반응형
bigbungi-type2-5-practice.zip
0.20MB
빅데이터분석기사(빅분기) 실기 작업형 2유형을 연습할 수 있는 5문제입니다. 각 문제의 학습 데이터로 모델을 만들고, 평가 데이터의 예측값을 제출용 CSV로 저장합니다.
첨부 ZIP에 문제별 train.csv·test.csv와 주피터 노트북을 함께 담았습니다. 압축을 풀면 problem-01부터 problem-05까지 5개 폴더가 나옵니다. 풀 문제의 폴더에서 노트북을 열고 위에서부터 실행하세요. 각 폴더에서 실습하면 제출 파일 result.csv가 서로 덮어써지지 않습니다.
노트북에는 문제, 변수 설명, 데이터 불러오기 코드와 풀이 작성 칸이 들어 있습니다. 참고 풀이는 각 문제 아래의 참고 풀이 보기를 눌러 확인할 수 있습니다.
문제 01. 설비 고장 발생 여부 예측
제공된 데이터는 설비 점검 기록과 점검 후 7일 이내 고장 발생 여부이다. 학습용 데이터(train.csv)를 활용하여 향후 7일 이내 고장 발생 여부(failure)를 예측하는 모형을 개발하고, 평가용 데이터(test.csv)에 적용하시오. 예측 결과는 아래의 유의 사항과 제출 형식을 준수하여 CSV 파일로 생성하는 코드를 작성하시오.
유의 사항
- 예측 결과는 F1 (양성 1) 평가지표로 평가합니다.
- 모형과 초매개변수 조합을 비교하여 평가에 적합한 모형을 선택하시오.
제출 형식
| 항목 | 조건 |
|---|---|
| 파일명 | result.csv |
| 열 이름 / 열 수 | pred / 1개 |
| 행 수 | 600개 |
| 예측값 | 0 또는 1의 클래스 값 |
| 행 순서 | test.csv의 원래 행 순서 |
| 저장 조건 | 인덱스와 record_id 열 제외 · UTF-8 · 현재 작업 폴더에 저장 |
제공 데이터
압축을 푼 뒤 problem-01 폴더의 노트북을 엽니다. 목표변수는 failure (0=미발생, 1=발생)이며, test.csv에는 포함되어 있지 않습니다.
| 구분 | 경로 | 행 × 열 |
|---|---|---|
| 학습 | data/T2_002/train.csv |
1,800 × 10 |
| 평가 | data/T2_002/test.csv |
600 × 9 |
| 변수 | 의미 |
|---|---|
record_id |
레코드 고유번호 |
machine_age_years |
설비 사용 연수 (년) |
vibration |
진동 크기 (임의 측정 단위) |
temperature_c |
점검 시 온도 (°C) |
operating_hours |
전날 가동 시간 (시간) |
days_since_maintenance |
최근 정비 후 경과일 (일) |
load_pct |
가동 부하율 (%) |
machine_model |
설비 모델 (A, B, C) |
shift |
점검 근무조 (day, night) |
failure |
향후 7일 이내 고장 발생 여부 (0=미발생, 1=발생) |
문제 01 참고 풀이 보기
양성 클래스 1의 F1을 계산합니다. record_id를 제외하고, 학습 구간에서 계산한 결측값 대체 기준을 검증·평가 데이터에도 적용합니다.
아래 코드는 비교를 시작할 때 사용할 수 있는 참고 모델입니다. 출력되는 검증 점수는 학습 데이터를 나눈 검증 구간의 결과이며, 최종 평가 데이터의 점수를 뜻하지 않습니다.
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import f1_score
# 1. 데이터 불러오기와 확인
train = pd.read_csv("data/T2_002/train.csv")
test = pd.read_csv("data/T2_002/test.csv")
print(train.shape, test.shape)
print(train.isna().sum())
# 2. 목표변수와 입력변수 분리
X = train.drop(columns=["failure", "record_id"])
y = train["failure"]
X_test = test.drop(columns=["record_id"])
# 3. 학습·검증 데이터 나누기
X_train, X_valid, y_train, y_valid = train_test_split(
X, y, test_size=0.25, random_state=42, stratify=y
)
# 4. 결측값 처리와 원-핫 인코딩
# 중앙값은 X_train에서 구하고, 검증·평가 데이터에도 같은 값을 적용합니다.
fill_values = X_train.select_dtypes(include="number").median().fillna(0)
X_train = pd.get_dummies(X_train.fillna(fill_values).fillna("missing"))
X_valid = pd.get_dummies(X_valid.fillna(fill_values).fillna("missing"))
X_test = pd.get_dummies(X_test.fillna(fill_values).fillna("missing"))
# X_train과 동일한 열 이름·순서로 맞춥니다.
X_valid = X_valid.reindex(columns=X_train.columns, fill_value=0)
X_test = X_test.reindex(columns=X_train.columns, fill_value=0)
# 5. 모델 학습과 검증
model = RandomForestClassifier(n_estimators=100, random_state=42, class_weight="balanced")
model.fit(X_train, y_train)
valid_pred = model.predict(X_valid)
score = f1_score(y_valid, valid_pred, pos_label=1, zero_division=0)
print("검증 F1 (양성 1):", score)
# 6. 전체 학습 데이터로 다시 학습하고 평가 데이터 예측
X_full = pd.concat([X_train, X_valid])
y_full = pd.concat([y_train, y_valid])
model.fit(X_full, y_full)
pred = model.predict(X_test)
# 7. 제출 파일 저장
result = pd.DataFrame({"pred": pred})
result.to_csv("result.csv", index=False)
print(result.head())
print(result.shape)
문제 02. 온라인 구매 전환 확률 예측
제공된 데이터는 온라인 쇼핑 세션의 행동 정보와 해당 세션 종료 전 구매 여부이다. 학습용 데이터(train.csv)를 활용하여 세션 종료 전 구매 여부(purchased)를 예측하는 모형을 개발하고, 평가용 데이터(test.csv)에 적용하시오. 예측 결과는 아래의 유의 사항과 제출 형식을 준수하여 CSV 파일로 생성하는 코드를 작성하시오.
유의 사항
- 예측 결과는 ROC-AUC (양성 1의 확률) 평가지표로 평가합니다.
- 모형과 초매개변수 조합을 비교하여 평가에 적합한 모형을 선택하시오.
제출 형식
| 항목 | 조건 |
|---|---|
| 파일명 | result.csv |
| 열 이름 / 열 수 | pred / 1개 |
| 행 수 | 600개 |
| 예측값 | purchased=1의 확률 (0 이상 1 이하) |
| 행 순서 | test.csv의 원래 행 순서 |
| 저장 조건 | 인덱스와 record_id 열 제외 · UTF-8 · 현재 작업 폴더에 저장 |
제공 데이터
압축을 푼 뒤 problem-02 폴더의 노트북을 엽니다. 목표변수는 purchased (0=미구매, 1=구매)이며, test.csv에는 포함되어 있지 않습니다.
| 구분 | 경로 | 행 × 열 |
|---|---|---|
| 학습 | data/T2_003/train.csv |
1,800 × 10 |
| 평가 | data/T2_003/test.csv |
600 × 9 |
| 변수 | 의미 |
|---|---|
record_id |
레코드 고유번호 |
page_views |
예측 시점까지 페이지 조회 수 (회) |
cart_items |
예측 시점의 장바구니 상품 수 (개) |
past_orders |
현재 세션 이전 완료 주문 수 (건) |
elapsed_seconds |
예측 시점까지 세션 경과 시간 (초) |
offered_discount_pct |
예측 시점에 제공된 할인율 (%) |
device |
기기 유형 (mobile, desktop, tablet) |
channel |
유입 경로 (search, direct, social, email) |
membership |
회원 등급 (basic, silver, gold) |
purchased |
세션 종료 전 구매 여부 (0=미구매, 1=구매) |
문제 02 참고 풀이 보기
ROC-AUC는 구매 여부를 0과 1로 확정한 값이 아니라 purchased=1의 확률로 계산합니다. 제출 파일에도 predict_proba로 구한 구매 확률을 넣습니다.
아래 코드는 비교를 시작할 때 사용할 수 있는 참고 모델입니다. 출력되는 검증 점수는 학습 데이터를 나눈 검증 구간의 결과이며, 최종 평가 데이터의 점수를 뜻하지 않습니다.
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score
# 1. 데이터 불러오기와 확인
train = pd.read_csv("data/T2_003/train.csv")
test = pd.read_csv("data/T2_003/test.csv")
print(train.shape, test.shape)
print(train.isna().sum())
# 2. 목표변수와 입력변수 분리
X = train.drop(columns=["purchased", "record_id"])
y = train["purchased"]
X_test = test.drop(columns=["record_id"])
# 3. 학습·검증 데이터 나누기
X_train, X_valid, y_train, y_valid = train_test_split(
X, y, test_size=0.25, random_state=42, stratify=y
)
# 4. 결측값 처리와 원-핫 인코딩
# 중앙값은 X_train에서 구하고, 검증·평가 데이터에도 같은 값을 적용합니다.
fill_values = X_train.select_dtypes(include="number").median().fillna(0)
X_train = pd.get_dummies(X_train.fillna(fill_values).fillna("missing"))
X_valid = pd.get_dummies(X_valid.fillna(fill_values).fillna("missing"))
X_test = pd.get_dummies(X_test.fillna(fill_values).fillna("missing"))
# X_train과 동일한 열 이름·순서로 맞춥니다.
X_valid = X_valid.reindex(columns=X_train.columns, fill_value=0)
X_test = X_test.reindex(columns=X_train.columns, fill_value=0)
# 5. 모델 학습과 검증
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
# 이 데이터의 클래스 순서는 [0, 1]이며, 두 번째 열이 구매(1) 확률입니다.
valid_pred = model.predict_proba(X_valid)[:, 1]
score = roc_auc_score(y_valid, valid_pred)
print("검증 ROC-AUC (양성 1의 확률):", score)
# 6. 전체 학습 데이터로 다시 학습하고 평가 데이터 예측
X_full = pd.concat([X_train, X_valid])
y_full = pd.concat([y_train, y_valid])
model.fit(X_full, y_full)
pred = model.predict_proba(X_test)[:, 1]
# 7. 제출 파일 저장
result = pd.DataFrame({"pred": pred})
result.to_csv("result.csv", index=False)
print(result.head())
print(result.shape)
문제 03. 농산물 품질 등급 분류
제공된 데이터는 농산물 검사 기록과 품질 등급이다. 학습용 데이터(train.csv)를 활용하여 농산물 품질 등급(quality_grade)를 예측하는 모형을 개발하고, 평가용 데이터(test.csv)에 적용하시오. 예측 결과는 아래의 유의 사항과 제출 형식을 준수하여 CSV 파일로 생성하는 코드를 작성하시오.
유의 사항
- 예측 결과는 Macro F1 평가지표로 평가합니다.
- 모형과 초매개변수 조합을 비교하여 평가에 적합한 모형을 선택하시오.
제출 형식
| 항목 | 조건 |
|---|---|
| 파일명 | result.csv |
| 열 이름 / 열 수 | pred / 1개 |
| 행 수 | 500개 |
| 예측값 | basic, standard, premium 중 하나의 영문 등급명 |
| 행 순서 | test.csv의 원래 행 순서 |
| 저장 조건 | 인덱스와 record_id 열 제외 · UTF-8 · 현재 작업 폴더에 저장 |
제공 데이터
압축을 푼 뒤 problem-03 폴더의 노트북을 엽니다. 목표변수는 quality_grade (basic / standard / premium)이며, test.csv에는 포함되어 있지 않습니다.
| 구분 | 경로 | 행 × 열 |
|---|---|---|
| 학습 | data/T2_004/train.csv |
1,500 × 9 |
| 평가 | data/T2_004/test.csv |
500 × 8 |
| 변수 | 의미 |
|---|---|
record_id |
레코드 고유번호 |
sugar_brix |
당도 측정값 (Brix) |
firmness |
경도 측정값 (임의 측정 단위) |
defect_pct |
표면 결점 비율 (%) |
weight_g |
중량 (g) |
storage_days |
보관 경과일 (일) |
variety |
품종 코드 (A, B, C) |
region |
생산 권역 (north, central, south) |
quality_grade |
농산물 품질 등급 (basic / standard / premium) |
문제 03 참고 풀이 보기
Macro F1은 각 등급의 F1을 동일한 비중으로 평균합니다. 제출할 때 숫자 코드로 바꾸지 않고 basic, standard, premium 등급명을 그대로 저장합니다.
아래 코드는 비교를 시작할 때 사용할 수 있는 참고 모델입니다. 출력되는 검증 점수는 학습 데이터를 나눈 검증 구간의 결과이며, 최종 평가 데이터의 점수를 뜻하지 않습니다.
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import f1_score
# 1. 데이터 불러오기와 확인
train = pd.read_csv("data/T2_004/train.csv")
test = pd.read_csv("data/T2_004/test.csv")
print(train.shape, test.shape)
print(train.isna().sum())
# 2. 목표변수와 입력변수 분리
X = train.drop(columns=["quality_grade", "record_id"])
y = train["quality_grade"]
X_test = test.drop(columns=["record_id"])
# 3. 학습·검증 데이터 나누기
X_train, X_valid, y_train, y_valid = train_test_split(
X, y, test_size=0.25, random_state=42, stratify=y
)
# 4. 결측값 처리와 원-핫 인코딩
# 중앙값은 X_train에서 구하고, 검증·평가 데이터에도 같은 값을 적용합니다.
fill_values = X_train.select_dtypes(include="number").median().fillna(0)
X_train = pd.get_dummies(X_train.fillna(fill_values).fillna("missing"))
X_valid = pd.get_dummies(X_valid.fillna(fill_values).fillna("missing"))
X_test = pd.get_dummies(X_test.fillna(fill_values).fillna("missing"))
# X_train과 동일한 열 이름·순서로 맞춥니다.
X_valid = X_valid.reindex(columns=X_train.columns, fill_value=0)
X_test = X_test.reindex(columns=X_train.columns, fill_value=0)
# 5. 모델 학습과 검증
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
valid_pred = model.predict(X_valid)
score = f1_score(y_valid, valid_pred, average="macro", zero_division=0)
print("검증 Macro F1:", score)
# 6. 전체 학습 데이터로 다시 학습하고 평가 데이터 예측
X_full = pd.concat([X_train, X_valid])
y_full = pd.concat([y_train, y_valid])
model.fit(X_full, y_full)
pred = model.predict(X_test)
# 7. 제출 파일 저장
result = pd.DataFrame({"pred": pred})
result.to_csv("result.csv", index=False)
print(result.head())
print(result.shape)
반응형
문제 04. 주택 월 임대료 예측
제공된 데이터는 보증금 조건이 동일한 주택의 특성과 월 임대료이다. 학습용 데이터(train.csv)를 활용하여 월 임대료(monthly_rent)를 예측하는 모형을 개발하고, 평가용 데이터(test.csv)에 적용하시오. 예측 결과는 아래의 유의 사항과 제출 형식을 준수하여 CSV 파일로 생성하는 코드를 작성하시오.
유의 사항
- 예측 결과는 RMSE 평가지표로 평가합니다.
- 모형과 초매개변수 조합을 비교하여 평가에 적합한 모형을 선택하시오.
제출 형식
| 항목 | 조건 |
|---|---|
| 파일명 | result.csv |
| 열 이름 / 열 수 | pred / 1개 |
| 행 수 | 600개 |
| 예측값 | 월 임대료 (만원 단위의 실수) |
| 행 순서 | test.csv의 원래 행 순서 |
| 저장 조건 | 인덱스와 record_id 열 제외 · UTF-8 · 현재 작업 폴더에 저장 |
제공 데이터
압축을 푼 뒤 problem-04 폴더의 노트북을 엽니다. 목표변수는 monthly_rent (만원)이며, test.csv에는 포함되어 있지 않습니다.
| 구분 | 경로 | 행 × 열 |
|---|---|---|
| 학습 | data/T2_006/train.csv |
1,800 × 10 |
| 평가 | data/T2_006/test.csv |
600 × 9 |
| 변수 | 의미 |
|---|---|
record_id |
레코드 고유번호 |
area_m2 |
전용 면적 (m²) |
building_age |
준공 후 경과 연수 (년) |
floor |
층수 (층) |
walk_to_station_min |
역까지 도보 시간 (분) |
rooms |
방 수 (개) |
district |
지역 코드 (A, B, C, D) |
house_type |
주택 유형 (apartment, villa, officetel) |
renovated |
수리 여부 (yes, no) |
monthly_rent |
월 임대료 (만원) |
문제 04 참고 풀이 보기
RMSE는 실제값과 예측값의 제곱오차 평균에 제곱근을 적용합니다. 예측값은 만원 단위의 실수이며, 제출 전에 임의로 정수로 반올림하지 않습니다.
아래 코드는 비교를 시작할 때 사용할 수 있는 참고 모델입니다. 출력되는 검증 점수는 학습 데이터를 나눈 검증 구간의 결과이며, 최종 평가 데이터의 점수를 뜻하지 않습니다.
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
# 1. 데이터 불러오기와 확인
train = pd.read_csv("data/T2_006/train.csv")
test = pd.read_csv("data/T2_006/test.csv")
print(train.shape, test.shape)
print(train.isna().sum())
# 2. 목표변수와 입력변수 분리
X = train.drop(columns=["monthly_rent", "record_id"])
y = train["monthly_rent"]
X_test = test.drop(columns=["record_id"])
# 3. 학습·검증 데이터 나누기
X_train, X_valid, y_train, y_valid = train_test_split(
X, y, test_size=0.25, random_state=42
)
# 4. 결측값 처리와 원-핫 인코딩
# 중앙값은 X_train에서 구하고, 검증·평가 데이터에도 같은 값을 적용합니다.
fill_values = X_train.select_dtypes(include="number").median().fillna(0)
X_train = pd.get_dummies(X_train.fillna(fill_values).fillna("missing"))
X_valid = pd.get_dummies(X_valid.fillna(fill_values).fillna("missing"))
X_test = pd.get_dummies(X_test.fillna(fill_values).fillna("missing"))
# X_train과 동일한 열 이름·순서로 맞춥니다.
X_valid = X_valid.reindex(columns=X_train.columns, fill_value=0)
X_test = X_test.reindex(columns=X_train.columns, fill_value=0)
# 5. 모델 학습과 검증
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
valid_pred = model.predict(X_valid)
score = np.sqrt(mean_squared_error(y_valid, valid_pred))
print("검증 RMSE:", score)
# 6. 전체 학습 데이터로 다시 학습하고 평가 데이터 예측
X_full = pd.concat([X_train, X_valid])
y_full = pd.concat([y_train, y_valid])
model.fit(X_full, y_full)
pred = model.predict(X_test)
# 7. 제출 파일 저장
result = pd.DataFrame({"pred": pred})
result.to_csv("result.csv", index=False)
print(result.head())
print(result.shape)
문제 05. 시간대별 공유자전거 대여량 예측
제공된 데이터는 시간대별 기상·대여소 조건과 공유자전거 대여량이다. 학습용 데이터(train.csv)를 활용하여 시간대별 대여량(rental_count)를 예측하는 모형을 개발하고, 평가용 데이터(test.csv)에 적용하시오. 예측 결과는 아래의 유의 사항과 제출 형식을 준수하여 CSV 파일로 생성하는 코드를 작성하시오.
유의 사항
- 예측 결과는 RMSLE 평가지표로 평가합니다.
- 모형과 초매개변수 조합을 비교하여 평가에 적합한 모형을 선택하시오.
제출 형식
| 항목 | 조건 |
|---|---|
| 파일명 | result.csv |
| 열 이름 / 열 수 | pred / 1개 |
| 행 수 | 800개 |
| 예측값 | 대여량 (대 단위의 0 이상 실수) |
| 행 순서 | test.csv의 원래 행 순서 |
| 저장 조건 | 인덱스와 record_id 열 제외 · UTF-8 · 현재 작업 폴더에 저장 |
제공 데이터
압축을 푼 뒤 problem-05 폴더의 노트북을 엽니다. 목표변수는 rental_count (대)이며, test.csv에는 포함되어 있지 않습니다.
| 구분 | 경로 | 행 × 열 |
|---|---|---|
| 학습 | data/T2_008/train.csv |
2,400 × 9 |
| 평가 | data/T2_008/test.csv |
800 × 8 |
| 변수 | 의미 |
|---|---|
record_id |
레코드 고유번호 |
timestamp |
해당 시간대 시작 시각 (YYYY-MM-DD HH:MM:SS) |
temperature_c |
해당 시간대 기온 (°C) |
humidity_pct |
습도 (%) |
wind_mps |
풍속 (m/s) |
rainfall_mm |
강수량 (mm) |
station_type |
대여소 유형 (residential, business, park, university) |
is_holiday |
공휴일 여부 (yes, no) |
rental_count |
시간대별 대여량 (대) |
문제 05 참고 풀이 보기
timestamp에서 월·요일·시간을 추출합니다. 대여량을 log1p로 변환해 학습하고, expm1로 원래 단위로 되돌린 뒤 0 미만의 값을 제거합니다. RMSLE에는 원래 단위의 예측값을 전달합니다.
아래 코드는 비교를 시작할 때 사용할 수 있는 참고 모델입니다. 출력되는 검증 점수는 학습 데이터를 나눈 검증 구간의 결과이며, 최종 평가 데이터의 점수를 뜻하지 않습니다.
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_log_error
# 1. 데이터 불러오기와 확인
train = pd.read_csv("data/T2_008/train.csv")
test = pd.read_csv("data/T2_008/test.csv")
print(train.shape, test.shape)
print(train.isna().sum())
# 2. 목표변수와 입력변수 분리
X = train.drop(columns=["rental_count", "record_id"])
y = train["rental_count"]
X_test = test.drop(columns=["record_id"])
# 날짜 문자열에서 달과 요일을 추출합니다.
for frame in [X, X_test]:
date = pd.to_datetime(frame["timestamp"], format="%Y-%m-%d %H:%M:%S")
frame["month"] = date.dt.month
frame["weekday"] = date.dt.dayofweek
frame["hour"] = date.dt.hour
frame.drop(columns=["timestamp"], inplace=True)
# 3. 학습·검증 데이터 나누기
X_train, X_valid, y_train, y_valid = train_test_split(
X, y, test_size=0.25, random_state=42
)
# 4. 결측값 처리와 원-핫 인코딩
# 중앙값은 X_train에서 구하고, 검증·평가 데이터에도 같은 값을 적용합니다.
fill_values = X_train.select_dtypes(include="number").median().fillna(0)
X_train = pd.get_dummies(X_train.fillna(fill_values).fillna("missing"))
X_valid = pd.get_dummies(X_valid.fillna(fill_values).fillna("missing"))
X_test = pd.get_dummies(X_test.fillna(fill_values).fillna("missing"))
# X_train과 동일한 열 이름·순서로 맞춥니다.
X_valid = X_valid.reindex(columns=X_train.columns, fill_value=0)
X_test = X_test.reindex(columns=X_train.columns, fill_value=0)
# 5. 모델 학습과 검증
model = RandomForestRegressor(n_estimators=100, random_state=42)
# 로그 단위로 학습한 뒤 예측값을 원래 단위로 되돌립니다.
model.fit(X_train, np.log1p(y_train))
valid_pred = np.expm1(model.predict(X_valid)).clip(0)
score = np.sqrt(mean_squared_log_error(y_valid, valid_pred))
print("검증 RMSLE:", score)
# 6. 전체 학습 데이터로 다시 학습하고 평가 데이터 예측
X_full = pd.concat([X_train, X_valid])
y_full = pd.concat([y_train, y_valid])
model.fit(X_full, np.log1p(y_full))
pred = np.expm1(model.predict(X_test)).clip(0)
# 7. 제출 파일 저장
result = pd.DataFrame({"pred": pred})
result.to_csv("result.csv", index=False)
print(result.head())
print(result.shape)
반응형
'자격증 > 빅데이터 분석 기사' 카테고리의 다른 글
| 빅분기 실기 연습 모음집: 1·2·3유형 문제와 CSV·노트북 (0) | 2026.09.15 |
|---|---|
| 빅분기 실기 작업형 3유형 연습문제 8제: CSV와 주피터 노트북 (0) | 2026.09.15 |
| 빅분기 실기 작업형 1유형 50제: CSV 2개와 주피터 노트북 (0) | 2026.09.10 |
| 빅데이터분석기사 필기 정리: 1~4과목 핵심 개념 20개 글 모음 (0) | 2026.08.24 |
| 빅데이터분석기사 필기 데이터 시각화·결과 활용 정리: 차트 선택·모형 운영 (1) | 2023.04.07 |
댓글