Aice Associate 합격 준비 공부범위 실습 최소한 가이드

🚀 머신러닝/딥러닝 시험 완벽 대비 가이드

시험 개요

이 시험은 Python 기반의 머신러닝과 딥러닝 실무 능력을 평가합니다. 오픈북 시험이므로 numpy, pandas, matplotlib, seaborn, scikit-learn 등의 공식 문서를 참조할 수 있습니다. Google Colab 환경에서 실습하며 준비하는 것을 추천합니다.

📚 핵심 학습 영역 7가지

1데이터 Import 및 시각화

필수 기술:

• CSV, Excel 등 다양한 형식의 데이터 불러오기
• 데이터 구조 파악 (head, info, describe)
• 적절한 그래프 선택 및 작성

예시 문제: 타이타닉 데이터셋을 불러와서 생존률을 성별로 시각화하세요

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 데이터 로드
df = pd.read_csv('titanic.csv')

# 데이터 확인
print(df.head())
print(df.info())

# 성별에 따른 생존률 막대그래프
survival_by_gender = df.groupby('Sex')['Survived'].mean()
plt.figure(figsize=(8, 6))
survival_by_gender.plot(kind='bar', color=['skyblue', 'salmon'])
plt.title('Survival Rate by Gender')
plt.ylabel('Survival Rate')
plt.xlabel('Gender')
plt.xticks(rotation=0)
plt.show()

핵심 포인트:

• pd.read_csv() - CSV 파일 불러오기
• groupby() - 그룹별 집계
• plt.figure(), plot() - 시각화

---

2데이터 전처리

필수 기술:

• 결측치 처리 (삭제, 평균값/중앙값/최빈값 대체)
• 이상치 제거
• 불필요한 문자열 데이터 처리

예시 문제: 주택 가격 데이터에서 결측치와 '-' 문자열을 처리하세요

import pandas as pd
import numpy as np

# 샘플 데이터
data = {
    'price': [300000, 450000, np.nan, 520000, '-'],
    'sqft': [1500, 2000, 1800, '-', 2200],
    'bedrooms': [3, 4, np.nan, 4, 5]
}
df = pd.DataFrame(data)

print("전처리 전:")
print(df)
print(f"\n결측치 개수:\n{df.isnull().sum()}")

# '-' 문자열을 NaN으로 변경
df = df.replace('-', np.nan)

# 숫자형으로 변환
df['price'] = pd.to_numeric(df['price'], errors='coerce')
df['sqft'] = pd.to_numeric(df['sqft'], errors='coerce')

# 결측치 처리 방법 1: 삭제
df_dropped = df.dropna()
print("\n결측치 삭제 후:")
print(df_dropped)

# 결측치 처리 방법 2: 평균값으로 대체
df_filled = df.fillna(df.mean())
print("\n평균값으로 대체 후:")
print(df_filled)

핵심 포인트:

• isnull(), sum() - 결측치 확인
• replace() - 특정 값 변경
• dropna() - 결측치 삭제
• fillna() - 결측치 채우기
• pd.to_numeric() - 숫자형 변환

---

3벡터 변환 (Feature Engineering)

필수 기술:

• 범주형 데이터의 수치화
• One-Hot Encoding, Label Encoding
• 정규화/표준화

예시 문제: 범주형 변수를 One-Hot Encoding으로 변환하세요

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
import pandas as pd

# 샘플 데이터
data = {
    'color': ['red', 'blue', 'green', 'red', 'blue'],
    'size': ['S', 'M', 'L', 'M', 'S'],
    'price': [10, 15, 20, 12, 11]
}
df = pd.DataFrame(data)

print("원본 데이터:")
print(df)

# 방법 1: pandas get_dummies (가장 간단)
df_encoded = pd.get_dummies(df, columns=['color', 'size'])
print("\nOne-Hot Encoding 결과:")
print(df_encoded)

# 방법 2: sklearn OneHotEncoder
encoder = OneHotEncoder(sparse_output=False)
color_encoded = encoder.fit_transform(df[['color']])
color_df = pd.DataFrame(color_encoded, 
                        columns=encoder.get_feature_names_out(['color']))
print("\nscikit-learn OneHotEncoder 결과:")
print(color_df)

# Label Encoding 예시
le = LabelEncoder()
df['size_encoded'] = le.fit_transform(df['size'])
print("\nLabel Encoding 결과:")
print(df[['size', 'size_encoded']])

핵심 포인트:

• pd.get_dummies() - 간편한 One-Hot Encoding
• LabelEncoder - 순서가 있는 범주형 데이터
• OneHotEncoder - 순서가 없는 범주형 데이터

---

4훈련/검증 데이터셋 분할

필수 기술:

• train_test_split 사용
• 적절한 비율 설정 (일반적으로 7:3 또는 8:2)
• random_state로 재현성 확보

예시 문제: 데이터를 훈련:검증 = 8:2 비율로 분할하세요

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
import pandas as pd

# 데이터 로드
iris = load_iris()
X = pd.DataFrame(iris.data, columns=iris.feature_names)
y = iris.target

print(f"전체 데이터 크기: {X.shape}")

# 훈련/테스트 분할 (80:20)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, 
    test_size=0.2,      # 테스트 데이터 비율
    random_state=42,    # 재현성을 위한 랜덤 시드
    stratify=y          # 클래스 비율 유지
)

print(f"\n훈련 데이터 크기: {X_train.shape}")
print(f"테스트 데이터 크기: {X_test.shape}")
print(f"\n훈련 데이터 레이블 분포:\n{pd.Series(y_train).value_counts()}")
print(f"\n테스트 데이터 레이블 분포:\n{pd.Series(y_test).value_counts()}")

핵심 포인트:

• train_test_split() - 데이터 분할 함수
• test_size - 테스트 데이터 비율
• random_state - 재현성 보장
• stratify - 클래스 불균형 해결

---

5머신러닝 모델 학습

필수 기술:

• 다양한 알고리즘 구현 (회귀, 분류)
• 모델 학습 및 예측
• 하이퍼파라미터 이해

예시 문제 1 - 회귀: 주택 가격을 예측하는 선형 회귀 모델을 만드세요

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.datasets import fetch_california_housing
import pandas as pd

# 데이터 로드
housing = fetch_california_housing()
X = pd.DataFrame(housing.data, columns=housing.feature_names)
y = housing.target

# 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 모델 생성 및 학습
model = LinearRegression()
model.fit(X_train, y_train)

# 예측
y_pred = model.predict(X_test)

print("모델 계수:", model.coef_)
print("절편:", model.intercept_)
print(f"\n실제값 (처음 5개): {y_test[:5]}")
print(f"예측값 (처음 5개): {y_pred[:5]}")

예시 문제 2 - 분류: Random Forest로 붓꽃 품종을 분류하세요

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 데이터 로드
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.2, random_state=42
)

# Random Forest 모델 생성 및 학습
model = RandomForestClassifier(
    n_estimators=100,    # 트리 개수
    max_depth=5,         # 최대 깊이
    random_state=42
)
model.fit(X_train, y_train)

# 예측
y_pred = model.predict(X_test)

print(f"예측 결과: {y_pred}")
print(f"실제 결과: {y_test}")

문제 유형	주요 알고리즘
회귀	LinearRegression, Ridge, Lasso, RandomForestRegressor
분류	LogisticRegression, DecisionTreeClassifier, RandomForestClassifier, SVM

---

6머신러닝 성능 평가

필수 기술:

• 회귀 평가지표: MAE, MSE, RMSE, R²
• 분류 평가지표: Accuracy, Precision, Recall, F1-Score

예시 문제: 회귀 모델의 성능을 MAE, MSE, RMSE로 평가하세요

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from sklearn.linear_model import LinearRegression
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
import numpy as np

# 데이터 준비 및 모델 학습
housing = fetch_california_housing()
X_train, X_test, y_train, y_test = train_test_split(
    housing.data, housing.target, test_size=0.2, random_state=42
)

model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

# 성능 평가
mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print("=" * 40)
print("회귀 모델 성능 평가")
print("=" * 40)
print(f"MAE (Mean Absolute Error):     {mae:.4f}")
print(f"MSE (Mean Squared Error):      {mse:.4f}")
print(f"RMSE (Root Mean Squared Error): {rmse:.4f}")
print(f"R² Score:                      {r2:.4f}")
print("=" * 40)

평가지표	설명	특징
MAE	평균 절대 오차	이해하기 쉬움
MSE	평균 제곱 오차	큰 오차에 페널티
RMSE	MSE의 제곱근	실제 단위와 같음
R²	결정계수	1에 가까울수록 좋음

---

7딥러닝 구현 및 평가

필수 기술:

• Neural Network 구조 설계
• 활성화 함수, 손실 함수 선택
• 모델 컴파일 및 학습
• MSE 등으로 성능 평가

예시 문제 - 회귀: Keras로 주택 가격 예측 신경망을 만드세요

from tensorflow import keras
from tensorflow.keras import layers
from sklearn.datasets import fetch_california_housing
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 데이터 로드
housing = fetch_california_housing()
X_train, X_test, y_train, y_test = train_test_split(
    housing.data, housing.target, test_size=0.2, random_state=42
)

# 데이터 정규화 (딥러닝에서 중요!)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 신경망 모델 구축
model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    layers.Dense(32, activation='relu'),
    layers.Dense(16, activation='relu'),
    layers.Dense(1)  # 회귀는 출력층에 활성화 함수 없음
])

# 모델 컴파일
model.compile(
    optimizer='adam',
    loss='mse',           # 회귀 문제는 MSE 손실 함수
    metrics=['mae']       # 추가 평가지표
)

# 모델 구조 확인
print(model.summary())

# 모델 학습
history = model.fit(
    X_train_scaled, y_train,
    epochs=100,
    batch_size=32,
    validation_split=0.2,
    verbose=0
)

# 모델 평가
test_loss, test_mae = model.evaluate(X_test_scaled, y_test, verbose=0)
print(f"\nTest MSE: {test_loss:.4f}")
print(f"Test MAE: {test_mae:.4f}")

구분	용도	옵션
활성화 함수	은닉층	relu
활성화 함수	이진 분류 출력층	sigmoid
활성화 함수	다중 분류 출력층	softmax
손실 함수	회귀	mse
손실 함수	이진 분류	binary_crossentropy
손실 함수	다중 분류	categorical_crossentropy

---

🎯 합격 전략

1. 코드 패턴 암기하기

각 작업별로 전형적인 코드 패턴을 익혀두세요.

# 전처리 패턴
df.isnull().sum()  # 결측치 확인
df.fillna()        # 결측치 채우기
df.dropna()        # 결측치 삭제
pd.get_dummies()   # 원-핫 인코딩

# 모델 학습 패턴
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

# 성능 평가 패턴
from sklearn.metrics import mean_absolute_error
mae = mean_absolute_error(y_test, y_pred)

2. 주석으로 구조 파악하기

코드를 작성할 때 각 부분이 무엇을 하는지 주석으로 표시하세요.

# 1. 데이터 로드
df = pd.read_csv('data.csv')

# 2. 전처리 - 결측치 처리
df = df.fillna(df.mean())

# 3. 벡터 변환 - 원-핫 인코딩
df = pd.get_dummies(df)

# 4. 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(X, y)

# 5. 모델 학습
model.fit(X_train, y_train)

# 6. 성능 평가
score = model.score(X_test, y_test)

3. 공식 문서 활용법 익히기

시험 중에는 공식 문서를 볼 수 있으므로, 어디에서 무엇을 찾을지 미리 알아두세요.

• pandas: 데이터 전처리 관련
• scikit-learn: 모델, 평가지표, 전처리
• matplotlib/seaborn: 시각화
• tensorflow/keras: 딥러닝

4. 실전 연습

Colab에서 다음 순서로 반복 연습하세요:

1. 기출문제 코드 따라 치기
2. 주석으로 각 부분 설명 달기
3. 코드 보지 않고 직접 작성해보기
4. 데이터만 바꿔서 다시 해보기

---

📋 시험 전 체크리스트

필수 암기 사항

• pd.read_csv() - 데이터 로드
• df.isnull().sum() - 결측치 확인
• df.fillna(), df.dropna() - 결측치 처리
• pd.get_dummies() - 원-핫 인코딩
• train_test_split() - 데이터 분할
• model.fit(), model.predict() - 모델 학습/예측
• mean_absolute_error(), mean_squared_error() - 평가

자주 사용하는 Import 구문

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import mean_absolute_error, mean_squared_error, accuracy_score

from tensorflow import keras
from tensorflow.keras import layers

---

💡 마무리 팁

1. 시간 배분: 문제를 읽고 어떤 작업이 필요한지 먼저 파악하세요.
2. 에러 대응: 에러가 나면 침착하게 에러 메시지를 읽고 해결하세요.
3. 검증: 코드 실행 후 결과가 예상대로 나왔는지

'IT' 카테고리의 다른 글

AICE Associate 자격증 공부 무엇을 공부해야할까?  (0)	2025.10.09
python 가상환경 만들기  (0)	2025.10.09
Aice Associate 분석하기 데이터 국민건강보험공단_건강검진정보_20211229.CSV  (0)	2025.10.04
10월 공부하는 수험생분들께 포스트 책상위에 붙여놓거나 핸드폰 바탕화면으로  (0)	2025.09.30
무설치 간단한 TASK, To Do 할일 관리 윈도우 프로그램(한글지원)  (0)	2025.09.30