뉴를 누르면 종속 변수와 가능 영향도 높은 5개의 변수가 나온다.

그중 해당하지 않는 변수를 선택한다.

▷ 할부여부(installment_yn)

▶ 문항10. 문항 8번에서 학습한 딥러닝 모델을 활용하여 다음과 같은 조건일 때의 '납부예정금액(label_fee)'를 예측하시오.

시뮬레이션 문제(참고)

시뮬레이션 문제는 AI 모델 활용 > 시뮬레이션 메뉴에서 확인 가능

모델 학습을 한 후 특정값을 입력하면 그 값에 대한 종속변수를 알려준다.

문제에 제시한 대로 값들을 입력하면 아래쪽에 시뮬레이션 결과에 종속변수가 나온다

TIP. 해당 문제를 통해 변수값이 가공이 되었어야 하는지 알 수 있다. 변수명 뒤에 _IM , _SS 등 이 나온다면 변수 가공이 들어갔다는 걸 알수 있다.

▷ 51668

▶ 문항11. 문항 8번에서 학습한 딥러닝 모델을 고도화하여 MSE를 개선하고, 그값을 작성하시오.

딥러닝 성능 개선 문제(참고)

딥러닝 성능 개선 문제의 경우 AI모델 학습 > 딥러닝 학습 메뉴에서 가능

결국 새로 딥러닝 학습을 하는 경우

보통 epoch를 조금 늘리고 batch 사이즈를 줄이는 방식으로 성능을 개선한다.

해당문제의 경우 Epochs 20 -> 100 로 변경

epoch만 늘려주어도 개선되는 모습을 대부분 볼수있음.

MSE의 경우 낮을수록 좋은 값이기 때문에 0.4650 보다 낮은 값이면 된다.

※ 주의 너무 큰값을 입력하면 시험 시간내에 처리안되는 경우가 있을 수 있음

▷ 0.4637

[AICE Basic] AICE 샘플문항 분류 #3 문제 풀이

HTG — Sun, 22 Feb 2026 10:59:08 +0900

AICE 샘플문항 분류 #1 문제 풀이

문제는 고객의 호러 장르 선호 여부 예측 문제

▶ 문항1. 본 과제 해결에 알맞은 알고리즘 유형을 고르시오.

해당 문제는 선호에 대한 여부를 구분하기 때문에 분류에 대한 문제

TIP. 후반부 문제(11, 14) 문제에서 Precision 를 구하는 문제가 있는데 Precision 의 경우 분류문제에 대한 성능을 구할때 사용

▷ 분류 모형

▶ 문항2. 본 과제를 해결하기 위한 종속변수를 고르시오

문제에 나와 있는거 처럼 호러 장르 선호 여부를 판단하는 문제이기 때문에 종속 변수는 label_horror(호러장르 선호여부)

▷ label_horror(호러장르 선호여부)

▶ 문항3. 수치형 변수와 범주형 변수 개수의 차이를 작성하시오.

변수의 데이터 형에 대한 문제

변수의 데이터형은 데이터분석 > 기초정보분석 메뉴에서 확인

맨위 전체 에서 유형을 보면 Numeric(수치형) 유형은 7개, Object(범주형) 유형은 4개 인것을 확인 할 수 있음

▷ 3

▶ 문항4. '총 콘텐츠 구매 건수(total_buy_ol)'의 기술통계량을 확인하고, 가장 큰 값을 지니는 통계량을 고르시오.

컬럼의 통계량을 묻는 문제(참고)

컬럼의 통계량은 데이터분석 > 기초정보분석 메뉴에서 확인

mean(평균값) / median(중위수, 중앙값) / sd(표준편차) / Q3 제3사분위

2.2 / 1.00 / 3.13 / 3.00

▷ 표준편차

▶ 문항5. '호러 구매금액(horror_amount)'와 가장 큰 양의 상관관계를 갖는 변수를 구하시오.

컬럼간의 상관관계에 대해 묻는 문제(참고)

컬럼간의 상관관계는 데이터분석 > 시각화분석 > 히트맵 메뉴로 확인 가능

붉은 색이 양의 관계 , 푸른 색이 음의 관계

각 칸에 커서를 가져가면 숫자가 뜬다. 그중 가장 큰 값을 가지는 컬럼이 총 호러 구매금액 과 가장 큰 양의 상관관계를 가진다.

▷ total_buy_ol(총 콘텐츠 구매건수)

▶ 문항6. ‘고객 유형(customer_type)’가 개인일 때, ‘드라마 구매금액(drama_amount)’가 00보다 큰 수치이면 IQR기준 이상치라고 판단한다. 다음 빈칸에 들어가는 수치를 작성하시오.

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

구하고자하는 값 - 드라마 구매금액(drama_amount) 을 Y로 설정

구분 하고자하는 값 - 고객 유형(customer_type) 을 X로 설정

이상치 판단은 IQR로 판단 Q3 + IQR / Q1 - IQR 로 판단하기 때문에 지금 말하는 위로 이상치는 upper fence(Q3 + IQR) 로 판단할 수 있다.

▷ 6000

▶ 문항7. ‘호러장르 선호 여부(label_horror)'가 'Y'일 때, '총 컨텐츠 구매건수(total_buy_ol)'의 이상치가 아닌 값의 상한선을 고르세요

특정 컬럼의 통계량을 구하는 문제(참고)

단순 통계량이 아니라 특정 조건을 만족하는 통계량은 박스차트를 통하여 확인 가능

데이터분석 > 시각화분석 > 박스차트 메뉴로 확인 가능

구하고자하는 값 - 총 컨텐츠 구매건수(total_buy_ol) 을 Y로 설정

구분 하고자하는 값 - 호러장르 선호 여부(label_horror) 을 X로 설정

이상치 판단은 IQR로 판단 Q3 + IQR / Q1 - IQR 로 판단하기 때문에 지금 말하는 위로 이상치는 upper fence(Q3 + IQR) 로 판단할 수 있다.

▷ 6

▶ 문항8. '고객유형(customer_type)'별 '총 콘텐츠 구매건수(total_buy_ol)'을 시각화하고, '총 콘텐 츠 구매건수(total_buy_ol)'가 '1'건인 고객이 가장 많이 속한 '고객유형(customer_type)"의 구간 을 고르시오.

특정 컬럼의 특정 값으로 분류한 후 특정 값에 대한 개수를 묻는 문제(참고)

컬럼간의 특정 값은 데이터분석 > 시각화분석 > 분포차트 메뉴로 확인 가능

구하고자하는 값 - 총 컨텐츠 구매건수(total_buy_ol) 을 X로 설정

구분 하고자하는 값 - 고객유형(customer_type) 을 Hue로 설정

▷ 개인

▶ 문항9. '멜로 구매금액(romc_amount)'이 '0~100'에 속하는 고객 중 '성별(sex)'이 'F(여성)'인 고객의 수를 작성하시오.

특정 컬럼의 특정 값으로 분류한 후 특정 값에 대한 개수를 묻는 문제(참고)

컬럼간의 특정 값은 데이터분석 > 시각화분석 > 분포차트 메뉴로 확인 가능

구하고자하는 값 - 멜로 구매금액(romc_amount) 을 X로 설정

구분 하고자하는 값 - 성별(sex) 을 Hue로 설정

▷ 3345

▶ 문항10. 종속변수를 제외한 모든 변수에 대해 결측치가 있는 경우, 수치형 변수는 중앙값, 범주형 변수는 최빈값으로 결측치를 대체하시오. 데이터 가공 후, 변화된 '연령그룹(age_group)' 의 최빈값의 비율(%)을 작성하시오

데이터 가공을 요하는 문제(참고)

데이터 가공의 경우 데이터 가공 메뉴에서 설정 가능

문제에 주어진 대로 수치형 변수와 범주형 변수를 구분하여 문제에 나와있는 값으로 결측치를 대체한다.

해당 문제에서는 수치형은 중앙값 / 범주형은 최빈값으로 대체

그러면 변화된 age_group_IM이 생성

그중 최빈값의 비율을 보면 A07이고 15.96이다

※ 주의 꼭 가공 데이터 저장을 누를 것

▷ 15.96

▶ 문항11. 딥러닝 모델을 다음과 같은 설정으로 학습하고, 학습된 모델의 Accuracy를 작성하시오.

딥러닝 학습 문제(참고)

딥러닝 관련 문제는 AI모델 학습 > 딥러닝 학습 메뉴에서 가능

문제에 제시한대로 각 설정을 변경

학습 시작 후 수 분이 지나면 및에 부분에 종속 변수에 대한 성능이 나온다.

그중 Accuracy 를 확인한다.

▷ 0.8709

▶ 문항12. 문항 11번에서 학습한 딥러닝 모델 분석 결과, '호러장르 선호여부(label_horror)' 예측에 영향을 주는 상위 5개의 변수에 해당하지 않는 변수를 고르시오.

변수 영향도 확인 문제(참고)

변수 영향도 확인 문제는 AI 모델 활용 > 변수 영향도 확인메뉴에서 확인 가능

저장해놓은 모델로 선택하여 변수 영향도 확인 메뉴를 누르면 종속 변수와 가능 영향도 높은 5개의 변수가 나온다.

그중 해당하지 않는 변수를 선택한다.

▷ drama_amount(드라마 구매금액)

▶ 문항13. 문항 11번에서 학습한 딥러닝 모델을 활용하여 다음과 같은 조건일 때의 '호러장르 선호여부(label_horror)'를 예측하시오.

시뮬레이션 문제(참고)

시뮬레이션 문제는 AI 모델 활용 > 시뮬레이션 메뉴에서 확인 가능

모델 학습을 한 후 특정값을 입력하면 그 값에 대한 종속변수를 알려준다.

문제에 제시한 대로 값들을 입력하면 아래쪽에 시뮬레이션 결과에 종속변수가 나온다

▷ N(선호하지 않음)

▶ 문항14. 3개의 머신러닝 모델을 다음과 같은 설정으로 학습하고, 이 중 Precision 기준 성능이 평균적으로 가장 좋은 것을 고르시오.

머신러닝 성능 비교 문제(참고)

머신러닝 관련 문제는 AI모델 학습 > 머신러닝 학습 메뉴에서 가능

문제에 나와있는대로 각 머신러닝 설정을 변경

각 ML 모델을 전체다 클릭하여 음영이 생긴 상태로 학습 시작을 클릭하면 수 분 후 학습결과가 나오는 모습을 볼 수 있음

문제에서 원하는 Precision 기준으로 성능을 비교 (클수록 좋음)

▷ Logistic Regression

▶ 문항15. 3개의 머신러닝 모델을 다음과 같은 설정으로 학습하고, 이 중 F1 Score 기준 성능이 평균적으로 가장 좋은 것을 고르시오.

머신러닝 성능 비교 문제(참고)

머신러닝 관련 문제는 AI모델 학습 > 머신러닝 학습 메뉴에서 가능

문제에 나와있는대로 각 머신러닝 설정을 변경

각 ML 모델을 전체다 클릭하여 음영이 생긴 상태로 학습 시작을 클릭하면 수 분 후 학습결과가 나오는 모습을 볼 수 있음

문제에서 원하는 F1 Score 기준으로 성능을 비교 (클수록 좋음)

▷ Random Forest