[SK플래닛] ASAC 빅데이터전문가 11기 | 27일차

27일차는 오전에는 머신러닝 모델 튜닝 흐름을 Optuna로 확장했고, 오후에는 직접 준비한 EDA 발표를 진행한 날이었다. 전날까지는 RandomizedSearchCV와 GridSearchCV로 하이퍼파라미터를 찾았다면, 이번에는 사람이 직접 후보값을 하나하나 나열하기보다 범위를 주고, 그 안에서 최적의 값을 탐색하도록 맡기는 방식을 봤다. 같은 Random Forest 튜닝이라도 접근 방식이 조금 달라졌다.오후 발표는 CPI와 프랜차이즈 데이터를 활용해서 “엽떡 14,000원은 정말 비쌀까?”라는 질문을 EDA로 풀어본 내용이었다. 발표의 핵심은 가격 유지가 성장의 원인이라고 단정하는 것이 아니라, 물가 대비 가격 부담 변화와 브랜드 성과 지표가 어떤 패턴을 보이는지 탐색하는 것이었다. 발표 자료에서..

• format_list_bulleted [SK플래닛] ASAC 빅데이터전문가 11기/학습기록
• · 2026. 5. 27.

[SK플래닛] ASAC 빅데이터전문가 11기 | 26일차

26일차는 전날 배운 머신러닝 기본 흐름에서 한 단계 더 들어가, 타이타닉 데이터를 실제 모델링 가능한 형태로 만들고, 여러 모델을 비교하고, 하이퍼파라미터 튜닝까지 이어가는 과정이었다. 25일차에는 load_digits()처럼 이미 정리된 샘플 데이터로 fit → predict → score 흐름을 봤다면, 이번에는 Kaggle 스타일의 train.csv를 가져와 결측치, 문자열 컬럼, 불필요한 컬럼, validation 분리, K-Fold, RandomizedSearchCV, GridSearchCV까지 한 번에 이어졌다. 특히 이번 날은 “모델을 돌리는 코드”보다 모델이 돌아갈 수 있는 상태를 만드는 코드가 더 중요하게 느껴졌다. 타이타닉 데이터에는 Name, Sex, Age, Ticket, Cab..

• format_list_bulleted [SK플래닛] ASAC 빅데이터전문가 11기/학습기록
• · 2026. 5. 26.

[SK플래닛] ASAC 빅데이터전문가 11기 | 25일차

25일차는 머신러닝 개념을 코드로 직접 연결해보는 흐름이었다. 전날에는 머신러닝이 결국 Y = f(X)에서 좋은 함수와 파라미터를 찾는 과정이라는 쪽에 가까웠다면, 이번에는 그 과정을 scikit-learn으로 어떻게 실제 코드화하는지 봤다. 데이터 준비, train/test 분리, 모델 선택, .fit(), .predict(), 평가까지 이어지는 기본 흐름을 손글씨 숫자 데이터로 실습했다. 앞부분에서는 scikit-learn의 전반적인 역할과 전처리의 중요성을 다시 짚었다. 머신러닝 모델은 결국 수학적인 함수를 최적화하는 구조라서, 문자열은 숫자로 바꿔야 하고 결측치는 그대로 둘 수 없다. 뒤쪽에서는 KNN, Decision Tree, Random Forest, Boosting처럼 전통적인 머신러닝 ..

• format_list_bulleted [SK플래닛] ASAC 빅데이터전문가 11기/학습기록
• · 2026. 5. 22.