코드잇 12주차

이번주 할일

• 미션9
  • 😴 월 : EDA 진행 & 모델 하나 진행!!
  • 😴 화 : 평가지표 & 기초 모델 & 실험 설계
  • 수 : 실험 설계 및 학습 & 제출...
  • 목 : 마감

• 초급 플젝

  • 프로젝트 진행 전체적으로 다시 확인

  • 멘토님이 주신 깃헙 확인해보기

  • ✅ 깃 사용 익히기!!

  • Colab Pro : 25일 전까지 결제하기!!!

  • 목 : 데이터 확인 및 EDA 진행

  • 금 : EDA 진행

  • 토 :

  • 일 : 9시 회의 - EDA 발표 & 역할 분담

    • 자료 확인하기

    • https://velog.io/@w00ship24/초급-프로젝트-진행-가이드
    • https://www.yactopia.com/insights/claude-foreign-medguide

      • 깃헙 확인해보기!!

      • https://github.com/boostcampaitech3/level2-object-detection-level2-cv-14
      • https://github.com/boostcampaitech7/level2-objectdetection-cv-14/pulls
      • https://github.com/shefalishr95/Object-detection-using-YOLOv8-and-RT-DETR/tree/main

• 스터디
  • 😴 월 : 발표 방향 정하기
  • 😴 화 : 발표 방향 정하기 & 이론
  • ❌ 수 : 이론 정리 &
  • ❌ 목 : 자료 만들기
  • 금 : 마무리 & 발표(17시 ~ )

• 사이드 플젝

  우리 프로젝트를 해결하는 데에 필요한 기술(임베딩)이나 법률(저작권) 뭐가 있는 지 생각해보고, 그걸 해결한 논문이나 법문, 자료가 있는 지 찾아와서 공유하기

- AI 적극 활용해서 준비하셈.
- 예시:
    - 언어 상관 없는 임베딩 모델
    - 음악 임베딩 모델
    - 음악 생성 모델
    - 자연어 감성분석 모델
    - 우리 프로젝트 문제에서의 저작권 법률 문제 해결
    - 문장 기반 감성분석 문제 해결에 대한 학습, 추론 파이프라인

• ✅ 화 : 회의 & 공지 및 회의록 확인 & 서버 만들기
• 🫠 수 : 프로젝트 전체적으로 확인
• 🫠 목 : 논문 찾아보기
• 금 : 프로젝트 전체적으로 확인 & 논문 찾아보기
• 토 :
• 일 :

• ✅ 멘토링(19일 7시)

• ✅ 위클리 작성

• 블로그 작성하기 : ~ 25일

• 나만의 사이드 프로젝트 만들기
  • 주제 정하기 :

• 이론 정리 블로그 만들기
  • 랠루랑 동욱꺼 카피카피~

• 책 인증(~2.13) : ~ 25일

이번주 다짐

플젝 들어가기 전에 계획부터 제대로 세우고 들어가자~!

10월 19일 월요일

오늘 할일

• 😴 미션9
  • ✅ Github 세팅 : 랠루센세..ㅎ
  • ✅ EDA 발표.. : 참.. 부족한 내용이 많네..
  • ✅ EDA 다시.. 방향 정하기 : 강사님 자료 확인하면서!! : 5시전
  • ✅ Github 다시 해보기!
  • 😴 평가 기준? : 집 가서..
  • 😴 모델 하나 돌리기!! :
  • 😴 모델 결과 분석
  • 😴 실험 설계하기

• ✅ 멘토링 : 7시 ~

• 😴 위클리 작성

• 😴 스터디 방향 잡기

오늘 회고 및 일기

오늘 아침 너무 힘들댜.. 못일어날 뻔했댜.. 스카에서 하려고 했는데.. 웅니와의 약속이니 가야지.. 햄햄.. 조금 늦었지망.. 그래도 나와서 다시 마음 잡고 할 의지가 생겨서 나오길 잘했햄!! 호호 이번주 제대로 계획 세워서 진행해보쟈!! 랠루의 Github 강의 두번째 시간~ 머릿속에 쏙쏙 들어오는 것 같은데 기억을 잘 못해서 걱정햄햄.. README 보면서 실수하지 말고 잘 push 하자햄!! ㅋㅎㅋㅎㅋㅎㅎ사고친줄 알고 난리부르스 햄햄.. 2시간 동안 실갱이하고.. 근데 결론적으로 사고를 친게 아니였댜.. 다행.. 10시되기 1분 전에 끝내서 다햄.. 다리에 힘 풀려땨..ㅋㅎㅎㅋㅎㅋ 집 가서 오마뎅 떡볶이 야무지게 먹고 기절.. 햄햄..

10월 20일 화요일

오늘 할일

• 😴 미션9
  • ✅ 평가지표 만들기
  • ❌ Baseline 모델 돌리기(기준) : 집 가서
  • ❌ 결과 분석
  • ❌ 실험 설계

• ✅ 스터디 사플 회의 : 책 분위기에 맞는 음악 추천?
  • 아이디어 생각해놓기?
  • ✅ 서버 만들기!!
  • 😴 회의록 및 숙제 확인!!

• 😴 스터디 - VAE
  • 😴 방향 잡기 : 이론은 웅니가 실제 코드 사용으로..?
  • 😴 이론 이해하기!!
  • 😴 자료 만들기 : 이론 간단하게 설명 후, 실험으로 해볼까?

• 😴 내일 상담.. 어떤 질문을 할지 생각해보기..!!

오늘 회고 및 일기

오늘은 깃 설명해주시는데 솔직히 집중이 너무 안댔다.. 그래도 어제 랠루가 고오급 강의 해준게 있어서 팀플 하는데는 문제가 없을거 같긴 한데.. 리눅스 사용하는 법은 좀 익혀야되는게 맞는것 같햄햄.. 미션9 착착 될 줄 알았는데 평가지표에 판별기 만드는게 생각보다 오래 걸릴 줄은 몰랐햄햄.. 일단 운동 다녀와서 할일 정리하고 집에 가서 다시 시작해볼까햄햄.. 내일 강남 가야되는데 밤샘 각 햄햄..

10월 21일 수요일

오늘 할일

• 🫡 미션9
  • ✅ Baseline 돌리기 : 오전
  • ✅ 결과 분석 : 오전
  • ✅ 실험 설계 : 오후
  • ✅ 실험 돌리기 : 오후
  • ❌ 깃 올려보기!! : 실험 브랜치 만들고 올리기!!

• ✅ 성취도 평가 : 5시

• 🫠 초급 플젝 들어가기 전!!

  • ✅ 사전 회의

    • ✅ 노션 확인하기

      • 아이디어1 : 기본 + 약 복용 데이터

        • 약 복용 방법 및 내용 띄우기

      • 아이디어2 : 기본 + 앱 카메라 추가 + 약 복용 데이터 + 맞춤 서비스

        • 개개인마다 약 복용량이 다르니 이전 복용 데이터 및 몸 상태를 기반으로 약 추천?
        • 배포까지 해보고 싶다는 생각..

    • ❌ 자료 확인하기

      • ❌ https://velog.io/@w00ship24/초급-프로젝트-진행-가이드
      • ❌ https://www.yactopia.com/insights/claude-foreign-medguide

  • 멘토님의 자료 확인하기!!

  • ❌ 깃헙 확인해보기!!

    • ❌ https://github.com/boostcampaitech3/level2-object-detection-level2-cv-14
    • ❌ https://github.com/boostcampaitech7/level2-objectdetection-cv-14/pulls
    • ❌ https://github.com/shefalishr95/Object-detection-using-YOLOv8-and-RT-DETR/tree/main

  • ✅ 초급 플젝 가이드 보기

• ❌ 스터디 - VAE
  • ❌ 방향 잡기 : 이론은 웅니가.. 나는 실제 코드 사용으로..?
  • ❌ 이론 이해하기!!
  • ❌ 자료 만들기 : 이론 간단하게 설명 후, 실험으로 해볼까?

• ❌ 상담... : 혼나게따..ㅠ

오늘 회고 및 일기

강남으로.. 초급 프로젝트 시작 전부터 일단 막막하햄.. 이걸 모델링해서 끝내는건 아쉽고.. 그렇다고 뭘 구현해서 배포하고 싶은데 그거까지 하기엔 촉박한 시간인것 같고.. 일단 완성하는 것으로 목표로 해서 나 혼자 따로 개인 플젝으로 진행해볼까 생각도 들고.. 뭐가 좋을지 햄햄.. 일단 팀에 폐급이 되지 않게 정해주는거나 잘 해보자.. 뭐라도 하자햄!!! 회의를 진행하는데.. 와.. 정말 아무것도 모르겠다.. 내일부터 시작인데 어뜩하지.. 자료 이것 저것 찾아봐야겠다는 생각에 보려고 했는데 게으름이 이겨버림.. 내일은 더 시간이 없을텐데 어쩌려고.. 정신 차려 햄햄!!! 일단 오늘 미션을 마무리하고 제출하는 것이 맞는것 같아서 열심히 돌렸지만.. 결국 집 가기 전까지 다 하지 못했다.. 그래서 집에 가자마자 에폭 돌리고 기절했다가 새벽에 일어나서 조금 마무리 하다가 너무 졸려서 다시 기절.. 햄햄..

10월 22일 목요일

오늘 할일

• 초급 플젝
  • ✅ 깃 확인해보기 : 오전
  • ✅ 데이터 다운로드 받기 : 오후
  • ✅ 깃 전체적으로 해보기 : 오후
  • ✅ 데이터 확인하면서 EDA 계획 세우고 진행 : 오후
  • 🫪 EDA 진행 :
  • 🫪 EDA 정리 : 오후
  • 사전 공부 : 새벽
    • 회의하면서 궁금증 검색해보기
    • 자료 읽어보기
      • https://velog.io/@w00ship24/초급-프로젝트-진행-가이드
      • https://www.yactopia.com/insights/claude-foreign-medguide
      • https://github.com/boostcampaitech3/level2-object-detection-level2-cv-14
      • https://github.com/boostcampaitech7/level2-objectdetection-cv-14/pulls
      • https://github.com/shefalishr95/Object-detection-using-YOLOv8-and-RT-DETR/tree/main

• ❌ 스터디
  • ❌ 방향 잡기 : 운동 다녀와서
  • ❌ 자료 만들기 : 자기 전 끝내기

오늘 회고 및 일기

게으름 이슈로 어제 기절해버린.. 오늘 밤샘 각이다.. 오늘 어느정도 할일을 해야 내일.. 약속.. 취소해야되나.. 깃만 계속 만지다가 하루가 다 가버린.. 뭔가 output이 별로 없으니까 너무 허무해서 어이가 없다.. 그래도 강사님께서 지금 사고 치라고 하셨으니 지금은 test로 이것 저것 뭔가 건드려봐야겠다..

10월 23일 금요일

오늘 할일

• 초급 프로젝트
  • EDA 진행

• 뿡뿡데이
  • 논문 찾아보기

오늘 회고 및 일기

10월 24일 토요일

오늘 할일

오늘 회고 및 일기

10월 25일 일요일

오늘 할일

오늘 회고 및 일기

책 읽기 전..

Chapter2_(1)에서는..

2.1 임의표본추출과 표본편향
→ 표본은 '많이'보다 '잘' 뽑는 게 중요

2.2 선택편향
→ 수많은 결과 중 좋은 것만 고르면 우연을 진짜 패턴으로 착각할 수 있음

2.3 통계학에서의 표본분포
→ 표본이 달라지면 평균 같은 통계량도 달라짐
→ 표본평균들의 분포가 표본분포

2.4 부트스트랩
→ 실제 모집단에서 다시 뽑기 어려우니
   현재 표본에서 복원추출해서 통계량의 흔들림을 추정

중심극한정리에서 정규분포에 가까워지는 건 원래 데이터가 아니라 ‘표본평균들의 분포’ Bootstrap은 새로운 정보를 만드는 게 아니라, 현재 표본으로 통계량의 불확실성을 추정하는 방법

이번엔..?

2.5 신뢰구간

"평균을 하나의 숫자로 딱 말하는 것보다, 어느 정도 범위로 말하는 게 더 안전하지 않을까?” 예를 들어 표본에서 평균 키가 170cm 나왔다고 해보자. 표본평균 = 170cm

그런데 표본을 다시 뽑으면 169.5cm, 170.8cm처럼 조금씩 달라질 수 있잖아. 그래서

평균이 정확히 170이다!

보다는

모평균이 대략
168.5cm ~ 171.5cm 정도에 있을 것으로 추정

처럼 구간으로 표현하는 게 신뢰구간이야. 읽으면서 생각할 질문은

“왜 점 하나보다 구간이 더 많은 정보를 주는가?”

그리고 아주 중요한 포인트 하나:

신뢰구간이 넓다 = 불확실성이 크다 신뢰구간이 좁다 = 추정이 더 정밀하다

햄햄.. 마음을 넓게 생각하느냐.. 확실하게 하냐..?

2.6 정규분포

“왜 통계책에서는 정규분포를 이렇게 자주 사용할까?”

<핵심>

• 평균 근처에 값이 많이 모이고
• 양쪽으로 갈수록 값이 줄어들고
• 평균을 기준으로 대칭

표준정규분포와 z-score도 연결될 가능성이 높아. z-score는 쉽게 말하면

“이 값이 평균에서 표준편차 몇 개만큼 떨어져 있나?”

예를 들어:

평균 = 70
표준편차 = 10

점수 90
→ 평균보다 20 높음
→ 표준편차 2개만큼 높음
→ z = 2

정도로 읽으면 됨 오호이.. 표준편차와의 관계도 조금 이해가 되는 햄햄..

• QQ plot : “내 데이터가 정규분포와 비슷한가?” 를 눈으로 확인하는 도구

2.7 긴 꼬리 분포

“현실 데이터가 정말 항상 예쁜 종 모양일까?”

-> 정규분포를 너무 믿으면 안 된다는 이야기

예를 들어 소득이나 주식 수익률 같은 데이터는: ... 얘도 나 놀리는건가.. 햄햄..?

대부분의 값
████████████

큰 값
███

엄청 큰 값
█

극단적으로 큰 값
.

처럼 아주 드문 극단값이 멀리까지 나타날 수 있어. 이런 경우를 긴 꼬리 분포(Long-tailed distribution)와 연결해서 봐. 여기서 중요한 건:

긴 꼬리 = 극단적인 값이 정규분포보다 더 자주 나타날 수 있음

이라는 점이야. 그래서 읽으면서:

“정규분포라고 가정했을 때보다 현실의 극단값이 더 자주 나오지는 않는가?”

를 생각해봐. 이 부분은 데이터 과학에서 꽤 중요해. 이상치, 금융 데이터, 서버 지연시간 같은 데서 긴 꼬리가 자주 문제가 되거든.

2.8 스튜던트의 t 분포

“표본이 작고 모집단의 표준편차도 모를 때는 정규분포를 그대로 써도 될까?”

정규분포와 t 분포는 모양이 비슷함

t 분포는 정규분포보다 꼬리가 조금 더 두꺼움 왜냐하면 표본이 작으면 우리가 가진 정보가 적어서:

“추정에 좀 더 불확실성이 있겠지?”

라고 반영

표본이 작을수록 t 분포는 더 퍼져 있음 표본이 커질수록 t 분포는 정규분포와 비슷해짐

• 음.. 비슷한 모양이지만..좀 더 유연한 선이 그려진다는 말인가 햄햄...*

정리

지난주
표본을 다시 뽑으면
통계량이 흔들린다
        ↓
Bootstrap으로
그 흔들림을 추정
        ↓

2.5 신뢰구간
“그럼 추정값을 어느 범위로 말할까?”
        ↓

2.6 정규분포
“통계량의 분포를 설명할 때
대표적으로 어떤 분포를 쓰지?”
        ↓

2.7 긴 꼬리 분포
“근데 현실 데이터가
항상 정규분포처럼 생기진 않는데?”
        ↓

2.8 t 분포
“특히 표본이 작고 불확실성이 크면
어떤 분포를 쓰지?”

책 읽는 중..

2.5

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

2.6

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

2.7

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

2.8

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

정리

2.5 신뢰구간
“추정값이 어느 정도 범위에 있을까?”
        ↓
2.6 정규분포
“통계량의 분포를 설명할 대표적인 기준 분포는?”
        ↓
2.7 긴 꼬리 분포
“하지만 현실 데이터가 항상 정규분포는 아니다!”
        ↓
2.8 t분포
“특히 표본이 작고 σ를 모르면 불확실성을 더 반영해야 한다.”

책 읽은 후..

퀴즈

총 10문제에서 6문제 맞췄다햄.. 갈수록 용어도 헷갈리고 이해가 잘 되지 않는다햄햄..

• z-score 해석
• 흑고니 이론
• t분포와 자유도 관계
• t 통계량의 의미

2차로 2문제 더..

• z-score의 부호와 해석: 음수면 평균보다 아래, 양수면 평균보다 위
• t 통계량의 의미: 평균 차이를 표준오차와 비교한 값

3차.. 너무 어렵자나햄!!!!ㅠㅠㅠ

• t 통계량 = 평균 차이가 표준오차의 몇 배인지 나타내는 값

이것만.. 8차에 드디어 맞춘햄햄.. 이게 맞냐햄햄..

t값 = 내가 발견한 ‘차이’가 데이터의 ‘흔들림’에 비해 몇 배나 큰지를 나타내는 숫자.

나의 생각

가면 갈수록 질문이 많아진햄햄.. 뭔가 이해한 것 같기도 하면서도 아닌것 같햄..

1-1. 머신러닝의 기본적인 고민

예를 들어 Titanic 데이터라면,

성별     나이    객실등급    생존
여성     25       1등석       1
남성     40       3등석       0
남성      8       3등석       0
여성     30       2등석       1

"이 사람은 생존할까?”

Decision Tree 예시

         Sex?
       /      \
    여성       남성
    ↓          ↓
  생존       사망

실제 데이터에서는

남성 + 어린아이 → 생존
남성 + 고위층 → 생존
여성 + 3등석 → 사망

같은 예외가 존재

문제

하나의 간단한 모델만으로 모든 데이터를 정확하게 설명하기 어렵다.

1-2. 그렇다면 모델 하나를 엄청 복잡하게 만들면 되지 않을까?

Decision Tree를 계속 복잡하게 만들면

Tree 1
 ├─ Sex
 │   ├─ Age
 │   │   ├─ Pclass
 │   │   │   ├─ ...
 │   │   │   └─ ...
 │   │   └─ ...
 │   └─ ...
 └─ ...

훈련 데이터는 굉장히 잘 맞출 수 있음

그런데 너무 복잡하게 학습하면

훈련 데이터에만 지나치게 적응하는 Overfitting(과적합)

이 발생

머신러닝에서는 이런 고민이 생김

💡 하나의 강력한 모델만 사용하는 게 아니라, 여러 개의 모델을 적절하게 결합하면 더 좋은 예측을 할 수 있지 않을까?

여기서 앙상블(Ensemble)이라는 아이디어가 등장

2. 다른 알고리즘이랑 차이점?

2-1. 앙상블(Ensemble)

여러 모델의 의견을 합쳐서 하나의 더 좋은 결과를 만드는 방법

시험 문제

A 학생 → 답 2
B 학생 → 답 2
C 학생 → 답 3
D 학생 → 답 2

여러 사람에게 물어봤더니

2 → 3명
3 → 1명

이라면

" 2 가 맞을 가능성이 높겠네."

라고 판단

즉,

💡 여러 개의 모델을 결합하여 하나의 더 좋은 모델을 만드는 방법

2-2. Variance ? Bias?

Variance = 👂 팔랑귀 : 타켓 맞추는데 주변 말을 많이 들을 수록(High) 잘 휘둘림(범위가 넒음)

Bias = 🗿 고집쟁이 : 고집이 셀수록(High) 타겟을 정확하게 맞추기 힘듦

Variance = Bagging

"팔랑귀 모델 여러 개의 의견을 모아서 서로의 흔들림을 줄이자.”

높은 Variance

학생이 공부한 문제는 엄청 잘 풉니다.

연습문제
→ 100점

그런데 시험
→ 60점

연습문제에 너무 적응

"어떤 데이터를 학습시켰느냐에 따라 모델이 너무 많이 흔들린다."

Bias = Boosting

“고집쟁이 모델의 부족한 부분을 계속 보완해서 Bias를 줄이자.”

예를 들어, 시험 문제를 푸는 학생

높은 Bias

학생이 문제 자체를 잘 모름

문제 100개

→ 50개 정도밖에 이해하지 못함

공부 방법 자체가 부족

“데이터의 중요한 패턴을 제대로 학습하지 못하는 것”

2-3. Bagging vs Boosting

전체적인 목적

$$ Error≈Bias^2+Variance+Noise $$

Bias² : 모델이 너무 단순해서 발생하는 오차

WHY 제곱함? : 음수와 양수를 상쇄시키지 않기 위해 & 큰 오차를 더 크게 반영하기 위해

⇒ 그 편향으로 인해 발생하는 오차의 크기

Variance : 학습 데이터에 따라 모델이 너무 민감하게 변해서 발생하는 오차

Noise : 데이터 자체에 존재하는 제거하기 어려운 오차(그날 컨디션 / 갑작스러운 실수… )

둘 다 여러 개의 Decision Tree를 사용

but, 만드는 방식이 완전히 다름

앙상블
│
├── Bagging
│     └── 여러 모델을 독립적으로 학습
│         → Variance 감소
│         → 안정성 향상
│
└── Boosting
      └── 모델을 순차적으로 학습
          → Bias 감소
          → 정확성 향상

2-2-1. Bagging : Random Forest = 여러 명이 독립적으로 문제를 풀게 한다

Random Forest는 여러 개의 Tree를 만듦

데이터
 ↓
 ├── Tree 1
 ├── Tree 2
 ├── Tree 3
 ├── Tree 4
 └── Tree 5
       ↓
    결과 종합

각 Tree는 서로 독립적으로 학습

예를 들어,

Tree 1 → 생존
Tree 2 → 사망
Tree 3 → 생존
Tree 4 → 생존
Tree 5 → 생존

그러면 다수결로

생존

이라고 판단 → 하나의 Tree가 우연히 잘못 판단했더라도 다른 Tree들이 그 영향을 완화

핵심

💡 개별 모델의 흔들림을 여러 모델의 결합으로 평균내어 완화

Bagging의 한계

여러 개의 모델을 서로 독립적으로 학습시킨 뒤 결과를 결합

예를 들어 Decision Tree를 여러 개 만든다면,

              Training Data
                   │
        ┌──────────┼──────────┐
        ↓          ↓          ↓
     Tree 1     Tree 2     Tree 3
        │          │          │
        └──────────┼──────────┘
                   ↓
              최종 예측

각 모델은 서로의 결과를 신경 쓰지 않고 독립적으로 학습

이러한 방식은 모델의 분산(Variance)을 줄이는 데 효과적 But, 각각의 모델이 가지고 있는 편향(Bias)을 크게 개선하는 데에는 한계

분산을 줄이면 복잡도가 낮아짐 ⇒ 모델 자체가 너무 단순

모델 1 → 틀림
모델 2 → 틀림
모델 3 → 틀림
모델 4 → 틀림

여러 개를 평균내도 계속 틀릴 수 있음

⇒ 모델 자체의 Bias가 높기 때문

즉,

💡 “각각의 약한 모델을 독립적으로 많이 만드는 것”이 아니라, 이전 모델이 부족했던 부분을 다음 모델이 보완하면 어떨까?

라는 아이디어에서 Boosting이 등장

2-2-2. Boosting = 앞사람의 실수를 뒷사람이 보완한다

전체적인 흐름

데이터
 ↓
Tree 1
 ↓
"어디를 틀렸지?"
 ↓
Tree 2
 ↓
"Tree 1이 틀린 부분을 집중적으로 보자."
 ↓
Tree 3
 ↓
"이번에는 Tree 2까지 틀린 부분을 보완하자."
 ↓
...
 ↓
최종 결과

💡 앞의 모델이 잘못 예측한 부분을 다음 모델이 집중적으로 학습

3. 그래서 어떻게 풀어? Solve

예를 들어 데이터가 5개

데이터     실제값
A           0
B           0
C           1
D           1
E           1

Step 1. 첫 번째 약한 모델 - 첫 번째 Tree

Tree 1

A → 0 ✅
B → 0 ✅
C → 0 ❌
D → 1 ✅
E → 0 ❌

2개를 틀림

Boosting 생각

"A, B, D는 잘 맞췄는데 C, E를 틀렸네?"

Step 2. 틀린 데이터에 집중

다음 모델을 만들 때

C
E

처럼 이전 모델이 어려워했던 데이터에 더 집중

그러면 두 번째 Tree는

Tree 2

C → 1 ✅
E → 1 ✅

처럼 이전 모델이 못 풀었던 부분을 보완

Step 3. 또 부족한 부분을 찾는다

위의 예시는 간단한데, Tree 2에서 모든 문제를 해결하지 못할 수도 있음

그러면 다시

Tree 1
   ↓
잘못 예측한 부분
   ↓
Tree 2
   ↓
아직 틀린 부분
   ↓
Tree 3
   ↓
...

이 과정을 반복

한마디로 요약

💡 약한 모델(Weak Learner)을 순차적으로 연결하면서 이전 모델의 부족한 부분을 계속 보완하는 것

3-1. 그래서 왜 "Weak Learner"를 사용하는가?

Boosting에서는 보통 Weak Learner(약한 학습기) 사용

WHY?

오답 노트를 해야 하니까

예를 들어 Tree의 깊이를 아주 깊게 설정

Tree 1
 ├─ Sex
 │   ├─ Age
 │   │   ├─ Pclass
 │   │   │   ├─ ...
 │   │   │   └─ ...
 │   │   └─ ...
 │   └─ ...
 └─ ...

첫 모델에서 정답을 거의 맞춰버리면 다음 모델에서 오답노트 할게 없음..

그래서 Tree의 깊이를 아주 얕게 설정

        Sex?
       /    \
    여성     남성

이런 모델 하나만 보면 당연히 성능이 좋지 않을 수 있음

그런데 중요한 건

💡 이런 약한 모델을 하나만 사용하는 게 아니라 여러 개를 순차적으로 결합한다는 것

3-2. "보완 + 보완 + 보완”

첫 번째 Tree:

"나는 성별을 기준으로 어느 정도 구분할 수 있어."

두 번째 Tree:

"그런데 첫 번째 Tree가 어린 남성을 많이 틀렸네. 나는 그 부분을 보완할게."

세 번째 Tree:

"그런데 이번에는 1등석 여성 중 일부를 틀렸네. 내가 그 부분을 보완할게."

네 번째 Tree:

"아직 이런 패턴을 못 잡았네. 내가 보완할게."

3-3. 그런데 "틀린 데이터에 집중한다"는 게 정확히 무슨 뜻일까?

여기서 Boosting 알고리즘별 차이 발생

전체적인 흐름

                    Boosting
                       │
          ┌────────────┴────────────┐
          ↓                         ↓
      AdaBoost             Gradient Boosting
                                      │
                         ┌────────────┼────────────┐
                         ↓            ↓            ↓
                      XGBoost      LightGBM      CatBoost

XGBoost, LightGBM, CatBoost는 각각 독립적인 구현과 기능을 가진 Gradient Boosting 계열의 고성능 라이브러리/알고리즘

3-3-1. AdaBoost

틀린 데이터의 가중치(weight)를 높이는 방식

처음

A  B  C  D  E
1  1  1  1  1

↓

Tree 1이 C, E를 틀림

A  B  C  D  E
1  1  ↑  1  ↑

↓

다음 Tree는 C, E에 더 집중

수식 맛보기… 질.문.사.절. → 유튜브 보거나 GPT 물어보센^0^

처음엔 모든 샘플 가중치가 동일

첫번째 모델

두번째 모델

세번째 모델

최종모델

3-3-2. Gradient Boosting

현모델이 만든 예측값과 실제값의 차이, 즉 오차(residual)를 다음 모델이 학습

실제값
   -
현재 모델의 예측
   =
오차
   ↓
다음 Tree가 오차를 학습

각 단계에서 손실함수(loss)의 gradient를 이용해 현재 모델의 오차를 줄이는 방향으로 새로운 학습기를 추가

수식 맛보기… 질.문.사.절. → GPT 한테 물어보는게 더 정확함^0^

$$ F_m(x)=F_{m-1}(x)+\eta h_m(x) $$

• F_{m-1}(x): 지금까지 만든 ensemble
• h_m(x): 현재 손실을 줄이는 방향을 학습한 새 Tree
• η: 새 Tree의 기여도를 줄이는 learning rate

“잔차를 학습한다”는 말은 언제 정확할까?

제곱 오차를 사용하는 회귀에서는 실제값과 현재 예측값의 차이를 잔차로 사용

$$ r_i=y_i-F_{m-1}(x_i) $$

다음 Tree가 잔차를 학습

But, 분류의 log loss나 다른 손실 함수에서는 학습 신호가 단순한 실제값 - 예측값과 같지 않음

더 일반적인 표현

$$ r_{im} =-\left[ \frac{\partial L(y_i,F(x_i))}{\partial F(x_i)} \right]{F=F{m-1}} $$

즉,

다음 Tree는 현재 손실 함수의 음의 기울기를 근사 : 의사잔차(pseudo-residual)

💡 제곱오차 회귀에서는 “잔차를 학습한다”가 정확한 직관 일반적인 Gradient Boosting에서는 “손실의 음의 기울기, 즉 의사잔차를 학습한다”가 더 정확

3-3-3. XGBoost

Gradient Boosting을 기반

$$ F_m(x)=F_{m-1}(x)+\eta h_m(x) $$

Tree를 계속 추가하면 과적합될 수 있다

Boosting은 이전 모델의 부족한 부분을 계속 보완하기 때문에 학습을 너무 많이 하면

"실제로 중요한 패턴"뿐만 아니라

"훈련 데이터에만 존재하는 작은 특징이나 Noise"

까지 학습

그래서 정규화(Regularization)를 목적 함수에 포함

XGBoost에서는 여기에 Tree의 복잡도에 대한 페널티까지 고려

목적 함수(Objective Function)

$$ Obj = Loss + \Omega(Tree) $$

여기서

• Loss → 실제 정답과 예측값의 차이
• Ω(Tree) → Tree가 얼마나 복잡한가

즉,

정답을 잘 맞추는 것 + 너무 복잡한 Tree를 만들지 않는 것

그래서 XGBoost가 일반적인 Gradient Boosting보다 과적합에 강하도록 설계된 이유 중 하나가 바로 정규화

Tree의 복잡도는 어떻게 측정할까?

Tree의 복잡도

$$ \Omega(f) = \gamma T + \frac{1}{2}\lambda\sum_{j=1}^{T}w_j^2 $$

조금만 해석해보면:

• $T$ → Tree의 Leaf 개수
• $w_j$ → 각 Leaf의 가중치
• $\gamma$ → Leaf가 많아지는 것에 대한 페널티
• $\lambda$ → Leaf의 가중치가 너무 커지는 것을 제한하는 정규화

즉,

$$ \gamma \uparrow \Rightarrow \text{Leaf를 쉽게 늘리지 않음} $$

그리고

$$ \lambda\uparrow\Rightarrow\text{Leaf의 가중치를 과도하게 크게 만들지 않음} $$

핵심

💡 Loss만 최소화하지 않고 Tree의 복잡도까지 함께 고려한다.

3-3-4. LightGBM

Gradient Boosting을 기반 ⇒ Tree를 만드는 방식과 계산 효율

Level-wise vs Leaf-wise

일반적인 Tree 성장 방식은 쉽게 말하면 Level-wise야.

        Root
       /    \
      ●      ●
     / \    / \
    ●   ●  ●   ●

한 단계씩 균등하게 Tree를 확장

반면 LightGBM은 기본적으로 Leaf-wise 방식

        Root
       /    \
      ●      ●
     / \
    ●   ●
       / \
      ●   ●

모든 Leaf를 똑같이 확장하는 게 아니라,

현재 Loss를 가장 많이 줄일 수 있는 Leaf를 선택해서 집중적으로 분할

장점

Tree를 효율적으로 성장시키기 때문에

학습 속도가 빠르고 높은 예측 성능을 얻을 수 있다.

특히 데이터가 커질수록 LightGBM의 장점이 커짐

단점

Leaf-wise는 좋은 분할을 계속 선택하기 때문에 Tree가 특정 부분에 굉장히 깊게 성장할 수 있어.

그래서 데이터가 많지 않은 상황에서는 오히려

과적합이 발생하기 쉬울 수 있어.

특히 LightGBM에서 중요한 파라미터가 바로 num_leaves

핵심

LightGBM = 빠른 학습과 대규모 데이터 처리에 강한 Gradient Boosting

3-3-5. CatBoost(Categorical + Boosting)

범주형(Categorical) 변수 처리에 강한 Gradient Boosting 알고리즘

범주형 변수가 뭔데?

Titanic 데이터라면,

Sex      → male / female
Title    → Mr / Miss / Mrs
Embarked → S / C / Q

이런 식으로 숫자의 크기보다 종류 자체에 의미가 있는 변수

그런데 모델이 학습하려면 결국 숫자로 바꾸는 과정이 필요

예를 들어 Embarked를 One-Hot Encoding 하면

Embarked     S    C    Q
   S         1    0    0
   C         0    1    0
   Q         0    0    1

종류가 적으면 괜찮은데,

범주의 종류가 많아짐
        ↓
One-Hot Encoding으로 생기는 열도 많아짐
        ↓
메모리 사용량과 계산 부담이 커질 수 있음

그래서 CatBoost는

"범주형 변수를 어떻게 숫자로 바꿀지, 학습 과정에서 같이 처리하면 어떨까?"

라는 방향

그래서 어떻게 처리함?

cat_features로 범주형 변수를 알려주면 CatBoost가 내부에서 처리

대표적인 방법은 범주별 정답 정보를 이용한 통계값(Target Statistics)

Titanic의 생존 여부라면,

"같은 범주에 속한 사람들은 얼마나 생존했지?"

같은 정보를 숫자로 표현하는 것

But, 여기서 주의할 점

정답을 미리 보면 안 되잖아..?

예를 들어 어떤 Title에 해당하는 사람이 딱 한 명이고, 그 사람이 생존했다면

그 사람의 정답 = 1
        ↓
그 사람까지 포함해서 범주별 생존율 계산
        ↓
범주를 바꾼 숫자에 자기 정답이 반영됨

학습할 때 정답을 슬쩍 보고 문제를 푸는 것과 비슷

⇒ 정답 누출(Target Leakage) 문제

그래서 CatBoost는 데이터를 임의의 순서로 놓고,

현재 데이터보다 앞에 있는 데이터의 정답만 이용해서 범주형 통계값을 계산

하는 방식 사용 : Ordered Target Statistics

임의로 정한 순서

A → B → C → D

C의 범주형 통계값 계산
        ↓
A, B 중 같은 범주의 데이터만 참고
        ↓
C 자신의 정답과 뒤에 있는 D의 정답은 사용하지 않음

이렇게 자기 정답이 자기 입력값에 직접 섞이는 문제를 줄임

실제로는 데이터가 적은 범주에서 통계값이 너무 튀지 않도록 사전값(prior)도 함께 사용

범주의 종류가 적을 때는 내부적으로 One-Hot Encoding을 사용하기도 함. 모든 범주형 변수를 같은 방식으로 처리하는 건 아님!

Ordered Boosting은 또 뭐야..?

위에서는 범주형 변수를 숫자로 바꾸는 과정에서 정답 누출을 줄였다면,

Ordered Boosting은 다음 Tree가 배울 오차를 계산하는 과정에서 생기는 편향을 줄이기 위한 방법

"이 데이터의 오차를 구할 때, 이 데이터의 정답을 이미 학습한 모델을 쓰면 너무 유리하지 않을까?"

라는 고민

임의의 순서에서 앞선 데이터로 학습한 모델을 이용해 현재 데이터의 학습 신호를 구하는 아이디어

⇒ 학습 데이터와 새로운 데이터에서 예측의 성질이 달라지는 Prediction Shift를 줄이려는 것

단, CatBoost가 항상 Ordered Boosting으로 동작하는 건 아님

boosting_type에 따라 Ordered / Plain 방식을 사용하며, 기본값은 실행 환경과 데이터 조건에 따라 다름

장점

• 범주형 변수를 직접 지정해서 사용할 수 있어 별도의 인코딩 부담이 적음
• 범주형 통계값을 만들 때 정답 누출을 줄이도록 설계
• 숫자형 변수와 범주형 변수가 섞인 정형 데이터에서 활용하기 좋음

주의할 점

전처리가 아예 필요 없는 건 아님..!

• 범주형 열의 결측값과 자료형은 확인해야 함
• Train / Validation / Test 분리는 여전히 필요
• iterations, learning_rate, depth 등에 따라 과적합될 수 있음
• 항상 XGBoost나 LightGBM보다 성능이 좋거나 빠른 것은 아님

핵심

💡 CatBoost = 범주형 변수 처리를 학습 과정에 포함하고, 정답 누출과 예측 편향을 줄이는 방법을 도입한 Gradient Boosting

범주형 변수 알려주는 코드는 뒤의 4-4-5. CatBoost에서 확인하면 됨^0^

참고 : 범주형 변수 처리, 범주형 통계값 계산, CatBoost 논문

4. 그래서 우리는 코드로 어떻게 활용함?

라이브러리 사용

from sklearn.ensemble import GradientBoostingClassifier

from xgboost import XGBClassifier

4-1. 파라미터

예를 들어, Gradient Boosting - Titanic : 생존 여부 0/1을 예측하는 분류 문제

from sklearn.ensemble import GradientBoostingClassifier

model = GradientBoostingClassifier(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=3,
    random_state=42
)

model.fit(X_train, y_train)

y_pred = model.predict(X_test)

4-1-1. n_estimators : Tree 개수

n_estimators=100

약한 Tree를 100개 정도 순차적으로 만들어보자.

Tree 1
 ↓
Tree 2
 ↓
Tree 3
 ↓
...
 ↓
Tree 100

n_estimators=Tree의 개수

Boosting은 여러 Tree를 순차적으로 추가하니까 Tree가 많아질수록 모델이 복잡

너무 적으면

모델이 충분히 학습하지 못할 수 있음

$$ \text{n_estimators}\downarrow\rightarrow\text{Underfitting} $$

너무 많으면

Training Data를 지나치게 학습할 가능성이 있음

n_estimators↑→Overfitting 위험 ↑

$$ \text{n_estimators}\uparrow\rightarrow\text{Overfitting 위험}\uparrow $$

4-1-2. learning_rate

$$ F_m(x)=F_{m-1}(x)+\eta h_m(x) $$

새로운 Tree가 기존 모델에 얼마나 강하게 영향을 미칠 것인가?

learning_rate=0.1

한 번에 너무 크게 수정하지 않고 작게 조금씩 보완

한 번에 100% 수정 ❌

10%
→ 10%
→ 10%
→ 10%
→ ...

$$ η↑ $$

→ 한 번에 크게 보완 → 빠르게 학습 → 과적합 위험 증가 가능

$$ η↑ $$

→ 조금씩 보완

→ 더 많은 Tree 필요

$$ \text{Learning Rate}\downarrow\Rightarrow\text{n_estimators}\uparrow $$

4-1-3. max_depth

각 Decision Tree를 얼마나 깊게 만들 것인가? : Tree가 너무 복잡해지지 않도록 깊이를 제한

max_depth=3

주의할 점

Tree가 복잡해짐
       ↓
훈련 데이터에 지나치게 맞춤
       ↓
Overfitting 가능성 ↑

4-2. 중요 관계

Tree를 적게 만들고 깊게 만드는 것

n_estimators ↓
max_depth ↑

각각의 Tree가 강해짐

Tree를 많이 만들고 얕게 만드는 것

n_estimators ↑
max_depth ↓

약한 Tree를 여러 개 연결해서 성능을 높이는 방식

⇒ Boosting의 기본 철학은 후자에 가까움

"각 모델을 엄청 강하게 만드는 게 아니라, 약한 모델들을 잘 연결하자."

4-4. 각 파라미터 요약 설명

4-4-1. AdaBoost

from sklearn.ensemble import AdaBoostClassifier

model = AdaBoostClassifier(
    n_estimators=100,
    learning_rate=0.1
)

코드 설명

• AdaBoostClassifier → 여러 개의 약한 학습기를 순차적으로 결합하는 분류 모델
• n_estimators → 약한 학습기를 몇 개 결합할지
• learning_rate → 각 학습기가 최종 결과에 미치는 영향력
• estimator → 어떤 약한 학습기를 사용할지 결정

핵심

n_estimators + learning_rate 조합을 중요

4-4-2. Gradient Boosting

from sklearn.ensemble import GradientBoostingClassifier

model = GradientBoostingClassifier(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=3,
    subsample=0.8
)

코드 설명

• GradientBoostingClassifier → 이전 모델의 Loss를 줄이는 방향으로 다음 모델을 추가
• n_estimators → Tree를 몇 개 만들지
• learning_rate → 각 Tree의 영향력
• max_depth → Tree의 복잡도
• subsample → 각 Tree 학습에 사용할 데이터 비율

핵심

learning_rate ↓ ⇒ n_estimators ↑ 관계 이

4-4-3. XGBoost

from xgboost import XGBClassifier

model = XGBClassifier(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=3,
    gamma=0.1,
    reg_alpha=0.1
)

코드 설명

• XGBClassifier → Gradient Boosting을 기반으로 성능과 속도, 정규화 등을 개선한 알고리즘
• n_estimators=100 → Tree를 100개 사용
• learning_rate=0.1 → 각 Tree의 영향력을 조절
• max_depth=3 → Tree가 너무 복잡해지는 것을 제한
• gamma → Tree의 추가 분할을 제한
• reg_alpha → L1 정규화 : 모델의 복잡도를 제한하는 역할
• reg_lambda → L2 정규화 : Leaf의 가중치가 지나치게 커지는 것을 억제

핵심

Tree의 분할과 정규화 등을 세밀하게 조절할 수 있다는 특징

4-4-4. LightGBM

from lightgbm import LGBMClassifier

model = LGBMClassifier(
    n_estimators=100,
    learning_rate=0.1,
    num_leaves=31,
    min_child_samples=20,
    feature_fraction=0.8
)

코드 설명

• LGBMClassifier → Gradient Boosting을 기반으로 빠르고 효율적으로 학습하도록 설계된 알고리즘
• n_estimators=100 → Boosting 반복 횟수
• learning_rate=0.1 → 각 Tree의 영향력 조절
• num_leaves=31 → 하나의 Tree가 가질 수 있는 최대 Leaf 개수 → 값을 크게 하면 모델이 복잡해질 수 있음
• min_child_samples → Leaf가 가져야 하는 최소 데이터 수
• feature_fraction → Tree 학습에 사용할 Feature 비율

핵심

Leaf-wise 방식으로 Tree를 성장시키며, num_leaves + max_depth 함께 확인하는 것이 중요

4-4-5. CatBoost

from catboost import CatBoostClassifier

model = CatBoostClassifier(
    iterations=100,
    learning_rate=0.1,
    depth=6,
    verbose=0,
    cat_features=['Sex', 'Title', 'Embarked']
)

코드 설명

• CatBoostClassifier → Gradient Boosting 기반이며 범주형 변수(Categorical Feature)를 잘 처리하도록 설계된 알고리즘
• iterations=100 → Boosting을 100번 반복
• learning_rate=0.1 → 각 반복에서 새로운 Tree가 반영되는 정도
• depth=6 → Tree의 깊이를 제한하여 복잡도를 조절
• verbose=0 → 학습 과정에서 출력되는 로그를 숨김
• cat_features → 범주형 Feature 지정

핵심

범주형 Feature를 별도의 복잡한 전처리 없이 효과적으로 처리할 수 있다는 특징

코드잇 11주차

이번주 할일

• ✅ 미션7 제출(제출 마감 : 10월 12일)
  • ✅ 12일 월 : 마무리 & 제출

• ✅ 미션8 제출(제출 마감 : 10월 16일)
  • ❌ 12일 월 :
  • ❌ 13일 화 :
  • 😱 14일 수 : 꿀팁들 전수 받은..햄햄..ㅎ
  • ✅ 15일 목 : EDA 끝내기
  • 🫠 16일 금 : 돌리기..마무리 & 제출
  • ✅ 17일 토 : 마무리..ㅎ

• ✅ 미션9
  • ✅ EDA 진행
  • 🫠 Github 세팅하기
  • 🫠 Github Push 하기

• ❌ 미션6 & 7 & 8

• ✅ 스터디
  • ✅ Normalization과 그 필요성에 대해서
    • ✅ 발표 자료 만들기
    • ✅ 발표하기(14일 17시)
  • 🫠 다음 주제 : VAE (23일 금요일 발표)
    • 🫠 발표 자료 만들기 : 다음주 월욜부터 만들기!!

• ✅ 위클리 페이퍼 #10 (10월 14일)

• ✅ 멘토링(10월 12일 7시)
  • ✅ 회고 및 질문 적기

• ✅ 책 인증 : ~ 2.8

이번주 다짐

이번주는 정신 차리로 제대로 하자햄..!! 초급 플젝 시작이 이제 얼마 안남았다햄..!!

10월 12일 월요일

오늘 할일

• 🫪 미션7 제출
  • ✅ 모델 학습
  • 🫪 정리

• 🫪 스터디
  • 🫪 자료 만들기 : 미션8에서 정규화 했을때와 안했을때 비교

• 🫪 미션8
  • 🫪 EDA 진행

오늘 회고 및 일기

캐글 GPU 좋잖햄..? 근데 세팅하는게 너무 어렵햄... 세팅 하느라 하루에 1/3을 날려 먹었햄.. 미션 보고서 작성에 학습도 돌려야하는데 오늘 안에 할 수 있나햄..? 결국엔 스카에서 잤다햄..햄햄.. 겨우 새벽에 마무리 하고 제출.. 햄햄.. 전체적인 정리는 최대한 빠른 시일 내에 진행해야되겠햄.. 이번 미션도 최대한 빨리 진행하고.. 초급 플젝에 좀 더 생각을 많이 해보자햄..!

10월 13일 화요일

오늘 할일

• 🫪 스터디
  • 🫪 발표 자료 마무리 : 강사님 강의 전
  • ❌ 발표하기 : 오늘..? 내일..?

• ❌ 미션8
  • ❌ EDA 진행 : 오늘 하루 종일..!

• ✅ 축가 연습.. : 운동 끝나고 한 30분..

• ✅ 위클리 페이퍼 #10 작성 : 운동 가기 전..

오늘 회고 및 일기

팡파레.. 망했햄..ㅎ 미션도 망했햄..ㅎ 언젠간.. 미션 다시 정리 할 날을 잡아야겠햄..

10월 14일 수요일

오늘 할일

• 😱 스터디
  • ✅ 발표 자료 마무리 : 강사님 강의 전.. 엎었당ㅎㅎㅎㅎㅎ
  • ❌ 발표하기 : 오늘..? 내일..?

• ✅ 이미지 생성
  • ✅ 강의 듣기
  • 🫪 강의 복습

• 😱 미션8
  • 😱 강사님 자료 보기
  • 😱 방향성 잡기 <랠루가 이것저것 알려줬햄!!>
    • 파일 확장자가 일정하지 않을 수 있음!
    • 정답 & 원본 사진 말고 다른 사진이 존재! 하지만 이건 신경 안 써도 된다~..
    • 폴리곤.. 포켓몬..? 다각형인데 정답파일에 적힌 숫자들이 x,y 좌표를 의미함!!
  • 😱 EDA 진행

오늘 회고 및 일기

오늘 텐엑스 호호.. 도파민 팡팡.. 근데 다들 지쳐서 멘토링 할때 눈에 초점이 없었던게 넘 웃겼햄햄ㅋㅎㅎㅋㅎ 저녁에 맥주 마시고 집 가서 할일 하려고 했지만... 기절햄햄..

10월 15일 목요일

오늘 할일

• ✅ 스터디 회의
  • 사이드 플젝은 매주 화요일 회의

• ✅ 이미지 생성 강의
  • ✅ 강의 듣기
  • 🫠 강의 복습

• 😱 미션8
  • ✅ EDA 진행

오늘 회고 및 일기

오늘 컨디션 약간.. 햄햄.. 졸려햄햄.. 그래도 정신 바짝 차리고 듣는데도 의황 웅니한테 많이 걸렸다..햄햄..ㅎ 요즘 의지 박약이기도 하고 다시 쭈굴모드가 되고 있햄햄.. 머릿속이 짬뽕이 되어서 이게 맞나 싶기도 하고.. 동생 생일초 불고 와서 얘기를 나눴는데 나도 내가 내 방향을 아직도 모르겠다는 것이 문제인 것 같기도 햄햄.. 목표가 정확하게 뭘까..? 햄햄.. 그래도 다들 좋은 얘기해줘서.. 내가 빠르게 방향을 잡으면 될 것 같다 햄햄.. 정말 이연 웅니 없었으면.. 난 진작에 하차 하지 않았을까 생각햄햄..

10월 16일 금요일

오늘 할일

• 🫠 미션8
  • ✅ EDA 마무리
  • ✅ 데이터 분할
  • ✅ 전처리
  • ✅ 데이터 증강
  • ✅ 실험 설계 : ~ 점심 전 or 강의 전
  • 🫠 실험 학습 돌리기
  • 🫠 실험 정리 및 마무리

• 🫪 미션9

• ✅ 알바..

• 🫪 주말 계획 및 앞으로 계획 세우기

오늘 회고 및 일기

바쁘다 현대 사회.. 실기 시간에 강의 오전에 끝날 줄 알았는데 미뤄지고 미뤄져서 결국 알바 가기 직전까지 강의를 듣는... 햄햄.. 그래도 다행인 것은 알바 갈때랑 하는 중에는 강의를 안들어서 다행햄햄..ㅎ 신경써야될 것이 많아져서 그런가.. 안그래도 정신 없는데 알바하는 곳도 난리라 괜히 아빠한테 승질을 냈햄.. (근데 승질 낼만 했.. 에휴..) 그래도 집 가면서 조금 풀어서.. 잘 넘어간 것 같은..? 호호이.. 늦게 집에 들어와서 미션 마무리 하려고 했는데.. 눈꺼풀이 너무 무겁햄.. 이번 미션은.. 정말 간단하게 한것 같기도 해서.. 뭐랄까.. 대충한것 같아서.. 호호.. 초급 플젝 할때 미션들 정리를 좀 해야될 것 같은 느낌이 든다 햄햄..

10월 17일 토요일

오늘 할일

• ✅ 미션8 마무리 및 제출
  • ✅ 추가 실험 진행
  • ✅ 결과 정리

• 🫠 미션9
  • ✅ 자료 찾아보기
  • 🔄 EDA 진행

• 🫠 책
  • 🔄 책 읽기
  • 🔄 책 인증

• 🫪 블로그 작성하기

  • 🫪 블로그 작성 방향 잡기

    <멘토님 추천 블로그>

    • 메인 포트폴리오 - pdf또는 노션
    • Velog: 프로젝트 진행 과정, 트러블슈팅, 모델링 과정, 실험 및 회고 등 상세 내용
    • github: 실제 코드와 README 정리

  < 블로그 작성 방향 >

  • 플젝 관련 설명 - github.io로 블로그 작성해보기?! (초급 플젝 들어가기 전에 하나..)
  • 실제 코드와 README - github
  • 용어 정리 및 개념 정리.. 나만의 웹 사이트 만들고 싶긴 하다..?

오늘 회고 및 일기

푹 자면 더 피곤한 햄햄.. 그냥 잠을 줄이는게 나으려나.. 햄햄.. 하루 종일 느슨해져서 책 읽다가 가족 외식하고 스카 도착.. 미션8 마무리 하고 급 기절.. 햄햄.. 새벽에 다시 일어나서 정신 차리고 블로그 작성 및 미션 해야지..!! 정신 차리자 햄햄..!!

10월 18일 일요일

오늘 할일

• ✅ 미션9
  • 🫪 Github 세팅하기 : 월요일에 같이 하기로 함!!
  • ✅ EDA 진행하기 :

• ✅ 블로그 올리기
  • ✅ 노션 보고 주제 정하기
  • ✅ 블로그 작성하기

• ✅ 책 인증 : ~ 10시
  • ✅ 책 읽기

• ❌ 위클리 진행하기 :

• ❌ 스터디 방향 잡기 : 집 가기 전..

오늘 회고 및 일기

오늘도 알바.. 다녀오면서 블로그 작성하고.. 어렵당.. 놀러는 가고 싶은데 알바가 있어서 놀러 가지는 못하고.. 이번 년도에는 뷰 좋은 카페 가서 힐링하는게 목표인데.. 가능할햄..?ㅠ 북한산도 뷰가 좋다는데.. 도봉구청에서 알바하는데 야외 도서관을 만들었는데 비가 와서 실내에서 진행하는거 구경하다보니 시간 가는 줄 몰랐다.. 나.. 책 좋아했햄..? ㅋㅎㅋㅎㅎㅋ 하긴 내가 지금 공부 하는거 빼고 다 재밌긴햄ㅋㅎㅋㅎㅋㅎ.. 블로그 작성도 마무리하고.. 집으로 햄햄.. 저녁 먹고 스카에 도착하니 9시.. 책 읽은거 정리해서 인증 하고.. EDA 진행하려고 했는데...계획만 세우고 기절해버렸햄.. 그래서 일단 GPT한테 코드 작성해달라고 하고.. 다시 집 가서 기절..

책 읽기 전..

Chapter1에서는..

데이터
 ↓
중심은 어디?
 ↓
얼마나 퍼졌어?
 ↓
분포 모양은?
 ↓
변수끼리 어떤 관계가 있어?

그런데 Chapter2에서는..

갑자기 한 단계 뒤로 물러나햄!!

잠깐...

이 데이터 자체를 믿어도 돼?
전체에서 제대로 뽑아온 거 맞아?
다시 표본을 뽑으면 결과가 똑같을까?

2.1 임의표본추출과 표본편향

“전체 중 일부만 조사한다면 어떤 방식으로 뽑아야 공정할까?”

전국 대학생의 평균 키를 알고 싶다고 해보자.

모집단
전국 대학생 2,000,000명
       ↓
     일부 추출
       ↓
표본 1,000명

우리가 진짜 알고 싶은 건 모집단(population)인데 실제로는 일부인 표본(sample)만 조사하지. 그런데 농구부 학생 1,000명만 조사했다면?

전국 대학생
        ↓
농구부에서만 추출
        ↓
평균 키 계산

이 표본은 전체 대학생을 잘 대표하지 못할 가능성이 크지.

“이 표본을 뽑은 방식에 특정 집단이 더 많이 포함될 이유가 있었나?”

를 계속 생각하자햄!!

여기서는 Bias(편향)를 단순한 “오류”와 구분

편향 = 결과가 특정 방향으로 지속적으로 치우치는 경향

표본 크기 vs 표본 품질

데이터가 많으면 무조건 좋은가?

A 조사
무작위로 1,000명 추출

B 조사
특정 커뮤니티에서 100,000명 조사

B가 100배 크다고 해서 반드시 더 좋은 표본은 아니야. 왜냐하면 B가 특정 사람들만 포함했다면 엄청 큰 편향된 표본이 될 수도 있으니까. 그래서 오늘 기억할 사고방식:

표본의 크기보다 표본을 어떻게 뽑았는지가 먼저다.

2.2 선택편향

“내가 보고 싶은 것만 골라서 보고 있지는 않은가?”

예를 들어 주식 1,000개를 분석한 다음 가장 성과가 좋았던 10개만 가져와서:

“이 전략은 굉장히 좋습니다!”

라고 하면 문제가 있겠지. 처음부터 10개를 정한 게 아니라 결과를 보고 나서 좋은 것만 골랐으니까. 이런 식으로 데이터를 선택하는 과정 때문에 발생하는 오류가 선택편향(selection bias)과 연결돼!

분석 전부터 기준을 정했나?

아니면

결과를 본 뒤
마음에 드는 것만 골랐나?

를 생각햄햄.. 음 내가 보고 싶은것만 보고 싶긴햄.. 내 주식.. 햄햄..😭

Regression to the Mean : 평균으로의 회귀

예를 들어 어떤 학생이 평소 70점인데 이번 시험에서 우연히 100점을 맞았다고 해보자. 다음 시험에서도 반드시 100점일까? 보통은:

평소 70
  ↓
이번 100  ← 매우 극단적인 결과
  ↓
다음 시험
  ↓
70 근처로 돌아갈 가능성이 큼

이런 현상을 평균으로의 회귀라고 해.

“극단적인 결과에는 실력뿐 아니라 우연도 섞여 있을 수 있다.”

를 기억햄햄.. 이거는 validation이 생각나는데 맞을까햄..?

2.3 통계학에서의 표본분포

“표본을 다시 뽑으면 평균도 달라지지 않을까?”

예를 들어 전체 학생이 엄청 많다고 해보자. 여기서 5명을 뽑아 평균을 계산하면:

표본 1
160 170 172 175 180
→ 평균 171.4

표본 2
165 168 169 170 175
→ 평균 169.4

표본 3
...
→ 평균 172.1

표본이 바뀌니까 표본평균도 계속 바뀌지. 그래서:

표본1 → 평균1
표본2 → 평균2
표본3 → 평균3
표본4 → 평균4
...

이렇게 표본평균이라는 통계량 자체의 분포를 보는 게:

Sampling Distribution = 표본분포

주의할 점:

원래 데이터의 분포 ≠ 표본평균들의 분포

라는 걸 꼭 구분해야햄!!.. 감이 올듯 말듯 햄햄..

중심극한정리

이건 또 뭐냐햄....

지금은 수식을 외우기보다는:

원래 모집단이 완벽한 정규분포가 아니더라도, 충분한 크기의 표본을 여러 번 뽑아 평균을 계산하면 그 평균들의 분포가 정규분포에 가까워지는 경향이 있다.

원래 모집단의 데이터 분포
(오른쪽으로 꼬리가 긴 분포)

빈도
│
│ ███
│ █████
│ ███████
│ █████
│ ███
│ ██
│ █
│ █
│ █
└────────────────→ 값

표본평균들의 분포

빈도
│
│          █
│        █████
│      █████████
│    █████████████
│      █████████
│        █████
│          █
└────────────────→ 표본평균

“원래 데이터가 정규분포가 된다”가 아니라 표본평균들의 분포가 정규분포에 가까워진다

Standard Error : 표준오차

표준편차 SD
→ 개별 데이터들이 얼마나 퍼져 있나?

표준오차 SE
→ 표본평균들이 얼마나 퍼져 있나?

SD = 데이터의 흔들림 SE = 추정값의 흔들림

2.4 부트스트랩

“표본을 여러 번 새로 뽑을 수 없다면 어떻게 표본분포를 추정하지?”

현실에서는 모집단으로 돌아가서 계속 새 표본을 뽑기 어렵잖아. 그래서 우리가 이미 가지고 있는 표본을 이용해. 예를 들어 표본이:

10, 20, 30, 40, 50

있다면 여기서 복원추출해.

Bootstrap Sample 1
10, 10, 30, 40, 50

Bootstrap Sample 2
20, 20, 20, 40, 50

Bootstrap Sample 3
10, 30, 30, 40, 40

같은 값이 여러 번 뽑힐 수 있어. 각 샘플의 평균을 계산하면:

Bootstrap 1 → 평균
Bootstrap 2 → 평균
Bootstrap 3 → 평균
...

이 평균들을 모아서:

“내 표본평균이 어느 정도 흔들릴 수 있나?”

를 추정하는 거야.

복원추출

한 번 뽑은 값을 다시 넣고 또 뽑는 거야.

원본
A B C D E

첫 번째 선택
A

A를 다시 넣음

다음 선택에서
A가 또 뽑힐 수 있음

bootstrap sample
A A C D D

정리

전체 모집단
    │
    │ 일부를 뽑음
    ▼
   표본
    │
    ├── 잘못 뽑으면?
    │       ↓
    │   표본편향 / 선택편향
    │
    ├── 다시 뽑으면?
    │       ↓
    │   통계량이 달라짐
    │       ↓
    │   표본분포
    │       ├─ 중심극한정리
    │       └─ 표준오차
    │
    └── 모집단에서 다시 뽑기 어렵다면?
            ↓
        Bootstrap

책 읽는 중..

2 데이터와 표본분포

2.1 임의표본추출과 표본편향

이 표본은 모집단을 제대로 대표하도록 뽑혔는가?

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

2.2 선택편향

결과를 본 뒤 유리한 데이터만 선택한 건 아닌가?

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

2.3 통계학에서의 표본분포

다른 표본을 뽑았다면 이 통계량은 얼마나 달라질까?

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

2.4 부트스트랩

모집단에서 다시 뽑기 어렵다면 현재 표본으로 불확실성을 어떻게 추정할까?

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

정리

2.1  표본을 어떻게 뽑아야 전체를 제대로 대표할까?
 ↓
2.2  데이터를 고르는 과정에서 우연히 좋은 것만 선택한 건 아닐까?
 ↓
2.3  표본을 다시 뽑으면 통계량은 얼마나 달라질까?
 ↓
2.4  실제로 다시 뽑기 어렵다면 현재 표본으로 그 흔들림을 어떻게 추정할까?
      → Bootstrap

책 읽은 후..

퀴즈

총 10문제중 2문제 틀렸햄..!

• 대량의 데이터가 필요한 이유: 희귀한 사건·패턴은 작은 표본에서는 아예 관찰되지 않을 수 있음
• 중심극한정리: 정규분포에 가까워지는 것은 원래 데이터가 아니라 표본평균들의 분포

그중에서 대령의 데이터가 필요한 이유가 잘 이해가 되지 않아서 계속 틀렸긔..

나의 생각

용어들이 뭔가 익숙하면서도 용어가 너무 어렵햄... 그래도 퀴즈를 풀면서는 전체적인 흐름을 이해한 것 같긴 하지만.. 뭔지 모르겠햄.. 너어무 어려워햄.. 글자가 춤춘다햄..

코드잇 10주차

이번주 할일

• 🫪 미션7 제출(제출 마감 : 10월 12일)
  • 🥹 5일 월 : 진행 단계 생각하기 & EDA
  • 🫪 6일 화 : EDA 끝내기
  • 🤣 7일 수 :
  • 😴 8일 목 :
  • 😱 9일 금 :
  • ✅ 10일 토 : EDA 끝내기 & 실험 설계
  • 🫪 11일 일 :

• ❌ 미션6 엎기..^^ (9일부터 다시 해보기)
  • ❌ EDA 진행
  • ❌ 실험 정리
  • ❌ 코드 작성
  • ❌ 학습 진행

• ✅ 이미지 segmentation 강의
  • ✅ 강의 복습(5시~6시)
  • ✅ 강의 숙제(6시~7시)

• ✅ 스터디
  • ✅ 미션7 EDA
    • ✅ EDA 진행하면서 자료 만들기
    • ✅ 스터디 발표(10월 6일 오프라인...)
  • ❌ 다음 주제 : Normalization과 그 필요성에 대해서
    • 🫪 방향성 잡기
    • ❌ 자료 만들기

• ✅ 위클리 페이퍼 #9 (10월 7일)

• ✅ 멘토링(10월 7일 8시)
  • ✅ 회고 및 질문 적어두기

• ✅ 책 인증 : ~ 2.4

이번주 다짐

슬퍼도 견뎌야햄..

10월 5일 월요일

오늘 할일

• 🫠 미션7
  • ✅ README & Baseline 읽기 : 오전
  • ✅ EDA 방향 잡기 : 오전
  • ✅ 1단계 : 실험 환경 세팅
  • ✅ 2단계 : 데이터 소개 및 불러오기
  • 🫠 3단계 : EDA
    • ✅ 3. 공통 묶기 + 도표 정하기
    • ✅ 3.1 : 데이터 파일 구조 확인
    • ✅ 3.2 : 클래스 분포 확인
    • ✅ 3.3 : 원본 이미지 확인
    • ✅ 3.4 : 이미지 특성 확인

• ❌ 미션6
  • ❌ EDA 코드 작성 : 집 가기 전..

오늘 회고 및 일기

새벽 4시까지 비몽사몽햄.. 겨우 정신차리고 할일을 정리했햄.. 미션6 엎기로 결정하고.. 이번주 안으로 미션7이랑 같이 마무리 해야겠다 다짐햄.. 날이 좋아서 참 다행이햄.. 답답한 마음과 슬픈 마음.. 끝까지 함께 해주지 못한 미안햄.. 연휴 3일 동안 잠을 제대로 자지 못해서 그런가 정신이 몽롱햄.. 그래도 할일은 해야햄...! 정신 차리고 햄햄!! 의사코드 작성하는게 솔직히 쉽지가 않네햄.. 요즘 GPT에 넘 의존을 했나 반성한다햄.. 새벽에 자다 깨다 코드 작성하고.. 정신없이 집으로 가서 침대에 누우니 30분 기절햄..ㅎ

10월 6일 화요일

오늘 할일

• 🫪 미션7 : EDA
  • 🫪 3.1 ~ 3.4 : 코드 작성하고 이미지 확인해보기 : 오전에 끝내기
  • 🫪 3.5 : Bounding Box Annotation 확인
  • 🫪 3.6 : Bounding Box 크기 분석
  • 🫪 3.7 : Bounding Box 형태 분석
  • 🫪 3.8 : 이미지 대비 얼굴 크기 분석
  • 🫪 3.9 : Bounding Box 위치 분석
  • 🫪 3.10 : 이상치 및 Annotation 품질 확인
  • 🫪 3.11 : EDA 결과 요약

오늘 회고 및 일기

오늘 스터디원 모두 만나러 가는 날! 늦을 뻔했햄..ㅎ 그래서 버스는 포기하고 쟈철타고 후다닥 가서 이연웅니 기다리다가 랠루 만나고 같이 셋이서 15층으로 직진햄~ㅋㅎㅋㅎㅎㅋ 영현소녀 처음 봤는데 짱 신기햄...ㅋㅎㅎㅋㅎㅋ 도파민 팡팡

10월 7일 수요일

오늘 할일

• 🤣 미션7 : EDA
  • 🤣 이미지 EDA 코드 작성

• ✅ 이미지 Segmentation 강의
  • ✅ 강의 듣기
  • ✅ 강의 복습

• ✅ 멘토링
  • ✅ 회고 적기
  • 😂 메모하기

오늘 회고 및 일기

강남 연속 이틀 출근.. 오늘도 도파민 팡팡.. 사진도 박제 당하고..호호.. 대현님과 채영님 처음 뵈었댜.. 새로운 사람들 계속 만나서 좋긴 한데 기빨린다햄.. 강의 듣다가 심심해서 모자 쓰고 놀고 있었는데 랠루가 그걸 찍고.. 이연 웅니가 그걸 소통하기에 올리고.. 웅니랑 술레잡기햄..ㅋㅎㅋㅎ 술레 잡기해서 혼났지햄... 그래도 재밌당 호호 집 가서 기절 예정..호호

10월 8일 목요일

오늘 할일

• ✅ 이미지 세그멘테이션 강의
  • ✅ 강의 듣기
  • ✅ 복습하기

• ❌ 미션7 : EDA 끝내기

• ❌ 스터디 방향 잡기 : Normalization과 그 필요성에 대해서
  • ❌ 전체 or 부분?

오늘 회고 및 일기

오늘도 사진 찍히고... 캐릭터 합체에 피규어 생성까지 가지가지햄다..ㅋㅎ🍆 태훈 매니저님께서 오늘 우리 기수 봐주시는게 마지막이라고 하셔서 찌르러 갔햄ㅎㅎ 오늘은 진상 안부르고 QR 꼭 찍어야지 했는데 역시나 진상..햄햄..ㅎ 운동 나 혼자서 열심히 하고 집에 갔다햄.. 저녁도 야무지게 먹고 씻고 스카를 가려고 했는데 그대로 기절햄..ㅎㅎ 몸 상태도 좀 안 좋기도 했고.. 스불제로 내일부터는 제대로 공부 해야겠다햄..

10월 9일 금요일

오늘 할일

• 😱 미션7 : EDA 끝내기
  • ✅ 3.1
  • ❌ 3.2 : 11시

오늘 회고 및 일기

아침에 일어나서 스카로 가서 짐 정리 대충 하고 집으로.. 몸 상태가 점점 안좋아지는데.. 그래도 알바는 가야지햄.. 제정신도 아니였나.. 카드도 안 챙기고.. 조수석에서 계속 졸기만 하고.. 햄햄..ㅎ 오늘은 무조건 미션7 진행해야햄..

10월 10일 토요일

오늘 할일

• ✅ 미션7 : EDA 끝내기

• 🤣 책 읽기 & 인증

오늘 회고 및 일기

하루 종일 몸 상태도 별로 안좋고.. 약 먹고 기절하고 정신없이 하루를 보내버렸햄.. 할일은 많은데 하기는 싫고.. 애들한테 기웃거리기나햄고..ㅎㅋㅎㅋ 그래서 밤에는 최대한 미션 하려고 했는데 결국엔 졸아버렸햄..ㅎ 이번 미션도 제대로 마무리 못하려나 걱정이 많다햄.. 집 가서 책 읽고 인증 하고 씻고 다시 나와서 오늘은 후다닥 진행해야겠햄..ㅎ

10월 11일 일요일

오늘 할일

• 🥲 미션7 : 오후

  • ✅ 데이터셋 나누기 & 데이터 전처리

  • ✅ 실험 설계(SSD 성능 높이는 방법)

  • 🥲 모델 돌리기

    [Baseline SSD]
     ↓
    성능 측정
    IoU / mAP
     ↓
    [실험 1]
    Data Augmentation
     ↓
    성능 비교
     ↓
    [실험 2]
    Learning Rate / Scheduler
     ↓
    성능 비교
     ↓
    [실험 3]
    필요하면 Default Box 또는 입력 크기 등
     ↓
    최종 모델 선정
    

• 😱 스터디 방향 잡기 : 모델 돌리고 기다리면서

• ✅ 책 읽기 & 인증 : 오전

오늘 회고 및 일기

오전에 책 읽고 다시 스카에 가려고 했지햄.. 하지만 기절해버렸지햄.. 뒤늦게 책 읽고 있는데 환이가 벌거 벗은 세계사를 틀어서 그거에 집중해버렸지뭐야햄..ㅎㅎ 나라 팔아 먹은지 오랜데 이렇게 역사를 배우니 또 재밌구먼 호호 스카에 도착해서 후다닥 모델 돌리고... 졸다가.. 또 하다가.. 정신없이 하다보니 아침이 밝았어오~! 이게 무슨... Colab GPU 너무 짧은데 그냥 결제 할까 고민중... 이번 미션은 미리미리 해야지..호호..

책 읽기 전..

1.5 데이터 분포 탐색하기

“평균과 표준편차만 보고 데이터 전체를 안다고 할 수 있을까?”

답은 아님(이게 무슨 말이냐햄..) 예를 들어 두 데이터가 평균과 표준편차가 비슷해도,

A :        █
         █████
       █████████
         █████
           █

B :   ███             ███
      ███             ███

처럼 모양은 완전히 다를 수 있음 그래서 1.5에서는 분포의 모양을 직접 확인하는 방법이 등장함 책에서는 백분위수와 상자그림, 도수분포표와 히스토그램, 밀도 그림을 다룸

1.6 이진 데이터와 범주 데이터 탐색하기

“숫자가 아닌 데이터를 어떻게 요약할까?”

수치형은 평균을 계산할 수 있지만,

서울 + 부산 + 대구
──────────────
      3

같은 계산은 의미가 없음

그래서 개수(count), 비율(proportion), 최빈값(mode) 등이 중요해짐

그리고 여기서 기댓값(Expected Value)과 확률(Probability)도 나오는데, 지금은 처음부터 복잡한 확률수학이라고 겁먹지 말고:

“여러 가능한 결과가 있을 때, 각 결과가 얼마나 자주/얼마나 가능하게 나타나는가?”

라는 관점으로 읽자햄

1.7 상관관계

두 변수가 같이 움직인다는 것은 정확히 무슨 뜻일까?”

그리고 반드시 기억할 전제: 상관관계가 있다고 해서 원인과 결과 관계라는 뜻은 아니다.

예를 들어 아이스크림 판매량과 물놀이 사고가 같이 증가한다고 해서:

아이스크림
   ↓
물놀이 사고

라고 할 수는 없어. 오 이거 강사님이 말씀하신 내용이다햄!!

둘 다 여름철 기온 같은 제3의 변수와 관계있을 수 있음 여기서는 특히 상관계수 숫자만 보지 말고 산점도(scatterplot)를 같이 봐야 하는 이유를 생각하면서 읽기

1.8 두 개 이상의 변수 탐색하기

“변수의 종류가 다르면 어떤 그래프를 써야 할까?”

1.9 마치며

데이터 하나를 받았을 때 어디서부터 EDA를 시작해야 하지?

데이터 확인
   ↓
변수의 종류 확인
   ↓
수치형 / 범주형 구분
   ↓
하나의 변수 탐색
 ├─ 중심
 ├─ 변이
 └─ 분포
   ↓
두 변수 관계 탐색
 ├─ 수치 × 수치
 ├─ 범주 × 범주
 └─ 범주 × 수치
   ↓
여러 변수 관계 확인

항상 느끼는 거지만 EDA도 너무 어렵다햄..

이번 범위에서 특히 놓치지 않았으면 하는 4가지

1. 통계량만 보지 말고 분포의 모양을 같이 본다.
2. 변수의 자료형에 따라 적절한 요약·그래프가 달라진다.
3. 상관계수 하나만 믿지 말고 산점도를 같이 본다.
4. 관계가 있다고 해서 인과관계라고 결론 내리지 않는다.

책 읽는 중..

1.5 데이터 분포 탐색하기

용어 정리

헷갈리는 용어 및 질문

모멘트 구조

1차 → 중심과 연결
2차 → 분산과 연결
3차 → 왜도
4차 → 첨도

더 읽을 거리

1.6 이진 데이터와 범주 데이터 탐색하기

용어 정리

더 읽을 거리

1.7 상관관계

용어 정리

더 읽을 거리

1.8 두 개 이상의 변수 탐색하기

용어 정리

수치형 × 수치형

범주형 × 범주형

범주형 × 수치형

여러 변수 시각화

헷갈리는 용어 및 질문

더 읽을 거리

1.9 마치며

정리

데이터
 │
 ▼
자료형 확인
 │
 ├─ 수치형
 └─ 범주형
 │
 ▼
변수 하나 탐색
 │
 ├─ 위치
 │   ├─ 평균
 │   └─ 중앙값
 │
 ├─ 변이
 │   ├─ 표준편차
 │   ├─ IQR
 │   └─ MAD
 │
 └─ 분포
     ├─ Boxplot
     ├─ Histogram
     └─ KDE
 │
 ▼
변수 두 개 이상 탐색
 │
 ├─ 수치 × 수치
 │   ├─ Scatterplot
 │   ├─ Hexbin
 │   └─ Contour
 │
 ├─ 범주 × 범주
 │   └─ Crosstab
 │
 └─ 범주 × 수치
     ├─ Boxplot
     └─ Violin Plot
 │
 ▼
여러 변수
→ Facet / Conditioning

책 읽은 후..

퀴즈

총 10문제 중에 2문제를 틀렸다햄..

2문제는 왜도와 범주형 × 수치형 → 상자도표에 대한 문제였다햄..

범주형×수치형 그래프는 상자 도표로 왜 그리는지를 모르겠어서 이해하는데 조금 걸렸다햄..ㅎ

나의 생각

매 미션마다 EDA를 진행하지만.. 시각화를 하는데 어느 그래프가 적절할지 아직도 잘 모르겠다햄...

특히 여태 배운 그래프를 종류 하나가 아닌 여러가지를 합쳐서 만드는 방법도 있어서.. 적절하게 선택하는 방법이 어려운 것 같다햄..

코드잇 9주차

이번주 할일

• 🫠 미션6 제출(제출 마감 : 10월 2일)
  • 🫠 월 : EDA 진행
  • ✅ 화 : EDA + 모델 방향 잡기..?
  • 😴 수 : 모델 진행 + EDA
  • ✅ 목 : EDA + 모델 진행
  • 🫠 금 : 마무리 & 제출(새벽 or 오전)
  • 🥹 다시 엎기로 결정 ㅎㅎㅎㅎㅎㅎㅎㅎㅎㅎ
    • 🥹 이번주 연휴 안에 진행하기..

• ✅ 스터디 - 이미지 EDA
  • ✅ 스터디 자료 만들기
  • ✅ 스터디 발표(9월 29일 3시)

• ✅ 멘토링(9월 28일)
  • ✅ 질문 적어두기

• ✅ 위클리 페이퍼 #8 (9월 30일)

• ✅ 객체 인식 강의
  • 🫪 객체 인식 강의 복습 : 담주 화욜 보강...
  • 🫪 객체 인식 숙제 주시면 꼭 하기!!!

• ✅ 책 인증하기(~10/4)

이번주 다짐

저번주는 추석 연휴라서 흐지부지 지나갔햄..😭 이번주는 제대로 계획 세워서 못하거나 안하는거 없게 해보자햄..!!🐹✨

9월 28일 월요일

오늘 할일

• 🫪 미션6 진행
  • ✅ 계획 세우기 : 오전
  • ✅ 데이터 불러오기 : 오전
  • 🫠 Baseline 전체적인 흐름 정리 : 3시
  • 🫠 진행 방향 잡기 : 4시

< 제출 안내 내용 > 1. 분석 과정과 결과

• 데이터 로드, 전처리, 모델 학습, 예측, 성능 평가 등의 모든 과정을 포함해야 합니다.
• 사전 학습된 모델을 활용한 Transfer Learning을 적용해 보세요.
• Fine-Tuning을 적용해 보세요. Frozen 모델, Partial Fine-Tuning, Full Fine-Tuning을 비교하며 실험을 진행해 봅시다.
• 모델별 성능 비교, 분석 결과를 코드와 함께 정리해 주세요.

2. 마크다운을 활용한 설명

• 코드의 각 단계에서 어떤 작업을 수행하는지, 어떤 의도를 가지고 접근했는지 명확히 표현할 수 있도록 마크다운을 적극 활용해 주세요.
• 코드와 실행 결과를 설명하는 문구를 추가하여, 전체 코드의 흐름을 이해할 수 있도록 작성해 주세요. 보고서를 따로 작성하지 않으므로, 노트북 파일 내에 모든 설명이 잘 드러나야 합니다.

3. 모델 성능 평가 및 제출

• 평가 지표(Accuracy, Precision, Recall, F1-score 등)를 활용해 모델 성능을 분석하고 비교해 보세요.
• 제공된 데이터셋의 테스트 파일을 사용하여 모델을 테스트해 보세요. 모델별 성능 평가 결과를 포함한 노트북 파일을 제출하세요.

• ✅ 멘토링(7시~)
  • ✅ 회고 적기
  • ✅ 질문 적기
  • ✅ 자료 적기

• 🥹 스터디 자료 만들기
  • ✅ 방향 잡기(~6시)
  • ✅ 목차 정리
  • 🫪 단계 수정하면서 자료 만들기

오늘 회고 및 일기

1시간 잤햄.. 생각보단 제정신이라서 다행인건가햄.. 이따 오후엔 잘 버텨야할텐데햄..🫪 교정기 차에다 두고 내려서 안끼고 잤더니 이전꺼 껴도 너무 아프다햄...........🤯 충격 소식.. 벌써 코드잇 과정 1/4가 지나갔다니.. 아직 나 아무것도 모르겠는데햄..😱 할일 정리 하다보니 오늘 할꺼 엄청 많다햄.. 오늘도 새벽에 들어갈 각.. 나온다햄..😂 오늘 하루... 정신없이 놀아버렸다.. 스터디나 빨리 끝내고 집 가서 자자.. 결국 1시 반까지 기절했다가 겨우 일어나서 5시까지 스터디 자료 만들었햄.. 근데 다 못만들었다는 것...ㅎㅎ 일단 집 가서 좀 자고 인나자햄..

9월 29일 화요일

오늘 할일

• ✅ 스터디
  • ✅ 스터디 자료 마무리 : 오전
  • ✅ 스터디 발표 : 3시
  • ✅ 스터디 피드백 정리 및 업로드 : 운동 가기 전

• 😴 미션6 진행 : 자기 전
  • 😴 미션6 Baseline 파악 마무리
  • 😴 스터디 자료 및 피드백 기반으로 EDA 진행
  • 😴 미션6 이후 진행 방향 정하기

• 😴 위클리 페이퍼 #8 작성

• ✅ 위워크 카드 신청 마무리.. 승인해주라햄...

오늘 회고 및 일기

일단 집 가고 생각하자햄!!! 자고 생각하자햄!!!! 스터디 자료 만들고... 이 방향이 맞는건지.. 참 애매했햄.. 그냥 모델까지 돌려봤는데.. 뭔가 이상햄.. 영현소녀의 발표를 보고 EDA를 다시 해야겠다는 다짐... 데이터를 제대로 파지 않은 업보로 돌아왔다햄.. 일단 스터디 피드백 정리 및 업로드까지는 하고.. 운동 다녀와서 다시 생각해봐야겠다햄.. 근데 내일은 강의 진행하는데 할껀 많고 정신은 없고.. 이대로 괜찮은건가햄...?

와... 운동 웅니 안와서 나 혼자서... 그래도 1타임은 괜찮았는데 2타임에서 1대1은 아니쟈나햄...ㅠㅠ 연속 운동은 힘들어서 10월에 2타임 등록 안했는데 강사님이 엄청 아쉬워하시는 호호.. 여유 되면 11월에 등록 함 해볼게오햄...ㅎㅎ

내일 이연 웅니랑 위워크 가는 김에 인원 모집 성공했햄 호호 집에 가서 할일 마무리 하고 공부 좀 하다가 자면.. 내일 일어날 수 있겠지..? 못 일어나면... 안타까운거지...ㅎ 베개 열심히 때리고 자야지.. 호호

9월 30일 수요일

오늘 할일

• ✅ 위클리... 글은 작성은 했햄...ㅎ

• 🫪 객체 인식 강의
  • ✅ 강의 듣기!!!!
  • 🫪 강의 복습!!!! : 집 가면서 복습!!!

• 😱 미션 6 : 웅니 기다리면서.. & 집에 가서..?
  • 🥹 EDA 방향성 잡고 GPT한테 가서 코드 짜달라고 하기 : 집 가기 전까지
  • 🥹 모델 공부하기... : 집 가서 자기 전..
  • 🥹 모델 학습 방향 잡기 : 집 가서 자기 전에...

오늘 회고 및 일기

오늘 텐엑스 강남으로 호호 늦을 뻔했햄ㅎㅎ 그래도 파파가 데려다주셔서 지옥철은 조금 경험했햄ㅎㅎㅎ 근데 나 왜 카드 인식 안대나.. 나 무단침입한 햄이 되어버린...ㅋㅎㅋㅎ 처음으로 이연웅니랑 랠루 봐서 신기했햄ㅎㅎ 연예인을 보는 기분이..ㅋㅎ 너무 좋은데햄?? 거리가 조금 있다는게 고민되긴 하지만.. 그래도 15층 뷰도 좋고 간식도 종류가 많고 너무 햄복한..호호 창업 4기 분들한테 빵을 받으면서 간택 당한 랠루.. 완전 파워 EEEEEE 이신... 그래도 빵은 맛났어따햄ㅎㅎ 열심히 EDA 진행을 하는데... 집중 시간 1시간...ㅋㅎㅎㅋ 집 가면서 복습 진행하려고 했는데 왜 핸드폰에 chat gpt 연동이 안되어 있지햄..? chat만 연동 되는건가햄..? 넘 불편하다햄... 집 가면서 참교육을 봐버렸지햄.. 끝짱을 봐버렸지햄..ㅎㅎ.. 정신 못차렸네햄..ㅎㅎ 젭 키고 EDA 관련해서 GPT 한테 계속 질문만 하다가 끝난 햄.. 방향성 잡기가 쉽지 않네햄.. 그러다 전사 해버린..햄햄햄...

10월 1일 목요일

오늘 할일

• ✅ 미션6 :
  • ✅ 진행 단계 잡기 :
  • ✅ EDA : 12시 넘어가기 전에
  • 🤯 모델 코드 작성

• 🤯 객체 인식
  • ✅ 강의 듣기!!!!
  • 🤯 강의 복습!!!! : 5시 ~ 7시

오늘 회고 및 일기

오늘따라 왜이리 피곤한지햄... 수업 듣다가 기절해버렸는데 그 사이에 걸려버렸지모야.. 그래서 첨으로 외출처리가 되어버린 햄.. 10월 첫날부터 왜이러냐햄.. 정신 차리고 해야지햄.. 오늘 강의 듣는데 정답률.. 너무 낮햄.. 내 멘탈도 와장창이 되었햄..😭 아무래도 밤샘으로도 안끝날것 같아서 운동도 째버린 햄... 일단 밥 먹고.. 9시부터 다시 시작하자.. 햄햄... 여태 ChatGPT를 제대로 활용하지 않은 것 같다햄.. 이연 웅니가 알려준대로 해보니 완전 신세계.. 나만 제대로 사용 못하고 있자나햄..? 그리고 웅니가 이것저것 꿀팁을 알려줘서 그저 매우 감사햄.. 사실 웅니는 천사가 아닐까햄..? 웅니 사랑..💕 랠루가 얘기해준 내용들을 참고로 해서 방향성을 다시 잡고 있다햄.. 랠루 덕에 이것저것 알게되고 꿀팁도 줍줍.. 그는 지니어스..햄햄.. ChatGPT에게 아이디어를 중간중간에 던지고 목차를 다시 잡고 코드 짜달라고 하고 있는데.. 코드 하나하나 무슨 동작을 하는지 공부를 해야하는데.. 할 수 있을까햄...? 모델을 돌려야되는데 아직도 EDA 하는 중이라 매우 답답햄.. 모델 돌리는 것도 오래 걸릴것 같은데 이대로 괜찮은 것인가.. 걱정이 된다햄.. 일단 밤샘으로 전체적으로 진행은 했다만... 머릿속에 들어오는 것은 1도 없는 햄... 그래도 생각보단 제정신이라서 다행이다햄...ㅎ 강남 가서 마무리 하쟈햄..!

10월 2일 금요일

오늘 할일

• 😒 미션6 제출(마감일) : 일단 제출하고 주말에 돌리기
  • ✅ 파일 전체적으로 이해하기
  • 🤯 파일 재생성 후 정리하기

• 😴 미션7
  • 😴 데이터 README 읽기
  • 😴 EDA 방향성 잡기 : 계획 세우기

오늘 회고 및 일기

지옥철 미쳐햄... 그래도 강남으로 나오니 넉놓고 있지는 않아서 다행햄... 의황 웅니를 드디어 만났다햄!! 15층 간식 선물로 받아서 야무지게 먹었다햄!! 이연 웅니의 말씀.. 실험결과 저장소 커널로해서 날려먹은 사람 나야나 나야나 랠루가 코랩 VM에 저장하고 드라이브에 백업하라고 알려줬햄!! 그게 뭔지... 몰르겠지만.. 공부하자햄...ㅎ 미션하다가 졸다가 랠루랑 놀다햄.. 미션하다가.. 영현소녀랑 놀다햄.. 이연 웅니랑 의연 웅니랑 15층에서 놀다햄.. 미션하다가.. 이연 웅니랑 다이소 갔다햄.. 미션하다가.. 랠루랑 놀다햄.. 노래 듣다햄.. 하루가 참 빨리 지나간햄.. 미션을 하다가 중간중간에 학습이 멈추고 제대로 학습 진행이 되지 않아서 뇌정지 와서 멘토님께 문의는 드렸는데햄.. 답변이 없으시네햄.. 일단 올리고 주말동안 열심히 돌려야겠햄.. 우리 스터디원들은 참 다들 좋은 사람들로 뭉처서 너무 햄복하다햄.. 이연 웅니가 계속 행복하다고 하시는데.. 나도 웅니들 덕에 정말 행복하게 공부하고 있어햄ㅎㅎ.. 사랑 고백 츄~ 💕 다음 미션7은 무조건 계획을 제대로 세워서 그 안에 학습 모델을 돌리고 마감일에 맞춰서 낼 수 있도록 잘 해야겠다햄...!!!🤯

10월 3일 토요일

오늘 할일

• ✅ 알바 다녀오기(11시)

• 🥹 책 읽기!!!
  • ✅ 책 읽기 전 GPT한테 물어보긔
  • 🥹 책 읽는 중 GPT한테 물어보긔
  • 🥹 책 읽은 후 GPT랑 놀긔

• 🫪 방 대청소
  • 🫪 계절옷 정리하기
  • 🫪 책상 정리
  • 🫪 침구 정리

• ✅ 반포 한강 약속

오늘 회고 및 일기

집 가서 바로 기절하고 인났햄... 학습 돌리고 자려고 했는데 그냥 기억도 없이 기절해버렸다햄..ㅎㅎ.. 2-3시간 잘때보다 7-8시간 더 잔게 피곤한 이유가 뭘까햄...ㅎ 약속 다녀와서 밤에 좋지 못한 소식을 듣고 멘탈이 와르르 무너졌다햄..

10월 4일 일요일

오늘 할일

• ✅ 책 인증
  • ✅ 책 읽는 중 GPT한테 물어보긔
  • ✅ 책 읽은 후 GPT랑 놀긔

• 🫪 미션6 돌리기... 엎기로 결정...^^..
  • 🫪 EDA 방향은 그대로 하되.. 코드 엎기.. : 11시까지
  • 🫪 실험 방향 잡기 : 12시까지
  • 🫪 코드 & 마크다운 : 내가 직접 작성하기..! 최대한 쉽게 작성하기!!

• ❌ 미션7
  • ❌ 데이터 README 읽기
  • ❌ EDA 방향성 잡기 : 계획 세우기

오늘 회고 및 일기

어제 오늘 멘탈이 무너져서.. 오전 오후까지도 정신 못차리고 있었다햄.. 겨우 정신 차리고 할일 하려고 하는데 손에 잡히지도 않는다햄.. 일단 머릿속을 정리하고 다시 진행해야될것 같다햄...

이 책을 읽기 전에.. 그냥 읽으면 분명 나중에 기억에 안 남을 것 같아서 규칙을 정하였햄!

1. 책 읽기 전.. Chat GPT와 같이 어떤 생각으로 읽으면 좋은지 물어보기

2. 책 읽는 중.. 읽으면서 모르거나 헷갈리는 부분은 물어보기

3. 책 읽은 후.. 해당 범위를 다 읽은 뒤 핵심 정리 + 퀴즈 맞추기

공부한 후에 계속 까먹는 나란 금붕어 햄은.. 열심히 반복 복습하며 읽어보려햄..

Chapter1. 탐색적 데이터 분석

책 읽기 전..

1.1 정형화된 데이터의 요소

여기서는 단순히 용어를 외우기보다

"이 변수를 숫자로 계산해도 의미가 있는가?"

를 계속 생각하면서 읽는 게 좋다.

코드를 입력하세요

예를 들어 Age=25와 Age=50은 2배라는 수치적 의미가 있지만, Pclass=1, Pclass=2, Pclass=3의 숫자는 객실 등급을 표현하는 코드에 가깝다.

(이전에 타이타닉 실습하며 물어본게 있어서 그런가.. 이걸로 예시로 든것 같햄..ㅋㅎ🤭)

숫자로 생겼다고 무조건 수치형 데이터가 아니다.

1.2 테이블 데이터

        Age    Sex     Fare
승객1    22    male     7.25
승객2    38    female  71.28
승객3    26    female   7.92
         ↑
       변수

행(row)은 레코드/관측값이고 열(column)은 변수/특성(feature)이다.

여기서 DataFrame, index, structured data, rectangular data 같은 용어가 나오는데, 머신러닝을 해봤다면 상당히 익숙할 거야.

(... 영포햄에게 너무 많은걸 바라는게 아닐까 생각..햄...🫪)

1.3 위치 추정

"이 데이터는 대충 어디쯤 모여 있지?"

예를 들어

20  21  22  23  24

라면 대충 22 주변이라고 할 수 있다.

이 '대표적인 위치'를 숫자로 표현하는 방법이 위치 추정(location estimate)이고, 대표적으로 평균과 중앙값이 나온다.

그런데

20  21  22  23  100

이면 평균은 37.2가 된다.

실제 데이터 대부분은 20대인데 평균만 보면 37.2라서 느낌이 이상하다. 100이라는 이상치(outlier)가 평균을 끌어올렸기 때문이다.

그래서 중앙값(median), 절사평균(trimmed mean) 같은 로버스트(robust)한 추정값이 왜 필요한지를 이해하는 게 1.3의 핵심이다.

가중평균(weighted mean)과 가중중앙값(weighted median)도 나오는데, 처음 읽을 때는 공식을 외우기보다는

"모든 관측값을 똑같이 취급하지 않을 수도 있다"

정도를 먼저 이해하면 충분하다.

(로버스트.. 난 로버트 다우니 주니어 밖에 모르는 데햄..😂)

1.4 변이 추정

데이터가 중심으로부터 얼마나 퍼져 있는가?

예를 들어 두 반의 평균 점수가 모두 70점이라고 해보자.

A반 : 68  69  70  71  72
                 ↑ 70

B반 : 30  50  70  90  110
                 ↑ 70

둘 다 평균은 70이다.

하지만 데이터의 모습은 완전히 다르다.

A반       ●●●●●
          ↑
          70

B반   ●    ●    ●    ●    ●
               ↑
               70

평균 하나만으로는 데이터를 설명할 수 없다.

이 퍼짐을 숫자로 나타내기 위해 책에서 편차 → 분산 → 표준편차, 그리고 이상치에 좀 더 강한 MAD, 범위를 이용하는 범위(range), 백분위수(percentile), IQR 등을 설명한다.

원서에서도 1.4가 표준편차 계열과 백분위수 기반 추정으로 나뉘어 있다.

(오 EDA때 들어봤던 용어들이 나와서 신난 햄!.. 근데 가물가물햄..ㅎ🥹)

정리

오늘 읽고 나서 최소한 다음 관계가 머릿속에 생기면 성공이야.

                 데이터
                    │
        ┌───────────┴───────────┐
        ↓                       ↓
   어디에 모였지?          얼마나 퍼졌지?
        ↓                       ↓
     위치 추정                변이 추정
        │                       │
   평균 / 중앙값          분산 / 표준편차
   절사평균 등             MAD / IQR 등

특히 평균 ↔ 표준편차, 중앙값 ↔ MAD/IQR을 연결해서 생각하면 뒤에서 상당히 도움이 된다.

(정리된 내용을 기반으로 생각하면서 열심히 읽어보아햄..!)

책 읽는 중..

통계학자 존 투키

(포근한 옆집 할비처럼 생기셨햄..허허)

“일단 데이터를 직접 보고 탐색하자”는 EDA를 발전시킨 통계학자

(라고 일단 GPT가 기억하라고 알려줬햄..ㅎㅎ)

더 읽을 거리

1.1 정형화된 데이터의 요소

용어 정리

• 수치형 Numeric

  • 연속형 Continuous : 키, 몸무게, 온도, 시간
  • 이산형 Discrete : 개수, 횟수, 사람 수

• 범주형 Categorical

  • 일반 범주형 : 지역, 혈액형, 색상
  • 이진형 Binary : Yes/No, 0/1
  • 순서형 Ordinal : 낮음/중간/높음

데이터를 분석하기 전에 “이 변수는 어떤 종류의 데이터인가?”를 먼저 판단

헷갈리는 용어 및 질문

더 읽을 거리

1.2 테이블 데이터

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

1.3 위치 추정

용어 정리

헷갈리는 용어 및 질문

더 읽을 거리

1.4 변이 추정

헷갈라는 용어 및 질문

더 읽을 거리

더 읽을 거리 요약

① David Lane 백분위수 ② Kevin Davenport MAD ③ Central Tendency ④ pandas Categorical/DataFrame

책 읽은 후..

퀴즈

총 20문제 풀면서 틀린 이론들..

1. 숫자로 표현된 순서형 범주 데이터
2. 표본분산과 n-1
3. 이상치에 강한 변이 추정법
4. 위치 추정 vs 변이 추정
5. 백분위수 해석

추가로 5문제 더 풀어서 다 맞췄햄!!

나의 생각

그냥 읽고 넘어가는 것 보단 GPT랑 같이 생각을 정리하면서 퀴즈로 마무리 정리하는 방법이 재밌고 헷갈린 부분을 더 머릿속에 잘 들어온 것 같햄..

알고 있던 내용을 실제 퀴즈로 진행하다보니 개념이 제대로 잡힌 부분과 잡히지 않은 부분 (숫자로 표현된 순서형 범주 데이터 다 아는 내용인데 틀려서 더 충격햄...) 을 제대로 잡고 가니 그냥 책을 읽고 지나가는 것 보단 좋은 방법인 것 같아서 앞으로도 계속 이렇게 진행할까햄!!

2026년 9월 26일 ~ 27일

코드잇 8주차

이번주 할일

• ✅ 책 읽고 인증하기(~ 27일)
  • ✅ 1.1 ~ 1.4 읽기
  • ✅ 독후감 작성하기

• 😂 이론 공부하기
  • 🫪 강사님 자료 공부
  • ❌ 강사님 연습 문제 풀기

• ❌ 위클리 페이퍼 #8 작성하기

• 🫪 미션6 확인 및 방향 잡기

9월 26일

오늘부터 노션에 정리해놓은것들 하나 둘씩 매일 옮겨 적을 예정.. 간간히 일기도 여기다 써볼까나~ 오호이~

오늘 할일

• 😂 책 리뷰 작성 후 올리기 ㄴ 지금 하는 중이긴 한데.. 괜히 처음부터 너무 열심히 작성했나... ㄴ 아니?! 이렇게라도 해서 이전 내용 복습 하는거지!! ㄴ 호호 반은 함 ㅋㅎㅎㅋㅋㅎ

• ❌ 이미지 분류 GPT랑 공부 끝내기!!

오늘 회고 및 일기

오늘... 처음으로 이 velog를 사용해본다햄.. 노션이랑 비슷한것 같기도 하고 아닌것 같기도 하고.. 사실 github.io를 사용해볼까 했는데 너무 어렵다는 후기들이 많아서.. 멘토님께 문의 드렸는데 아직 답장이 안왔다햄... github.io vs velog.io... 뭐가 더 좋을까.. 성당 다녀오고 할머니와의 저녁도 함께하고 신나게 노래 부르며 놀다가 스카로 복귀... 너무 하기 싫햄...🫠 너무 신나게 놀아버린 나머지 스카에서 기절해버린 나란 햄...😴 아침 6시에 집에 들어가버린 햄햄.. 다행히 엄마한테 안혼나따햄..ㅎㅎ

9월 27일

오늘 할일

• ✅ 책 리뷰 작성 후 올리기!! ㄴ 오늘 오전에 책 보면서 끝내기!! ㄴ 4시 30분 넘어서 인증 완...ㅋㅎㅋㅎ

• 😂 이미지 분류 GPT랑 EDA는 끝내기 ㄴ 생각해보니 스터디 자료도 있네.. ㄴ 오늘 내로 가능할까...? ㄴ 아니 GPT 너무 멍청햄..!! 뭐가 문제냐햄!!! 하다가 너무 화가 난다햄🤯

• ❌ 스터디 자료 만들기 - 초본 ㄴ 일단 어떤식으로 EDA 진행할지 정하긔...

• 💣 미션 6 확인해보고 방향 잡기!!!

• ❌ 위클리 #8..? 후다닥 끝내기!!!!

오늘 회고 및 일기

호호.. 오전에 집 정리하느라 정신없이 보내버린 햄.. 이제 계절 옷도 바꿔야해서 날 잡고 정리해야되는데.. 어중간하게 하다보니 시간만 날린 햄... 현재 오후 3시.. 이제는 책상 앞에 앉아 공부와 할일을 해야햄..!! 근데 오늘 내 이거 다 할 수 있을까.. 걱정이 많아지는 햄햄... 일단 책 리뷰는 완료.. 생각해보니 강사님께서 주신 문제도 있는데 오늘 안에 가능한건가햄..? 일단 밥 먹으러 갔다가 한강뷰 드라이브 햄~... 엄마랑 12시에 집 들어오기로 약속은 했지만.. 그 안에 할 일을 다 할수 있을까햄..? 결국엔 5시 엔딩.. 근데 중간중간에 졸았햄..ㅎㅎ 할일 다 못끝내고 일단 미션6 어케 해야하는지 가이드 라인만 보고 계획 세우려다가.. 하나도 모르겠햄.. 다음주 괜찮을까햄..?😭