AndrewNA

AI 적용 프로세스 문제 정의 → 데이터 수집 → 데이터 분석 및 전처리 → AI 모델링 → AI 적용 AI 적용학습된 모델을 실제 환경에 통합하여 사용자가 접근 가능 실시간 또는 주기적으로 예측 결과를 제공 운영 중인 모델을 지속적으로 모니터링, 평가, 재학습 AI 적용 방식API 형태로 배포모델을 REST API로 만들어 외부에서 요청-응답 처리웹/모바일 앱, 백오피스 시스템에서 예측 요청배치 예측하루 1번 등 주기적으로 데이터를 불러와 예측 수행매일 이탈 고객 리스트 예측, 리포트 생성실시간 예측사용자의 입력에 따라 즉시 예측 결과 제공챗봇 응답, 실시간 상품 추천엣지 배포(Edge)디바이스에 모델을 탑재자율주행차, 스마트 CCTV 등 AI 모델 서빙을 위한 기술 스택모델 저장/로드jobli..

AI 적용 프로세스 문제 정의 → 데이터 수집 → 데이터 분석 및 전처리 → AI 모델링 → AI 적용 AI 모델링데이터를 이용해 AI가 스스로 패턴을 학습하고 예측, 분류, 추천 등을 할 수 있도록 함 AI 모델링 절차1. 문제 유형에 맞는 알고리즘 선택분류(Classification)데이터를 클래스(라벨)로 분류Decision Tree, Random Forest, SVM, XGBoost, Neural Networks회귀(Regression)숫자(연속값) 예측Linear Regression, Ridge, Lasso, Gradient Boosting군집화(Clustering)비슷한 데이터를 그룹으로 묶음K-Means, DBSCAN, GMM시계열 예측시간에 따른 값 예측ARIMA, LSTM, Proph..

AI 적용 프로세스 문제 정의 → 데이터 수집 → 데이터 분석 및 전처리 → AI 모델링 → AI 적용 데이터 분석 및 전처리데이터 분석 : 수집한 데이터의 구조와 특성 이해기본 통계 확인평균, 표준편차, 최대/최소값, 중간값 등df.describe()결측치 확인누락된 값이 있는지 확인df.isnull().sum()변수 간 관계 분석상관관계 확인, 산점도 등 시각화corr(), heatmap()분포 확인각 변수의 분포 확인히스토그램, 박스플롯클래스 불균형 확인목표값(Label)의 비율 확인Class 0: 90%, Class 1: 10% 등 데이터 분석 도구Python(pandas, matplotlib, seaborn, plotly), R, Excel, Tableau 등 데이터 전처리 : AI 모델이..

AI 적용 프로세스 문제 정의 → 데이터 수집 → 데이터 분석 및 전처리 → AI 모델링 → AI 적용 데이터 수집AI 모델 학습을 위한 필요한 데이터를 확보 데이터 종류정형 데이터행과 열로 구성된 데이터엑셀, DB 테이블, CSV비정형 데이터형태가 일정하지 않은 데이터텍스트, 이미지, 음성, 영상반정형 데이터태그 기반 구조화된 데이터JSON, XML, 로그 파일 데이터 수집 방식- 내부 데이터 . 수집 방법 : 담당자간 협의 통한 기존 시스템에서 필요한 데이터를 추출 . 주의사항 : 민감 정보 주의 - 외부 데이터 . 수집 방법 : 크롤링, RSS, Opne API, 스트리밍 등 . 주의사항 : 수집 절차 및 저작권 확인 데이터 수집시 고려 요소정확성데이터가 실제 현상을 제대로 반영하..

AI 적용 프로세스 문제 정의 → 데이터 수집 → 데이터 분석 및 전처리 → AI 모델링 → AI 적용 1. 문제정의무엇을 해결할 것인가? AI를 하면 유리한가? 판단 문제 유형결과가 카테고리인가요?분류 (Classification)결과가 숫자인가요?회귀 (Regression)정답 없이 비슷한 것끼리 묶나요?군집화 (Clustering)시간에 따른 값 예측인가요?시계열 예측 (Time Series)사용자의 취향에 맞춘 결과가 필요하나요?추천 (Recommendation)평소와 다른 이상 행동을 찾나요?이상 탐지 (Anomaly Detection)텍스트나 자연어를 처리하나요?자연어 처리 (NLP)이미지나 영상을 처리하나요?컴퓨터 비전 (CV) 문제정의 e.g. 고객 이탈 예측, 불량 제품 검출, 수요 예..

AI의 주요 기능 5가지예측, 생성, 소통, 자동화, 인식 예측(Prediction)과거 데이터를 학습하여 미래를 예측e.g. 날씨 예측, 주가 예측, 수요 예측, 질병 가능성 예측 생성(Generation)기존 데이터를 바탕으로 새로운 콘텐츠 생성 e.g.  글쓰기, 이미지 생성, 음악 작곡, 코드 자동 생성 소통(Communication)사람과 자연스럽게 대화하고 이해 e.g.  챗봇, 음성 인식, 번역, 감정 분석 자동화(Automation)반복 업무 최적화 e.g.  공정 자동화, 자율주행, 스케줄 조정, 이메일 분류 인식(Recognition)사물, 사람 등 특성을 인지하고 판단 e.g.  얼굴 인식, OCR(문자 인식), 객체 탐지, 영상 분석

AI 모델 구성요소 - 데이터, 모델링  . HW : CPU, GPU, Memory, Disk  . 개발언어 : Python, Java  . 개발환경 IDE : IDLE, Jupyter, Anaconda, VSCode, Google Colaboratory  . 개발라이브러리 : Pandas, Numpy  AI 모델 목표모델 예측값과 정답 일치 시키는 것비용함수와 최적화 알고리즘을 활용해서 최적의 모델 생성

넘파이 (Numerical Python)- 빠른 수치 연산, 특히 다차원 배열(Matrix, Tensor 등)을 위한 라이브러리핵심 객체- ndarray (N차원 배열) 특징- 행렬, 벡터, 고차원 수치 계산에 최적화 - 브로드캐스팅, 선형대수, 푸리에 변환 등 과학/공학 계산에 유리 - 속도가 빠르고 메모리 효율적 예제   판다스 (Pandas)- 표 형태(엑셀처럼)의 데이터를 다루기 위한 라이브러리 핵심 객체- Series (1차원)- DataFrame (2차원) 특징- 행/열 인덱싱, 필터링, 결측치 처리, 그룹핑 등 데이터 분석에 강력 - CSV, Excel, SQL 등 다양한 형식의 데이터 입출력이 쉬움 - 실제 비즈니스 데이터나 로그 분석에 많이 쓰임 예시(시리즈) 예시(데이터프레임)  cf)..