MNIST 실습 YOLO ObjectDetection 실습

피그마에 개념 도식화

글로벌 세포·유전자치료제 성장 기회 및 시장 전망 ㄴ이거 볼라고 파일을 열었는데

10년 전으로 돌아간 느낌이었음...ㅋㅋㅋㅋㅋㅋ

CNN 세션

머신비전

머신비전이랑 컴퓨터비전이랑 뭐가 다른데?
🏭 머신비전 (Machine Vision) : "공장의 엄격한 검사관"
주로 제조업 공정에서 사용
목적: 불량품 잡아내기, 치수 재기, 부품 위치 확인 등.
환경: 조명이 일정하고, 카메라 위치도 고정되어 있습니다. (변수가 적음)
특징: "0.1mm라도 틀리면 안 돼!" 하는 정밀도와 속도가 생명입니다.
예시: 오늘 배우신 KAMP(제조 데이터)에서 본 것처럼, 컨베이어 벨트를 지나가는 부품에 금이 갔는지 확인하는 기술입니다.

💻 컴퓨터비전 (Computer Vision) : "인간의 눈을 닮은 지능"
조금 더 포괄적이고 지능적
목적: 이미지를 보고 '무엇인지' 이해하고 분류하기.
환경: 야외, 집 안, 스마트폰 셀카 등 조명과 배경이 제각각입니다. (변수가 매우 많음)
특징: "이건 강아지야, 저건 고양이야"라고 판단하는 인식의 정확도와 유연성이 중요합니다.
예시: YOLOv8을 이용해 자율주행 차가 보행자를 피하거나, 사진 앱에서 얼굴을 인식하는 기술입니다.

로보플로우가 제일 무난무난

왜 무난한가
사진 올리기 → 정답 표시하기(라벨링) → 데이터 뻥튀기(증강) → 모델 학습용 파일로 내보내기까지 한 곳에서 다 됨
YOLOv8랑 사용하기 좋음
데이터 증강할 때 코딩 없이 "좌우 반전 추가", "밝기 조절 추가" 등을 클릭만 해도 알잘딱깔센

Roboflow 말고는 뭐가 있는데?
CVAT, LabelImg, Label Studio, ...

모델은 가장 최신거 사용하는 것보다 1년정도 지난 거 쓰는 게 좋음

MLOps..? 이게 뭔지 찾

머신러닝 모델의 개발(Dev)과 운영(Ops)을 통합하여, 
모델의 생성부터 배포, 유지보수, 모니터링까지의 전 과정을 자동화하고 효율화하는 관행이자 기술
-> 전국 어디서나, 어떤 재료가 들어와도 항상 똑같은 품질의 김치찌개가 나가도록 만드는 
자동화된 공장 시스템

보통 AI 모델 하나 만들면 끝이라고 생각하지만, 실무에서는 모델을 만든 뒤에 지옥이 시작됩니다. <- 제미나이가 겁을 주네....

왜 MLOps가 필요함?
- 데이터는 계속 변하기 때문에
- 수동으로 사람이 일일이 파일 옮기고, 성능 테스트 하고, ~~ 하는 건 한계가 있음
- 모델이 잘 돌아가는지, 갑자기 악귀들려서 헛소리하지는 않는지 감시하기 위해

.yaml 파일 = 설계도 및 설정 파일

텍스트로 이루어진 설정 파일
어떤 데이터를 어디서 가져와서 어떻게 공부해라~ 하는 게 적혀있음
-> 학습/검증 데이터가 저장된 폴더 경로, 분류해야 할 물체의 개수, 물체의 이름들 등

학습(train)을 시작할 때, 얘로 명령을 내림

.pt 파일 = 학습된 모델/지능

파이토치에서 사용하는 파일 형식
학습이 완료된 인공지능 그 자체를 담고 있음
-> 수많은 학습 과정을 거쳐 완성된 가중치(Weights) 값들이 들어있음. 노하우 액기스

학습(train)을 시작할 때, 이미 공부가 좀 되어 있는 yolov8n.pt 같은 애를 델꼬와서
추가로 몇 개만 더 공부시키는 용도로 사용함
추론(Inference)에 투입할 때, 학습이 끝난 후 완성본 best.pt을 가지고 
실제로 물체를 찾아낼 때 사용함

기본적으로 딥러닝은 머신러닝에서 출발한 것~

아이코닉하다~ -> 물체가 딱 한가운데 있고 한 물체만 있거나 다른 물체는 거의 눈에 안 띄일 때 -> classfication

train:test = 8:2 혹은 7:3 정도로 나눔

batch 사이즈? 한번에 이미지 몇개씩 사용하겠다~

클래스가 엄청 많다보면 분류하기 애매한 경우가 생김. 그래서 top k accuracy가 있는 거임 top 3라고 설정해두면 실제 정답이 3위 안에만 있다면 맞췄다고 쳐주는 거임

정답이 없다보니 풀이를 하는 과정에 집중을 해야함!

aihub? 국가 사업. 여기 데이터 구경하기

신약보단 의료쪽이 돈을 더 많이 준다고 함

기업 조사하기

뷰노 루닛 딥노이드 제이엘케이

추가 조사

유방 조직 이미지 판독하는 모델 ㄴ 이거 따라서 실행해보기 캐글에서도 충치 데이터, 유방암 데이터 등 너무 많음 KAMP에 보면 딥러닝 종류도 나눠놨음

내일 할일

https://colab.research.google.com/drive/13-7mnJHO4-xnLHOhyEm3W26MzIirujc-#scrollTo=l3DDtvNqRGPI ㄴ 실습 코드 주석달기

자소서 작성

CNN 세션

ImageNet 보다는 MS COCO가 사용하기에 더 무난무난하다 최종 프로젝트에도 이거 활용하기

둘이 어떻게 다른지 gpt한테 검색

Pascal VOV~CIFAR(사이파)는 추가적으로 한번 훑어보는 용

이미지넷 말고는 ~~넷이면 다 컴퓨터 비전임

우리는 YOLO 8을 쓸거임 다크넷 -> 프레임 워크의 이름

학습(train)과 추론(inference)하는 시간은 다르다 학습할 때는 시간이 많이 걸렸었음

object detection -> 추론시간 짧아야 함! 왜? 늦으면, 차가 사람을 치고나서 알림을 주는 경우가 생길수도...

경량화에 관심이 생긴다면 NOTA라는 회사 찾아보기

평가지표 아무거나 쓰지마셈 생각을 해서 전략을 짜야함

이 평가지표를 왜, 어떤 목적으로 사용하는지에 대한 근거가 있어야 함 토스 영상 다시 보기

roboflow 라벨링을 편리하게 해주는 사이트

ReadMe 잘 쓴 거 참고해서 내 프로젝트를 설명하기

추론(inference)이 뭔지 찾아보기 코랩 링크 실행해보기 VS code로 로컬 캠으로 라벨링 되는 거 직접해보기

의료 MRI - 유넷, 루닛 돈많이 준다고 함 관련 회사 찾아보기 뷰노 이 분야 관련으로 더 찾아보기

자소서 특강

JD에서 말하는 커뮤니케이션은 문서 커뮤니케이션을 말하는 거임

운영지원 자체가 문서 작성/정리하고 대시보드 만들어주는 거임

내가 가려고 하는 산업에서 짱짱한 회사에 대한 건 그냥 다 알고 있어야 함 내가 그 내용을 정리해서 윗사람들한테 줄 수 있는 사람이어야 함 대기업 가고 싶으면 정량/정성/정석적인 문서 정리가 가능한 사람이어야 함

포장하고 싶은 마음을 버리고 언제 어디서 뭘 왜 했는지, 무얼 참고했는지 등이 논리적인 흐름으로 튀지 않게 읽혀야 함. 간결, 명료하고 머릿속에 그려지는, 상상이 가능한 글이어야 함

면접에서 떨어진 건 자기 확신이 떨어지는 부분이 있을 수 있음

경험을 기반으로 컨셉을 잡아야 함 전문 지식보다 업무 역할과 업무 범위를 이해하는 게 중요함 전혀 이 분야와 관련없는 사람이 봐도 이해할 수 있게 글을 작성해야함

형식에 맞춰서 적고, 나만 생각할 수 있는 아이디어에 대한 한문장만 추가하면 눈에 띄는 자소서가 되는거임

24년 데이터 분석가 신입 포트폴리오 적극 참고 어떤 툴을 썼는지 정리해놓은 부분도 좋다 젤 처음에는 짧게 적고 그 다음줄에 좀 더 상세하게 작성

어떤 일을 하는 회사고, 회사가 어떤 부서가 있고, 어떤 걸 해서 성과를 냈고 이런 걸 다 알고 있어야함

https://www.youtube.com/watch?si=LqF0f-ouyuq7MiKm&v=7eJIiF9qbQU&feature=youtu.be

https://youtu.be/KX7hvyJ6U8s?si=ws22Bt1uwJlmZ_sX

https://blog.naver.com/semispec/223352750100

입사 후 포부 -> 충성도를 보겠다 얼마나 성장할 건지, 와서 뭘 어떻게 하고 싶은지 5년 계획을 구체적으로 생각해서 적기

경험정리

일부 경험들 적어보았음. 근데 글이 좀 많은가 싶기도.... 내배캠 팀플 경험 적어야 하고, 경험별로 키워드 선정도 해야함

CNN 관련해서 추가적으로 찾아보기

제약 관련 - 알약 계수

Ultralytics YOLO11 사용한 알약 검출에 대해 자세히 알아보기

관련해서 알약 탐지하는 코드 튜토리얼이 있길래 따라해봄 https://colab.research.google.com/drive/1kuWZ1zraU_JCEnfeeGQvVIC7LByIqzh1#scrollTo=Ay3bjxGDL0Jo

의료 관련 - 의료 분야에서의 YOLOv8 활용

앵커 박스 = 이미지의 각 위치에 미리 정의된 여러 크기와 비율의 바운딩 박스 (닻으로 고정되어 있다고 생각하면 될 듯) 헬스케어 분야에서 AI의 역할

왜 YOLOv8일까? 모델 구분,특징,의료 현장에서의 평가 YOLOv5 - 가볍고 빠름, 정확도가 최신 수술 요구치에 못 미칠 수 있음 YOLOv8 - 속도 + 정확도 최적화, 실시간(Real-time) 추론 성능과 정확도의 정점 YOLOv11 - 더 높은 파라미터 효율, 아직 최적화 라이브러리(TensorRT 등) 호환성 검증 단계

정확하고 어느정도 검증된 모델이기 때문에~

코드카타

가장 가까운 같은 글자

def solution(s):
    answer = []

    for idx, char in enumerate(s):
        if char not in s[:idx]:
            answer.append(-1)
        else:
            last = s[:idx].rfind(char)
            answer.append(idx - last)

    return answer

다른 사람 풀이

def solution(준식):
    어떻게사람이름이,엄=int,chr(int(chr(52)+chr(57)))
    엄준식 = []
    for 준,어엄 in enumerate(준식):
        for 식 in range(어떻게사람이름이(엄), 준+어떻게사람이름이(엄)):
            if 준식[준-식]==어엄:
                엄준식.append(식)
                break
        else:
            엄준식.append(-어떻게사람이름이(엄))
    return 엄준식

오늘 다른 사람 풀이 보는데 이상한게 있어서 가져와봄

CNN 세션

피그마에 내용정리

코드카타

두 개 뽑아서 더하기

def solution(numbers):
    a = []

    for idx1, key in enumerate(numbers):
        for idx2 in range(idx1+1,len(numbers)):
            a.append(numbers[idx1]+numbers[idx2])

    answer = list(set(a))
    answer.sort()
    return answer

다른 사람 풀이

def solution(numbers):
    answer = []
    for i in range(len(numbers)):
        for j in range(i+1, len(numbers)):
            answer.append(numbers[i] + numbers[j])
    return sorted(list(set(answer)))

아이디어 자체는 비슷함..! 근데 이걸 보니 나는 enumerate를 왜썼지 싶음

CNN 세션

전이학습 -> 누가 미리 만들어둔 거 갖다 쓰기 피쳐 익스트렉션 - 가중치고정해서 새로운 데이터의 특징을 추출 파인 튜닝 - 가중치고성해서 데이터의 라벨을 추가하고 전체 모델을 재학습해서 미세조정 피쳐 익스트렉션 vs 파인 튜닝

프리 트레인에 뚱뚱한 CNN 부분이 들어있고 FC layer 부분에 MLP가 들어있는거(FCL = MLP)

텍스트, 숫자는 몇천자 넘어가도 kb 수준 근데 이미지는 최소 mb.. 그래서 기존에 가지고 있는 이미지를 뻥튀기를 할 거임 (어쨌든 양질의 데이터가 많을 수록 좋기 때문에~) 어떻게 뻥튀기를 하느냐? 좌우반전, 색 변경, 확대축소, ...

앞서선 net이 들어가면 모델이었는데 ImageNet 이거는 데이터셋임

강아지 머핀

VGG넷 논문 훑어보기 vgg 16 resnet

원래는 7x7이나 5x5를 많이 썼었는데, 3x3을 여러 번 쓰는게 더 성능이 좋더라

파이토치가 연구에 적용하기엔 빠르고 가벼움 근데 서빙을 할거라면 tensorflow이 좀 더 적합함

코랩 주신거 실행해보면서 어떤 식으로 진행하면 되는지 이해하기

전이학습 관련 참고 자료 정독하기

피그마로 배운 내용 정리

회고

오늘 프로젝트 발표자료 수정한 거 피드백을 받고 왔다 전보다는 나아졌다고 하셨지만 좋다고 말할 정도도 아니라고 하셨다 돌아보니 튜터님이 말씀하신 내용들 중에 포함되어있지 않은 요소들도 많았다 실무에선 그 모든에 다 녹아있어야 진짜 일을 했다고 할 수 있는거겠지..? 그리고 태도에 대한 말씀도 해주셨다 들으면서 이번 프로젝트 동안의 나를 돌아봤는데, 태도 측면에서 부족한 부분이 많았던 것 같다 어떻게 내가 같이 일하고 싶은 사람으로 거듭할 수 있을지, 실행력있는 사람이 될 수 있을지 생각해보고 실천해야겠다 .

내일 할 거

• 세션 내용 복습
• 코랩 파일 셀 하나씩 실행해보기
• 발표자료 수정 마무리하기

세션

컴퓨터 비전 원래는 더 길게 배워야 하는 부분임 이론이라도 배워두면 좋다. 채용공고에서도 컴퓨터 비전을 공부해본자 우대해주겠다는 얘기가 언급되어 있기도 함

근데 한국에서 할려면 아직 한참 남았다..

강아고양 구분 해볼거임

딥러닝 관련 논문 찾아봐라

머신러닝이랑 딥러닝 차이?사람의 개입여부가 가장 크다 머신러닝은 주어진 데이터를 인간이 처리 딥러닝은 컴퓨터가 스스로

시그모이드가 원초적인 애 렐루가 가장 보편적으로 사용되는 애

X축 -> 자기자신

시그모이드 함수 기울기 소실 문제

머신러닝, 딥러닝 관련 용어 정리 시간 갖기 용어간의 관계에 대해서 그림을 그려서 이해하기

러닝레이트는 0.01로 시작하는게 무난하다~

모멘텀, RMSProp도 많이 언급되는데 결국에는 아담으로 사용하게 됨

MLP는 이미지 영상처리엔 부적절 그래서 나온게 CNN CNN에서는 특징을 먼저 찾아서 이미지를 분석함 (하나하나 학습하려고 했던 MLP와는 완전 다른 접근방법)

코랩 파일 들어가서 샘플 데이터로 코드 짜두신 거 실행하면서 이해하기

기술이 중요한 게 아니고 어디까지 적용할 수 있는지가 중요 얼만큼 효율적으로 문제 해결할 수 있는가가 핵심

fasion MNIST 해보기

MLP <- classification

내일 할 일

세션 노션 다시 보면서 모르는 용어, 헷갈리는 단어 찾아보기 그림으로 개념간의 관계 정리하기(피그마) 코랩 파일 셀 하나씩 실행해보기

코드카타

K번째수

def solution(array, commands):
    a=[]
    lst = []
    for num in commands:
        i = num[0]
        j = num[1]
        k = num[2]
        a = array[i-1:j]
        a.sort()
        lst.append(a[k-1])
    return lst

다른 사람 풀이

def solution(array, commands):
    return list(map(lambda x:sorted(array[x[0]-1:x[1]])[x[2]-1], commands))

내일 할 거

• 최종 프로젝트 준비 설문조사
• ppt 수정 마무리

[참여 계기] 전공이 데이터 분석 분야와는 거리가 멀었어서, ADsP 시험 범위를 접했을 때는 조금 생소하게 느껴졌습니다. 혼자서 기초부터 끝까지 독학으로 파헤치기엔 시간도 부족하고 어디서부터 어떻게 시작해야 할지 막막하게 느껴지기도 했습니다. 그래서 처음부터 제대로 된 시스템의 도움을 받는 게 훨씬 효율적이겠다라는 생각에 고민 없이 격파르타를 선택하게 됐습니다.

[좋았던 점] 타수강생이 주도적으로 만들었던 스터디 그룹, 누구나 이해할 수 있는 강의, 튜터님들의 추가적인 세션과 코칭이 좋았습니다. 다른 분들과 함께 자료를 나누고, 모르는 문제가 나오면 서로 물어보며 공부하니까 지치지 않고 끝까지 완주할 수 있었습니다. 특히 튜터님들이 시험 합격을 위해 전략적으로 어떻게 접근해야 하는지 짚어주신 방향 제시가 정말 큰 도움이 됐습니다. 덕분에 방대한 양의 공부 범위를 효과적으로 줄일 수 있었습니다.

또한, 마침 프로그램을 듣는 동안 통계 분석이나 머신러닝 관련 프로젝트를 진행 중이었는데, 강의 내용과 겹치는 부분이 정말 많아 이론으로 배운 걸 프로젝트에 바로 적용해 볼 수 있어서 훨씬 수월하게 이해할 수 있었습니다.

[추천 대상] 데이터 분석이 전공이 아니어서 어디서부터 시작할지 고민인 분들, 혹은 단기간에 확실하게 자격증을 따고 싶은 분들께 격파르타를 꼭 추천하고 싶습니다. 그리고 혼자 공부하는 게 힘드신 분들이라면, 튜터님들과 커뮤니티의 도움을 받아보시길 바랍니다.

2주 동안 했던 프로젝트가 마무리 되었다 문제 상황에 대한 시나리오를 추가했던 점, 선행 사례들과 향후 발전 계획을 연결시켰던 점들에 대해서 긍정적인 평을 듣기도 했지만 ppt 구성에 대해선 아쉽다는 평을 들었다.

ppt 레퍼런스도 많이 찾아보고 적용했어야 했는데 노력이 부족했던 것 같다

다른 팀들을 발표를 들으면서 좋다고 느꼈던 점들도 정리해봤다

• ppt 내용 구성을 상세히 하고, 발표는 자료보단 간단히 진행한 것
• 모든 장표마다 말하고자 하는 바와 근거가 명확하며, 장표 하나하나에 여백없이 내용을 충분히 담은 것
• 기업을 타겟팅한 ppt 디자인

내일 할 일

OpenAI API KEY 세션 준비 영상보기 [제2회 ㈜창진에스씨 세미나] Smart Factory - 제조업과 연계할 수 있는 AI 기술과 솔루션 우수 사례 프로젝트 결과물 수정

아티클스터디

https://velog.io/@chaen_99/산업군별-KPI-지표

DAY65

대시보드랑 ppt 수정

https://www.canva.com/design/DAHDD1qIaLY/e7Bqzp4RTzvWeY0RUGtpQw/edit https://www.figma.com/board/bIS0eYJxrZA1bz2s3WTdNN/%EA%B0%9C%EC%B2%B4-%ED%83%AD?node-id=0-1&p=f&t=n95W85nSMdpYqefc-0

우리 데이터에 적용할만한 KPI 매출, 비용, 농장소득(소득-운영비용), 폐기물 비율(폐사한 가축 수)

추가적으로 생각해보자면....

• 농장 면적 대비 생산량(수익),

https://chuksannews.co.kr/mobile/article.html?no=261149

ㄴ통상적으로 소규모가 대규모보다 수익률이 낮지만 이를 사양관리를 통해 끌어올릴 수 있다고 함

• 현재 농장의 비유 단계별 개체 수

ㄴ 비유 단계가 생산량에 영향을 크게 미치는 요인이니 농장주가 현재 농장 전체적인 비유 단계 비율이 어떻게 되나 볼 수 있게

(우리 데이터의 경우에는 초기/증기/후기의 비율이 비슷하게 나왔음)

https://imilk.or.kr/wp-content/uploads/bbs/selfhelpcost_data/1409100203348_2.pdf

ㄴ 2012년 낙농자조금사업 연구용역 최종보고서

여기서 언급되는 지표들

• 주요 축종별 소득과 순수익
• 평균유지율(유지방. 우리데이터엔 없지만 만약에 있다면 활용해도 좋았을 듯)
• 사료 종류별 사용 비율

추가조사 내용

목장 수익률 분석 사례를 찾아보면서 정리한 내용

국립축산과학원 - 2. 우리 목장의 소득을 증대하려면 어떻게 해야하는가? 동일한 사료 품질에서 농장소득을 높이기 위해선 사양기술의 향상이 필요함

요새는 '정밀사양기술'이라는 개념이 등장함 정밀사양기술? ICT 장비, 빅데이터, AI를 활용해 가축의 개체별 성장 단계, 영양 요구량, 건강 상태를 분석하고 최적의 사료와 환경을 제공하는 기술 내나 스마트낙농 같은 개념

가축의 생산성을 극대화하기 위해(동일한 사료 품질 내에서 수익을 끌어올리기 위해), 사양관리(영양, 환경, 위생 등의 관리)가 필요함

• 스마트 낙농은 이러한 사양관리를 좀 더 정밀하게 할 수 있게 함 축산신문 - 정밀사양기술, 생산성 증대·자원 낭비 줄여

오늘은 대시보드 제작에 집중했다

초기 구성 계획

Before

이래저래 수정을 많이 거친 After

내용정리

1) 착유 로봇 시장의 성장

현재 낙농 산업 전체 자동화 투자 중 약 70%가 착유 로봇 시스템에 집중되어 있다.

• 자동화 도입 증가
• 지속적인 노동력 부족
• 우유 생산량의 일관성과 운영 효율성 개선

이러한 요인들이 시장 규모를 더 키우고 있다

농부들은 착유 로봇을 통해

• 생산성 향산
• 노동 의존도 감소
• 가축 관리 최적화
• 데이터 기반의 가축 모니터링

등을 얻고자 하며, 실제로 사용자들 중 다수가 만족하고 있고, 향후 사용 예정인 사람들도 많다

앞으로의 기술에서는 AI를 기반으로 실시간 소 건강 인사이트와 효율적인 착유 성능도 도출된다고 함

.

2) 착유 로봇 시장에서의 니즈

농장주들이 꼽는 단점

• 높은 초기 투자 비용
• 유지보수의 복잡성

해결이 필요한 과제

• 인터넷, 전기 등의 인프라 부족 문제
• 설치 및 맞춤화 과정에서의 비용 상승 문제
• 실무자의 디지털 관련 교육 문제

.

3) 착유 로봇의 유형

• 파이프라인 착유 시스템 (시장 점유율 43.2%)

특징: 대규모 농가에서 연속적인 착유가 가능 장점: 대량 생산 시 비용 효율성이 뛰어나며 시스템이 안정적 주요 국가: 독일, 미국, 네덜란드 등 대규모 낙농 선진국 중심

• 양동이 착유 시스템 (시장 점유율 20.8%)

특징: 구조가 간단하고 도입 비용이 저렴하여 소규모 농장에 적합 장점: 간단하고 가성비라 진입 장벽이 낮음 주요 국가: 인도, 브라질, 베트남 등 신흥 시장에서 선도적

• Pushy 로봇 시스템 (시장 점유율 18%)

특징: 단순 착유를 넘어 소의 행동 모니터링 기능까지 탑재된 시스템 장점: 개별 가축의 정밀 관리가 가능하여 고부가가치 낙농에 유리 주요 국가: 일본, 한국, 호주 등 기술 수용도가 높은 국가 중심

.

4) 미래 기술 트렌드 및 전망

AI의 본격 도입 자동화를 넘어 AI 기반 실시간 건강 인사이트 도출 단계로 진입하고 있음 -> 질병 조기 발견 및 착유 성능 최적화가 수월해진다

자본의 집중 전 세계 스마트 농업 관련 자금이 낙농 자동화 분야에 집중되고 있음 -> 기술 발전 속도는 더욱 빨라질 것으로 예상됨

착유 로봇 시장은 단순한 자동화를 넘어 AI 기반의 정밀 가축 관리 시스템으로 접어드는 중 인프라 개선과 실무자 교육이 뒷받침된다면 폭발적인 성장이 기대된다~

DAY62

코드카타

문자열 내 마음대로 정렬하기

def solution(strings, n):
    a = []
    for word in strings:
        a.append((word[n], word))
    a.sort()
    return [tuple[1] for tuple in a]

다른사람 풀이

def strange_sort(strings, n):
    return sorted(strings, key=lambda x: x[n])

strings를 정렬해. 근데 키는 단어의 n번째 알파벳으로 해 너무 깔끔하다👍

아티클스터디

https://velog.io/@chaen_99/Milking-Robots-Market-Size-Share-Growth-and-Industry-Analysis-By-Types-Pail-Milking-Robots-Pipeline-Milking-Robots-Plshy-Bone-Milking-Robots-Others-By-Applications-Farm-Dairy-Company-Others-Regional-Insights-and-Forecast-to-2035

회고

ㅇ

.

내일 할 거

사용할만한 평가지표 추가조사

사용한 지표, 다른 지표들이랑 비교해서 뭐가 강점인지, 논문 출처

MAE https://www.sciencedirect.com/science/article/pii/S1751731121002780 https://www.sciencedirect.com/science/article/pii/S1751731121000732#s0040 (R2_RM은 뭐지)

RMSEP https://www.cambridge.org/core/journals/journal-of-dairy-research/article/using-machine-learning-methods-to-predict-dry-matter-intake-from-milk-midinfrared-spectroscopy-data-on-swedish-dairy-cattle/A06673BFE835058C2CA1FDFC975AA58F https://www.sciencedirect.com/science/article/pii/S002203022100552X#cesec110

CCC https://www.sciencedirect.com/science/article/pii/S002203022100552X#cesec110

MSEP https://www.sciencedirect.com/science/article/pii/S002203022100552X#cesec110

분산σ2 https://www.sciencedirect.com/science/article/pii/S0022030214002690#sec0065

https://www.sciencedirect.com/science/article/pii/S002203022100552X#cesec110

추가적으로 궁금한 내용

PLS 회귀? Model performance was assessed using repeated measures correlations (R2_RM)?

선정된 평가지표들 정리하기

R^2, RMSE CCC, R^2, RMSPE, MAPE

아티클스터디

https://velog.io/@chaen_99/2025-축산박람회-톺아보기-낙농산업-더-적은-소로-더-많이-벌기-위한-혁신-전략

회고

어제보다는 ppt 구성하는게 나아졌다 아티클이랑 팀원들이 피드백이 도움이 많이 된다 머신러닝 부분은 이해도가 많이 떨어지는 것 같다 노션 다시 살펴보면서 복습 좀 해야겠다

.

내일 할 거

• ppt에 EDA 부분 차트 수정하기
• 인트론 지원서 넣기
• 스트림릿 복습하기

내용정리

현재 낙농업계의 걱정거리

1. 국내 우유 생산량과 수입 유제품이 함께 증가하며 시장 경쟁이 심화
2. 낙농가 수와 총 사육 두수가 모두 감소하는 추세(2021년 대비 2025년 2분기까지)
3. 기후 변화 대응과 농가 경쟁력 강화를 위해 스마트 축산 기술과 전문적인 사료 지원이 필수적이 됨

낙농가 수랑 사육 두수는 줄었는데 우유 생산량은 늘었네..? => 생산성 격차

생산성이 높은 상위 농장을 보았더니 순수익은 160% 더 높았고, 우유 1L 생산에 드는 사료비 오히려 적었음 => 생산비 절감뿐만 아니라 생산성과 효율성 증가도 필요하다

효율성을 어떻게 높이나? 평균 우유 생산량이 높아지면 됨 그렇게 하면 적은 수의 소로도 목표치를 채울 수 있으니까 사육 두수를 줄여도 되고 그러면 필요한 사료량이 줄어드니까 생산비가 절감된다

1. 사육 두수 감소시키기 - 한마리 당 평균 우유 생산량 높이기
2. 사료 효율 증가시키기 - 사료 최적량 찾기
3. 생산비 감소시키기 - 사육 두수 감소시켜서 필요 사료량 감소시키기, 비용대비 효율 좋은 사료 선택하기

고능력우 관리 핵심 분만 직후 초기 관리가 중요함! 체지방 점수(BCS) 확인을 통해 충분한 영양을 공급해야 연간 총 유량이 높아짐 뿐만 아니라 여러 측면의 관리가 필요함 -발굽 관리(BCS 저하 시 발굽 얇아짐) -간 기능 및 유방 건강(체세포 수) 관리 -여름철 고온 스트레스를 막기 위한 환경 관리

미래 낙농업의 방향성 노동력을 줄이고 정밀 사육을 하는 방향으로 나아가야한다 이걸 도와줄 수 있는게 스마트 기술(ICT)이랑 로봇 착유 전문 사료이다 ICT - 로봇 착유 시스템응로 착유를 하고, 소의 상태에 대한 빅데이터를 수집하고 분석하여 정밀 관리 로봇 착유 전문 사료 - 로봇 착유 시스템 도입 후 생산성은 향상되지만 일부 고능력우에서 간이나 발굽 건강이 악화가 일어날 수 있음. 이에 대한 대안으로 로봇 착유 전문 사료 있다. 로봇 착유 전문 사료는 간 기능, 유방 건강, BCS, 발굽 건강, 반추위 안정성 등을 종합적으로 개선할 수 있음

주요 용어 정리 🐄 BCS (체지방 점수): 소의 영양 상태를 갈비뼈, 허리 부위 등의 지방량을 기준으로 1~5단계로 평가하는 지표 🥛 체세포 수: 원유 1ml당 포함된 체세포의 수로, 유방 건강과 우유 품질을 나타내는 핵심 지표 (낮을수록 좋음) 📊 유량: 젖소 한 마리가 하루 또는 특정 기간 동안 생산하는 우유의 양 🤖 로봇 착유 시스템: 로봇이 자동으로 젖소의 착유, 데이터 수집, 세척 등을 수행하는 자동화 설비 📡 ICT (정보통신기술): 농장에 센서, 로봇, 데이터 분석 등 정보통신기술을 접목한 스마트팜 기술

.

아티클 스터디

• 요약 유제품 시장 경쟁이 심화되고 있으며 기후 변화 대응책이 필요하다 이에 대한 해결책이 스마트 축산 기술을 이용하는 것이다 ICT 기술을 활용해 소의 빅데이터를 기반으로 정밀관리를 하고, 로봇 착유 시스템을 통해 노동력을 절감할 수도 있다. 이러한 기술 활용을 효율성와 생산성은 높이고 생산비를 감소시켜 순수익을 높혀야 한다

• 주요내용 현재 국내 낙농업의 문제와 개선 방향성

• 핵심개념 ICT: 정보를 생성, 처리, 저장, 전송하는 모든 기술을 뜻한다. 스마트폰, 인터넷, AI, 클라우드, 사물인터넷(IoT) 등이 포함된다 농장에 센서, 로봇, 데이터 분석 등 정보통신기술을 접목한 스마트팜 기술.

• 추가조사 고능력우 기준?

https://view.officeapps.live.com/op/view.aspx?src=https%3A%2F%2Fwww.gunsan.go.kr%2F_cms%2Fboard%2FeFileDownload%2F455%2F966487%2F747742900a433387d8e4b0394807f857%23%3A~%3Atext%3D%25EC%25B5%259C%25EC%25A0%2581%2520%25EC%25A0%2596%25EC%2586%258C%2520%25EA%25B8%25B0%25EC%25A4%2580%2520(1)%25208%252C500~9%252C000%25E3%258E%258F%2520%25EC%259A%25B0%25EC%259C%25A0%25EC%2583%259D%25EC%2582%25B0%2520%3A%25202%25EC%2582%25B0%25EC%25B0%25A8%2520(2)%2520%25EC%259C%25A0%25EC%25A7%2580%25EB%25B0%25A9%25203.8%2525%252C%2520%25EC%259A%25B0%25EC%259C%25A0%26text%3D%25EA%25B3%25A0%25EB%258A%25A5%25EB%25A0%25A5%25EC%259A%25B0%2520%25EC%2598%2581%25EC%2596%2591%25EC%2586%258C%2520%25EC%259A%2594%25EA%25B5%25AC%25EB%259F%2589%2520%25EA%25B2%25B0%25EC%25A0%2595%2520%25EC%259A%2594%25EC%259D%25B8.&wdOrigin=BROWSELINK

ICT 기술 뭐가 더 있나? -반추 시간 센서 -활동량 센서 (발정 감지) -체온 센서 -우유 전도도 (유방염 조기 탐지) -자동 체중계 -착유 속도 데이터

gpt 추천 전략 분만 후 초기 60일 데이터 살펴보기 분만 직후:

-BCS(체지방 점수) 감소폭 -산차(Parity) -체세포 수 변화 -질병 발생 여부 -DMI 변화(건물섭취량)

👉 “초기 관리 데이터 → 연간 총 유량 예측 모델”

이걸 만들 수 있다면 농가 의사결정 지원 시스템으로 확장 가능하다.

ㅇ

회고

모델하나 돌리기 너무 어렵다.. 1시간을 돌려도 끝이 안난다;;

.

내일 할 거

• 아티클 읽고 정리
• 유의 변수 정리 후 통계 분석
• 파생변수 컬럼 만들기
• ppt 수정

1) 자기소개 자기소개 90초

2) 기본질문 지원동기 60초 성격의 장단점 60초

3) 성향파악 비슷한 질문을 다른 형태로 여러 번 함 중간중간 ~ 분야에서 ~한 게 있는데 알고있는지 물어봄 (근데 그게 실제로 있는지 없는지는 모르겠음. 그냥 난 다 처음 들어보는 거였음)

4) 상황대처 채권 회수율이 떨어지고 있는데 이에 대한 전략을 회의에 참여한 사람처럼 말해봐라 친구가 자꾸 술먹고 전화하는데 술깨면 그걸 다 잊음. 친구한테 뭐라고 말할래

5) 보상신호 본인의 기준이 일관된 사람인지 보는 느낌 만약에 게임하는 것 같았음

100억 부자 유병재 vs. 알거지 OOO
1000억 부자 유병재 vs. 알거지 OOO

보상 포인트랑 개월 수를 조절하면서 즉시 받을건지 n개월 후에 받을 건지 물어봄

6) 전략게임 게임 꽤 어려움... 나는 순발력 게임이 너무 어려웠음.. 방향바꾸기, 입 길이 맞추기도 너무 빨리 지나가서 동체시력 측정인줄 그리고 날씨 맞히기도 어려웠음 추리력 게임인데 2n년 동안 코난 헛봤네..

7) 심층대화 현대사회에서 겸손이 미덕이라고 생각하는지 (아니오) 언제 겸손이 불필요하다고 생각하는지, 해당되는 경험이 있는지 그럼에도 불구하고 겸손이 필요한 순간이 있다고 생각하는지 스트레스에서 금방 회복하는지 (예) 어떻게 금방 극복하는지, 만성 스트레스를 겪는 사람들에게 어떤 방법을 제시할건지 만성 스트레스의 원인이 환경적 요인이라고 생각하는지 개인적 요인이라고 생각하는지

8) 맞춤질문 5년 뒤 기대하는 품질관리 직무에서의 모습이 무엇인지 정확성과 신속성 중 뭐가 더 중요하다고 생각하는지 최근 제약/바이오 업계의 변화 중 중요하다고 생각하는 것이 무엇인지 최근 품질관리에도 AI가 도입되고 있는데, 이것의 장점과 단점이 뭐라고 생각하는지 최근 품질 관련 이슈 중에 중요하다고 생각하는 것이 무엇인지

생각한 것만큼 말이 안나온다 생각할 시간이 30초 가량 주어지는데, 어떤 쪽으로 대답할지랑 어떻게 조리있게 대답할지 구상도 해야해서 짧게 느꼈다 그리고 답변을 구상했다고 해도 말이 술술 나오지는 않았다 더듬기도 하고 단어가 생각이 안나기도 했다

코드카타

숫자 문자열과 영단어

def solution(s):
    table = {
        'zero':'0', 'one':'1', 'two':'2', 'three':'3',
        'four':'4', 'five':'5', 'six':'6',
        'seven':'7', 'eight':'8', 'nine':'9'
    }

    for word in table:
        s = s.replace(word, table[word])

    return int(s)

다른 사람 풀이

num_dic = {"zero":"0", "one":"1", "two":"2", "three":"3", "four":"4", "five":"5", "six":"6", "seven":"7", "eight":"8", "nine":"9"}

def solution(s):
    answer = s
    for key, value in num_dic.items():
        answer = answer.replace(key, value)
    return int(answer)

이 분은 item을 쓰셨음 이게 훨 깔끔한 듯

아티클 스터디

https://velog.io/@chaen_99/사료-섭취량-예측-SDF-아티클-스터디

내일 할 거

• 이상치 판단 근거 찾기
• 역검

IoT for Development of Smart Dairy Farming

첫번째 아티클

서론

사료 섭취량 = 건강상태, 생산성 파악에 중요한 지표 근데 이걸 직접 관찰/측정하기엔 품이 많이 듦 그래서 다른 데이터들을 통해 예측 모델을 개발하고자 함

방법

과거에는 선형 회귀가 주로 사용되었지만, 비선형 관계 포착에 한계가 있어 서포트 벡터 회귀를 사용함

초기 스크리닝 단계에서는 착유 일수, 체중, 대사 체중, 유량, 유지방 함량, 4% 유지방 보정 유량, 농후사료 섭취량, 활동량, 반추 시간 등 총 9개 변수를 사용함

두 번째 단계에서는 7:3 = train:test 로 나눠서 훈련 후, 최적 변수 조합 탐색하고 최적 모델의 성능 평가

세 번째 단계에서는 이동 평균(3일, 5일, 7일)을 적용하고, 10-fold cross-validation 방식으로 훈련 두 번째 단계에서 도출한 최적 모델의 성능 평가

결론

통계적 유의성이 떨어지는 2개 변수는 뺴고 나머지로 최적의 조합 만듦 착유 일수, 체중, 대사 체중, 유량, 유지방 함량, 4% 유지방 보정 유량, 농후사료 섭취량, 활동량, 반추 시간 MY, 유량 (kg/d); CONC, 농후사료 섭취량 (kg/d); MBW, 대사 체중 (kg); RUM, 반추 시간 (minute/d); DIM, 착유 일수 (d); BW, 체중 (kg); FCM, 4% 유지방 보정 유량 (kg/d) 유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수 를 포함하는 조합이 가장 우수한 성능을 보임

모델은 MLR보다 SVR에서 우수한 성능을 보임 이동 평균 모델 적용 결과는 간격이 넓어질 수록 성능 향상

고찰

본 논문에서는 유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수가 사료 섭취량 예측에 유의한 변수로 도출됨.

비유 초기에는 사료 섭취량이 감소하고 이후에는 증가하는 경향(비선형적인 관계).

반추시간의 경우에, 이전 연구들에서 사료 섭취량 예측 모델의 유의한 변수로 분류되진 못했지만 활동량, 반추 시간, 눕기 시간 데이터를 유량, 체중 등의 기존 변수들과 결합하였을 때, 모델의 정밀도와 정확도가 증가하긴 함.

이전 연구에서 사료의 화학적 조성을 이용하여 젖소의 유량을 예측하기 위한 모델 개발에 SVR 알고리즘을 이용하였는데, SVR 모델이 MLR 및 신경망 모델보다 RMSEP는 더 적고, R2은 더 높았다. .

• 요약 농장 데이터들을 통해 착유우의 사료 섭취량 예측 모델을 구축함 모델은 MLR보단 SVR의 성능이 우수했고, 변수는 유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수의 조합에서 예측 성능이 뛰어났다

• 주요내용 착유 젖소의 부분 혼합 사료 섭취량 예측을 위한 모델 구축, 유의 변수 정의

• 용어정리

• 비유(泌乳, Lactation): 분만 후 젖소의 유방에서 젖(우유)이 분비되는 과정 비유 주기: 송아지 분만 후 우유를 생산(착유)하기 시작하여 다음 분만 전까지의 주기. 보통 305일 착유 후 약 60일간 건유(휴식)하는 과정을 반복합니다. 분만 후 약 6~8주(초기)에 산유량이 최고조(피크)에 달하며, 이 시기 영양 관리가 평생 산유량을 결정합니다.

• PMR(Partial Mixed Ration, 부분 혼합 사료): 조사료(풀)와 농후사료(곡물)를 섞은 베이스 사료(TMR 형태)를 일괄적으로 급여하되, 고능력우에게는 착유실이나 자동착유시스템(AMS/로봇)에서 농후사료를 추가로 급여하는 방식을 말합니다.

• TMR vs PMR 비교

• CCC(Concordance Correlation Coefficient, 일치 상관 계수): 두 측정값, 평가자, 또는 기기 간의 일치도(Agreement)를 측정하는 통계 지표. 단순히 선형 관계만 보는 피어슨 상관계수와 달리, 두 데이터가 직선(완전 일치)에 얼마나 가까운지를 평가하여 재현성이나 평가자 간 신뢰도를 판단하는 데 사용됩니다.

두번째 아티클

인구 증가로 우유의 수요도 지속적으로 증가하는 추세 IoT와 다양한 AI 기술이 우유 생산량 증가에 도움이 된다 -> 이런 기술을 적용한 게 SDF

SDF를 통해 얻을 수 있는 것? 우유 생산량 증가, 환경문제&자원사용 감소, 가축의 건강 증진 우유의 경우, 수요는 증가하는 추세인데 가격 변동이 심한 제품임 그래서 더욱 SDF 적용이 필요하다~

우유 생산량 저하의 원인과 SDF에선 이를 어떻게 해결할 수 있는지 => 체중, 유방염 여부, 분만간격, 영양 상태, 급이, 급수, 스트레스, 환경 등이 우유의 생산량에 영향을 미치는 요인이라고 함

SDF가 우유 생산량 증감에만 효과적이냐? 아니다~ SDF를 활용하여 할 수 있는 또 다른 것들

• 배고픔을 감지하여 자동으로 사료를 공급하는 급여 시스템
• 번식에 도움을 주는 자동 발정 감지 시스템
• 건강 평가 및 질병 감지·예방을 위한 소 모니터링

• 요약 SDF를 통해 증가하는 우유의 수요를 충족시킬 수 있다

• 주요내용 IoT 기반 스마트 낙농업의 필요성 스마트 센서, AI 데이터 분석 및 클라우드 기반 시스템을 활용

• 젖소의 건강, 영양, 번식 및 착유 과정을 최적화

• 생산성을 향상

• 핵심개념 SDF(Smart Dairy Farming, 스마트 낙농업): 전통적인 낙농 방식에 사물인터넷(IoT), 로봇, 인공지능(AI), 빅데이터 등 정보통신기술(ICT)을 접목하여 젖소의 건강 관리, 착유, 사료 공급 등 농장 운영 전반을 자동화·정밀화하는 미래형 농장

• 용어정리 Fog-based Architecture: 클라우드 컴퓨팅과 엣지(데이터 발생 지점) 사이의 중간 계층인 '포그 노드(Fog Node)'를 활용하여 데이터를 로컬에서 처리, 저장, 분석하는 분산 컴퓨팅 아키텍처를 뜻합니다.

정리

유량, 농후사료 섭취량, 대사 체중, 반추 시간, 착유 일수 -> 이 변수들이 사료 섭취량에 영향을 미치는 요인들

체중, 유방염 여부, 분만간격, 영양 상태, 급이, 급수, 스트레스, 환경 -> 이 변수들이 우유 생산량에 영향을 미치는 요인들

이 내용을 데이터 스크리닝 과정에 참고하기

첫번째 논문에서 비선형적이고 데이터의 수가 작은 경우에 SVR 모델의 성능이 뛰어나다고 함. 우리 데이터의 경우에 데이터 수는 많지만 선행 연구들처럼 변수들 간의 비선형적 관계가 있을 확률이 높으니 SVR 모델도 한번 사용해보기