티스토리

jjaio8986 님의 블로그

검색하기

블로그 홈

jjaio8986 님의 블로그

jjaio8986.tistory.com/m

jjaio8986 님의 블로그 입니다.

구독자: 0

방명록 방문하기

주요 글 목록

데이터 분석 트랙 52일차 25.04.25. [TIL] [프로젝트 진행 상황] - 최종 고객 클러스터링 완료 - 고객 별 인사이트 확인 및 PPT 제작 단계 시작 1. 데이터 전처리 후 최종 클러스터링을 위한 컬럼 - 'current_age' - 'per_capita' - 'DTI', - 'high_amount_ratio', - 'trans_stats' 2. pca - 차원은 2 - 설명 분산 계수 : 0.60362 3. 초기 K값 찾기 3. 군집 계산 Cluster count percentage0 0 79 7.41 1 1 195 18.29 2 2 236 22.14 3 3 211 19.79 4 4 .. 공감수 0 댓글수 0 2025. 4. 25.
데이터 분석 트랙 51일차 25.04.24. [TIL] [프로젝트 진행상황] - 최종 데이터 전처리 후 가상 시나리오 그룹(초기 피쳐 설정) 별 군집 모델 생성 중 Group_A_재무건전성 (8개)고객의 ‘재무 건전성’을 평가하는 변수 묶음변수 목록per_capita_income (1인당 소득)yearly_income (연간 소득)total_debt (총 부채)DTI (Debt-to-Income ratio: 부채÷소득)credit_utilization (신용 한도 대비 사용률)card_per_income (소득 대비 카드 수)common_credit_score (100단위 신용점수 구간)num_credit_cards (보유 신용카드 수)설명 & 기대 인사이트부채 수준 vs. 소득: DTI, total_debt, yearly_income으로 재무 위험도 구분한.. 공감수 0 댓글수 0 2025. 4. 24.
데이터 분석 트랙 50일차 25.04.23. [TIL] [프로젝트 진행상황]- 데이터 최종 통합 완료df = pd.read_csv('final_data.csv') 최종 컬럼 : df3최종 통합 컬럼 설명컬럼명이상한점데이터 타입 (개수)idint (1219)current_ageint (1219)[최소 (23.00) ~최대 (101.00)]retirement_ageint (1219)[최소 (53.00) ~최대 (79.00)]genderobjectFemale : 622Male : 597per_capita_incomefloat[최소 (0.00) ~최대 (163,145.00)]yearly_incomefloattotal_debtfloatcredit_scorefloatnum_credit_cards범주형!레이블 인코딩!int고유값은 1~9IEPfloatDTIfloatamo.. 공감수 0 댓글수 0 2025. 4. 23.
데이터 분석 트랙 49일차 25.04.22. [TIL] [프로젝트 진행 상황] - 'client_id'를 기준으로 테이블(cards, transactions, users)별 데이터를 1차 그룹핑 후 결합하였다. # 약 1200명 가량의 고객 데이터 - 그 후 고객 세그먼트에 무의미할 컬럼들(ex. [dark_web 뭐시깽이] : 전부다 NO값)을 제거하고, 파생변수를 선정하여 다음과 같은 컬럼을 제작하였다.파생변수분류파생변수명조합에 사용된 원본 테이블의 컬럼[고객 재무](Financial Behavior) 총 부채 상환비율 (DTI)- 신용도 확인 목적- ['total_debt', 'yearly_income']신용카드 사용빈도 [비율]- 신용 한도 과도사용 여부 확인 목적- 신용 리스크 구분 목적- ['amount', 'credit_limit']평균 거래.. 공감수 0 댓글수 0 2025. 4. 22.
데이터 분석 트랙 48일차 25.04.21. [TIL] [프로젝트 데이터 전처리] “cards” 13개 컬럼 중에서 - 파생 컬럼1 "계좌 개설 경과 기간“ # 계좌를 오래 유지한 사람일수록 금융 신뢰도가 높다.(datetime.now().year - df_cards['acct_open_date'],format='%m/%Y') - ['card_type'] : 범주형 인코딩(레이블 인코딩) - ['credit_limit'] : 체크 카드에도 카드 한도가 존재함을 확인. - ['id'] : 카드 ID (카드 고유 식별자!) # 버리는 컬럼 - year_pin_last_changed(PIN 마지막 변경 연도), card_on_dark_web(다크웹에서 카드 정보 발견 여부), num_cards_issued(발급된 카드 총 개수), has_chip(칩 유무(마그.. 공감수 1 댓글수 0 2025. 4. 21.
데이터 분석 트랙 9주차 (25.04.20.) W.I.L. 주간 학습 회고심화 프로젝트 준비주간 학습 회고- 학습 내용 : 파이썬 선택형 학습반(개인 및 추가) 완강, 머신러닝추가 특강 완강, 머신러닝 기법 개인 실습- 통계적 기법 및 머신러닝 기법을 각각 혹은 둘 다 활용할 수 있는 수준까지 연습이 필요심화 프로젝트1. 선택 주제 : 금융 데이터 - 고객 클러스터링2. 목적 : 금융 도메인의 데이터(고객 정보, 카드, 지불 정보)를 가지고 새로운 고객 군집을 찾는다.3. 현재 선정한 프로젝트 개요 - 프로젝트 목표 : 신용 위험도 기반으로 고객을 세분화 및 군집 별 인사이트를 도출한다. - 프로젝트의 활용 : "금융 상품 설계", "대출 심사 기준 보완", "기업 입장의 리스크 최소화", "이탈 위험 고객 군집 확인 및 추가 액션이 필요한 군집 파악 가능" -.. 공감수 0 댓글수 0 2025. 4. 20.
머신러닝 학습 정리 [전처리] 머신러닝 [전처리]1. [도메인] 별 [전처리]의 특징 # 핵심 : 각 [도메인]의 키 포인트를 확인. 전처리를 할 때 데이터에서 "살려야 할 부분", "변형해야 할 부분", "버려야할 부분", "분석 목적을 위해 새롭게 조합해야할 부분"을 파악하는 것이 중요. 1.1. [제조업] - 사용 목적 : 기계 센서의 정상 및 오작동을 확인하는 것이 주요! # 사용 목적이 [이상탐지]라면, 제품의 [생산]과 관련한 부분의 데이터 혹은 컬럼을 살리고 나머지 데이터를 전처리 (제거 혹은 결합하여 다른 컬럼으로 전환) 1.2. [금융] - 사용 목적 : [이상 탐지](사기거래, 특정 종목의 급변) 혹은 "예측"(유실된 데이터 혹은 향후 데이터의 예측)이 주요 목표 1.3. [마케팅] - 사용 목적 .. 공감수 2 댓글수 0 2025. 4. 20.
머신러닝 학습 정리 [개요] 머신러닝 [개요]1. 정의 - 컴퓨터가 인간의 개입 없이(또는 최소한으로)데이터를 학습하여 패턴을 찾아내고, 새로운 데이터에 대해 예측이나 분류를 수행하는 기술 - 머신러닝의 3대 요소 : "데이터", "알고리즘(머신러닝의 모델)", "컴퓨팅 파워" - [인공지능 : AI, 사람의 지능적 작업을 기계가 수행하게 하는 광범위 개념] > [머신러닝 : 데이터에서 특징, 규칙을 학습 || AI 실현 방법 중 하나] > [딥러닝 : 머신러닝 하위분야, 사람 뇌신경을 본 떠 만든 인공신경망을 여러 겹 쌓아 복잡한 정보 학습] 2. 머신러닝 vs 기초 통계 분석구분머신러닝기초 통계 분석목적- 패턴의 학습을 통한 예측- “얼마나 잘?”# 정확도와 재현률 등에 초점- 새롭게 들어오는 데이터와 관련- 가설의 .. 공감수 0 댓글수 0 2025. 4. 19.
데이터 분석 트랙 47일차 25.04.18. [TIL] 데이터 분석 [심화 프로젝트] 선택한 주제 : 금융 데이터 - "고객 클러스터링"설명 : 금융 고객데이터에 대한 클러스터링 시행 및 군집별 인사이트 도출 심화 프로젝트 개요신용 위험도 기반 고객 세분화 및 인사이트 도출목적고객의 신용점수, 총 부채,소득 등의 데이터를 바탕으로 잠재적인 신용 위험도를 분석클러스터링을 통해 고객을 위험도 등급(high/medium/low) 으로 그룹화활용 방안:금융 상품 설계시 도움을 줌대출 심사 기준 보안?기업 입장에서의 리스크 최소신용도 위험 관련 관리대책파생변수 찾아보기DTI = Total Debt / Yearly Income (Debt-to-Income ratio)카드당 평균 한도 : credit_limit /num_cards_issued활용 변수 : 'total_d.. 공감수 1 댓글수 0 2025. 4. 18.
데이터 분석 트랙 46일차 25.04.17. [TIL] [목차]머신러닝 개요머신러닝 전처리머신러닝 개요1. 정의 - 컴퓨터가 인간의 개입 없이(또는 최소한으로)데이터를 학습하여 패턴을 찾아내고, 새로운 데이터에 대해 예측이나 분류를 수행하는 기술 - 머신러닝의 3대 요소 : "데이터", "알고리즘(머신러닝의 모델)", "컴퓨팅 파워" - [인공지능 : AI, 사람의 지능적 작업을 기계가 수행하게 하는 광범위 개념] > [머신러닝 : 데이터에서 특징, 규칙을 학습 || AI 실현 방법 중 하나] > [딥러닝 : 머신러닝 하위분야, 사람 뇌신경을 본 떠 만든 인공신경망을 여러 겹 쌓아 복잡한 정보 학습] 2. 머신러닝 vs 기초 통계 분석구분머신러닝기초 통계 분석목적- 패턴의 학습을 통한 예측- “얼마나 잘?” # 정확도와 재현률 등에 초점- 새롭게.. 공감수 0 댓글수 0 2025. 4. 17.
데이터 분석 트랙 45일차 25.04.16. [TIL] 아티클 정리아티클 정리 "A-B 테스트 제대로 이해하기5 : A/B테스트에 적정한 표본과 주의사항” https://yozm.wishket.com/magazine/detail/1680/ A/B 테스트 제대로 이해하기: 5 A/B 테스트에 적정한 표본과 주의 사항 | 요즘IT지금까지 ‘A/B 테스트 제대로 이해하기’ 시리즈를 통해 A/B 테스트의 기본 정보와 가설, 세팅 방법, 그리고 분석 결과 등 여러 정보를 정리했다. 시리즈의 마지막인 이번 글에서는 기획자, PM, 마yozm.wishket.com핵심 : A/B테스트의 결과가 유의미하기 위한 표본의 수와 실험 상 주의사항들 내용 요약 : 1. A/B테스트 수행 시 유의미한 결과를 얻기 위한 표본의 수? - A/B테스트의 결과의 유의미함은 실험 설계자의.. 공감수 0 댓글수 0 2025. 4. 16.
데이터 분석 트랙 44일차 25.04.15. [TIL] 파이썬 선택 학습반 내용 정리1. [파이썬 환경설정] 1.1. 파이썬 가상환경 설정 - 협업 및 프로젝트 마다 다른 파이썬 패키지 버전이 필요할 수 있다. - 시스템 전체에 영향을 주지 않고 독립적인 환경을 유지하는 방법. 1.2. A. 가상 환경 생성 : "pythom -m venv myenv" B. 가상 환경 활성화 - WindowOS : "myenv\Scripts\activate" - Mac/Linux : "source myenv/bin/activate" C. 가상환경 비활성화 : "deactivate" 1.3. - Conda는 패키지, 의존성, 환경 관리 등을 위한 오픈 소스 플랫폼이다. 다양한 패키지의 설치 및 호환에 잇어 유용하다. - Conda 설치 및 사용법 A.. 공감수 0 댓글수 0 2025. 4. 15.
데이터 분석 트랙 43일차 25.04.14. [TIL] 파이썬 과제 정리 [함수, 클래스]파이썬 [함수] 실습 문제 : 가변 인자를 활용한 평균 계산기 - 설명 : 여러 개의 숫자를 입력받아 평균을 계산하는 함수 calculate_average를 작성 - 요구사항1. 숫자가 하나도 전달되지 않았을 경우 "입력된 숫자가 없습니다."라는 메시지를 반환2. 입력된 모든 숫자의 평균을 계산하여 소수점 2자리까지 반올림한 결과를 반환3. 함수 설명을 위한 적절한 docstring을 포함 - 구현 코드def calculate_average(*nums) : """ 전달받은 숫자의 평균을 반환하는 함수 *nums : 가변 위치 인자로 임의의 개수를 인자로 받고, 함수 내에서 튜플로 처리된다. len(nums)를 통해 빈 튜플인지 확인하여 입력 .. 공감수 0 댓글수 0 2025. 4. 14.
데이터 분석 트랙 8주차 (25.04.13.) W.I.L. 주간 학습 내용 회고금주 학습 목표 및 프로젝트 준비 방향 설정주간 학습 내용 회고1. 학습량 체크 # 기존에 목표로 했던 [통계, 머신러닝] 학습 중에서 통계는 마무리, 머신러닝은 절반 완료 1.1. 머신러닝 : 전체 10강 중에서 현재 6강 수강중 - 정리가 완료되는 대로 리뷰하며 추가 인사이트 확인 이때의 초점은 "개념 설명" 및 "실습 코드 해설", "결과 해석" 부분에 초점을 둔다. 1.2. 선택형 학습반 : 전체 8강 중 커리큘럼의 5강 수강 완료 - 함수 및 클래스 과제 수행 이후 판다스 라이브러리 개념 설명까지 리뷰 완료 - 차후 라이브러리 활용 내용은 기존에 진행한 파이썬 라이브러리 특강 세션의 내용과 함께 정리 1.3. QCC - "self join" 부분과 "cros.. 공감수 2 댓글수 0 2025. 4. 13.
데이터 분석 트랙 42일차 25.04.11. [TIL] qcc 리뷰qcc 리뷰Q1. 지역별 매출이 높은 매장을 조회1. 조건 : "해당 지역 매장이 2개 이상인 경우"만 결과에 포함한다. 결과는 "지역 이름 기준 오름차순 정렬"2. 접근(풀이) 방법 - "stores" 테이블 에서 "REGION_NAME"(지역 이름), "STORE_ID"(매장 ID, PK), "SALES"(매출)컬럼을 이용할 것임. - 단순히 매출이 높은 지역을 확인하는 것이고 그 개수만 필요하기 때문에 "RANK()"함수나 서브쿼리문을 굳이 구할 필요는 없다.3. select region_name, max(salse) highest_sales -- 지역이름과 최고 매출을 구한다. 최고매출은 " highest_sales"로 명명from storesgroup by region_nameh.. 공감수 2 댓글수 1 2025. 4. 11.
데이터 분석 트랙 41일차 25.04.10. [TIL] 아티클 정리아티클 정리 "A/B테스트 제대로 이해하기 4 A/B테스트 표본 크기와 유의미한 결과 관계"https://yozm.wishket.com/magazine/detail/1667/ A/B 테스트 제대로 이해하기: 4 A/B 테스트 표본 크기와 유의미한 결과의 관계 | 요즘IT이전 글에서 기초 통계 지식을 바탕으로 A/B 테스트 계산기의 세팅 방법과 해석에 관한 내용을 살펴보았다. 이때 해석 내용 중 계산기에서 ‘결과가 유의미하지 않다(Not Significant)’라고 했을 때yozm.wishket.com1. 내용 요약 - 흔히 직관적으로 우리는 어떠한 의견(가설, 결과)의 근거가 “많은 사례와 의견들에서 지지받을 때” 유의미하고, 결과가 의견이 개연적(필연성이 높다)이라고 생각한다. 또한 A와 B.. 공감수 1 댓글수 1 2025. 4. 10.
데이터 분석 트랙 40일차 25.04.09. [TIL] 통계학 총 정리1. 이론2. 유의성 검정3. 회귀 분석4. 상관관계5. 가설 검정 주의사항통계학 총 정리통계 이론과 데이터의 분포[통계 이론] > [개념] 1. 기술 통계, 추론 통계 1.1. 기술통계 # 데이터 요약, 설명을 목적으로 통계를 활용하는 방법, A. 특징 - 주로 다음의 4~5개의 기본 통계값을 주로 활용한다.기본 통계값의 종류평균(mean)중앙값(median)분산(Variance)표준편차(Standard Deviation)범위(Range)특징- 데이터들의 주된 존재 위치 혹은 범위 추정 및 설명- 흔히 통계 분석 기법 중 "위치 추정"에 사용- 데이터들의 흩어진 정도[데이터들의 차이 정도]- 흔히 통계 분석 기법 중 "변이 추정"에 사용cf) [기술 통계의 기본 통계값들의 활.. 공감수 0 댓글수 0 2025. 4. 9.
데이터 분석 트랙 39일차 25.04.08. [TIL] [목차]아티클 정리SQL 코드카타 재귀쿼리와 결측값을 채워주는 쿼리문 아티클 정리 "A/B테스트 제대로 이해하기3 : A/B테스트 계산기의 세팅과 해석"https://yozm.wishket.com/magazine/detail/1656/ A/B 테스트 제대로 이해하기: 3 A/B 테스트 계산기의 세팅과 해석 | 요즘IT앞선 두 편의 글에서, ‘실제 A/B 테스트를 설계할 때 우리가 진짜 궁금한 질문’과 ‘A/B 테스트 실험 결과의 유의미한 방안’, 그리고 ‘이를 바탕으로 A/B 테스트의 설계 및 해석에 필요한 기초yozm.wishket.com - 내용 요약 : SPSS나 파이썬, 엑셀이 아니라도 간단한 숫자 입력 및 세팅으로 테스트 계산을 제공하는 웹 서비스도 있다. 그러한 웹서비스에서도 필수적으로 요구하.. 공감수 0 댓글수 0 2025. 4. 8.
데이터 분석 트랙 38일차 25.04.07. [TIL] [목차]파이썬 선택형 학습 세션 "학습 내용" 및 "과제 정리" 파이썬 선택형 학습 세션 "학습 내용" 및 "과제 정리" cf) https://docs.python.org/ko/3.8/tutorial/index.html 파이썬 자습서 — Python 3.8.20 문서파이썬 자습서 파이썬은 배우기 쉽고, 강력한 프로그래밍 언어입니다. 효율적인 자료 구조들과 객체 지향 프로그래밍에 대해 간단하고도 효과적인 접근법을 제공합니다. 우아한 문법과 동적 타docs.python.org※ 항상 공식 사이트의 Python 관련 설명 내용을 통해 추가적으로 확인하고자 하는 내용을 확인하기! 1. Python 부분 개인 정리 1.1. 개요 (이전까지의 내용 간단 정리) - 중요! 변수에 어떠한 연산을 한 식.. 공감수 2 댓글수 0 2025. 4. 7.
데이터 분석 트랙 7주차 (25.04.06.) W.I.L. 주간 학습 내용 회고금주 학습 목표 설정주간 학습 내용 회고1. 학습량 체크 및 목표 1.1. 기초 통계학 : 전체 6강 중에서 최종 4강 정리 및 학습 완료 - 인사이트 : 데이터 분석가는 파이썬의 라이브러리를 활용하여 다양한 기초 통계 및 통계기법을 통해 데이터 분석의 목표 설정 및 가설 설정과 검증 및 신뢰도 확보에 도움을 받을 수 있다. 다만 그 데이터의 종류(범주형, 수치형 등등)에 따른 검정 방법 이 다르기에 데이터의 확인('모집단' 과 '표본'으로 선정한 데이터의 주된 분포 및 형태, 가설 설정 시 확인할 지표)이 필요하다. - 통계학을 마무리하며 학습한 통계적 기법들을 데이터 유형에 따라 도표 형태로 정리할 필요가 있다. 1.2. 선택형 학습반 : 전체 8강 중 커리큘럼에 따라 1.5.. 공감수 0 댓글수 0 2025. 4. 6.
데이터 분석 트랙 37일차 (25.04.03.) TIL [목차]아티클 정리선택 학습반 과제 코드 정리 아티클 정리 "A/B 테스트 제대로 이해하기 2 - A/B 테스트를 위한 기초 통계 이해하기"https://yozm.wishket.com/magazine/detail/1644/ A/B 테스트 제대로 이해하기: 2A/B 테스트를 위한 기초 통계 이해하기 | 요즘IT앞선 글에서 A/B 테스트를 설계하거나 수행할 때 ‘목표를 달성하기 위한 방안으로 A와 B 중 어느 게 더 나은가?’ 뒤에 숨은 진짜 질문에 관해 살펴보았다. 이번 글에서는 이러한 우리의 진짜 질yozm.wishket.com요약 : “실험 설계 단계”에서 고려해야 할 것들과 “실험 결과”의 신뢰도1. A/B테스트의 설계 - “모집단과 표본” 1.1. [설계]모집단과 표본 - 우리는 ‘전체’[모집단.. 공감수 0 댓글수 0 2025. 4. 3.
데이터 분석 트랙 36일차 (25.04.02.) TIL basic 과제 코드 제작1. 표준 입출력 실습 문제 1.1. 자기소개 카드 만들기# 설명 : 사용자의 "이름", "나이", "취미"를 입력받아 정해진 형식의 자기소개 카드를 출력하는 프로그램 제작name = input("이름을 입력하세요:")age = input("나이를 입력하세요:")hobby = input("취미를 입력하세요:")print("┌─────────────────────────┐\n│ 자기소개 카드 │")print(f"이름 : {name:>10}\n나이 : {age:\n취미 : {hobby}")print("└─────────────────────────┘") 1.2. 시간 변환기# 설명 : 사용자로부터 초를 입력받아 "시", "분", "초"로 변환하는 프로그램 제작.. 공감수 2 댓글수 0 2025. 4. 2.
데이터 분석 트랙 35일차 (25.04.01.) TIL [목차]아티클 정리파이썬 종합 : 부가기능들2아티클 정리 “A/B 테스트 제대로 이해하기 : 1 테스트를 설계할 때 우리의 진짜 질문은?”https://yozm.wishket.com/magazine/detail/1633/ A/B 테스트 제대로 이해하기: 1테스트를 설계할 때 우리의 진짜 질문은? | 요즘IT서비스 기획, PM, 그리고 그로스 해킹과 관련한 부트캠프나 신입 교육 과정을 살펴보면, A/B 테스트에 관한 이야기가 많다. 아마도 서비스를 개선하는 실험 방안 중 하나로 A/B 테스트가 가장 유명(yozm.wishket.com1. 내용 요약 - “A/B테스트”는 오바마 대선 자금 모집 캠페인[https://brunch.co.kr/@pak6477/3]에 활용될 만큼 효과적인 전략 및 가설 검증 테.. 공감수 1 댓글수 0 2025. 4. 1.
데이터 분석 트랙 34일차 (25.03.31.) TIL 통계학 기초 1강 개인 정리파이썬 종합 : 부가기능들통계학 기초 1강 개인정리1. 기술통계 vs 추론통계 1.1. 기술 통계 - 정의 : 데이터를 요약하고 설명하는 통계의 방식 - 자주 사용되는 통계 값 A. "평균"(Mean) : 산술적 대표값(중간) B. "중앙값"(Median) : 실제 데이터 상의 대표값 데이터 값(중간) C. "분산"(Variance) : 평균과 데이터들 사이의 흩어진 정도 [분산의 값이 클수록 흩어진 정도가 크다] # sum((데이터 값1-평균)**2)/len(데이터의 수) D. "표준편차"(Standard Deviation) : 평균과 데이터들 사이의 흩어진 정도 [데이터의 변동성! 원래 데이터 값과 동일 단위] 1.2. 추론 통계 - 정의 : 표본.. 공감수 0 댓글수 0 2025. 3. 31.
데이터 분석 트랙 6주차 (25.03.30.) W.I.L. 기초 프로젝트 회고다음 프로젝트 반영사항기초 프로젝트 회고1. 아쉬운 점 1.1. 기초프로젝트의 주제는 "서울시 부동산 거래 시장"이었다. 분석 후 발표까지 완성을 했지만, 시간상 담아내지 못 한 것들이 너무 많았다. 가령) - 발표 진행 도중 "워낙 전문적이고 외부요인이 많은 영향을 끼치는 [부동산]영역이기에 분석 결과를 통한 "결론이 수비적, 조언의 성격을 가질 것이라 생각하여 투자자를 구체적으로 타겟팅해 분석한다"라는 언급 없이 가다보니 청자가 발표 흐름을 따라오지 못하는 느낌이 있었다. - 원본 사이트가 서울시 열린데이터광장이고 그들의 수집 기준과 법과 시행령상의 변화로 인해 데이터를 전처리함에 있어 "[시기]를 계약일 기준으로 잡아야한다는 점(접수연도로 나열되어 있으나 원천 사이트에.. 공감수 0 댓글수 0 2025. 3. 30.
데이터 분석 트랙 27일차 (25.03.24.) TIL 기초프로젝트 발표 도입부 준비0. 기초프로젝트의 핵심 : ON AIR 분석 절차 기반 기초 프로젝트수행 0.1. Objective (목표) - 프로젝트 목표: 이 프로젝트의 주요 목표를 명확히 기술합니다. 어떤 문제를 해결하고자 하는지 또는 어떤 비즈니스 목표를 달성하려는지를 설명합니다. - 예상 결과물: 이 프로젝트를 통해 기대되는 결과물과 도출하고자 하는 인사이트를 명시합니다. # 공공데이터[부동산 가격 시장]를 활용해 대략적인 고객 유형을 설정! 그리고 고객에게 맞춤형 부동산 시장 분석 결과를 보고한다. # 즉, 고객에게 제안할 부동산 추천 보고서를 작성 0.2. Necessary data (데이터) - 데이터 소스: 사용할 데이터의 출처를 설명하고, 필요한 데이터 유형과 범위를 명시합니다. -.. 공감수 2 댓글수 1 2025. 3. 24.
데이터 분석 트랙 5주차 (25.03.23.) W.I.L. [목차]기초 프로젝트 데이터 풀 관련 인사이트5주차 회고다음 주 할 일 기초 프로젝트 인사이트 - 기초 프로젝트 : 주어진 주제를 ON AIR 분석 절차 기반 데이터 분석 후 결과물 보고 - 선정된 팀 주제 : "[공공데이터] 서울시 부동산 데이터 분석" - 이번 주 개인 진행 내용 1. 데이터 분석 진행 방향성 - 데이터를 분석해야 하는 상황을 맞이할 때 개인적으로 분석 방향성은 다음과 같은 성향을 갖는다고 생각한다. A. “어떤 고객유형이 있는지 먼저 유형화 한 다음 그들의 성격에 따라 필요로 하는 데이터 분석 확인” # 분석의 수용자를 타겟팅하여 필요한 데이터만 분석하기에 가장 효율적이고 빠른 결과 및 인사이트를 가질 수 있어보임. 하지만 분석 내용을 통해 설득하기 위한 부가적인 옵션들.. 공감수 1 댓글수 1 2025. 3. 23.
데이터 분석 트랙 21일차 (25.03.18.) TIL [목차]파이썬 종합 : 함수아티클 스터디 - "비개발자를 위한 엑셀로 이해하는 SQL : WHERE와 ORDER BY"파이썬 종합 : 함수1. 함수 1.1. 함수 기본 - 어떠한 값을 입력받아 어떠한 수행을 통해 결과물을 출력하는 일련의 코드블록 - 특정 함수명을 지정하여 그 수행내용을 담을 경우 어디서든 그 함수를 호출하여 내용을 수행할 수 있음. - 활용 : "코드의 재사용", "프로그램의 소범위 다량의 모듈을 개발 및 관리", "함수 기능의 확장 및 수정을 통한 유지 보수" - 기본 함수 정의 및 호출 형식 A. 함수 정의def 함수명(매개변수1, 매개변수2, ....) 변수를 통해 수행할 작업 return 결과값 # 여기서 return 구문은 함수의 내용에 따라 선택.. 공감수 0 댓글수 0 2025. 3. 18.
데이터 분석 트랙 20일차 (25.03.17.) TIL [목차]파이썬 종합 "조건문", "반복문"라이브세션 2회차 정리 [라이브러리 활용 코드위주]파이썬 종합>문법> "조건문", "반복문"1. 조건문 - 정의 : 특정 조건이 참인 경우에 특정 코드블록을 실행하는 코드 - 기본 형태if 조건: if 조건이 참일 때 수행할 코드elif 앞선 조건과 다른 조건: elif 조건이 참일 때 수행할 코드else: 앞선 조건이 거짓일 때 실행될 코드 - 유의사항 : ":"기호와 들여쓰기를 통해 if의 참일 때의 조건, 수행할 내용의 범위가 정해지기에 들여쓰기를 반드시 수행해야한다. - 조건에는 비교연산자('', '=', '!'), 논리연산자('and', 'or', 'not')이 사용될 수 있다. - 삼항연산자 : 조건문의 조건과 참, 거짓의 값을 한 문.. 공감수 0 댓글수 0 2025. 3. 17.
데이터 분석 트랙 4주차 (25.03.16.) W.I.L. 1. 주간 공부 내역 정리2. 주간 인사이트 정리3. 다음 주 목표1. 주간 공부 내역 - QCC 및 파이썬 라이브 강의, 예비군 훈련으로 인한 공결로 진도가 빠르게 안 나가졌다. 프로젝트가 목요일부터 시작이니 참고하여 데이터 시각화 및 파이썬 알고리즘 코드카타, 개념 정리를 진행해야 할 것이다. 1.1. Python - 강의는 전부 수강! 요약은 조건문 이전까지 수행. - 조건 및 반복문, 함수, 파이선의 활용 가능한 라이브러리, 부가 기능 부분을 T.I.L.에 나눠서 하루씩 복습하는 느낌으로 강의내용 정리 - 파이썬 라이브강의 3주차 내용 훑고 4주차랑 같이 정리 1.2. SQL - window function 부분 및 where절에 관한 복습 및 개념정리 마무리 - 코드카타 70번 진행중.. 공감수 0 댓글수 0 2025. 3. 16.

문의안내

티스토리
로그인
고객센터

티스토리는 카카오에서 사랑을 담아 만듭니다.