AICE Associate 자격증 공부 무엇을 공부해야할까?

AICE Associate 자격증은 KT가 주관하는 AI 역량 검정 시험으로, 파이썬 코드를 이용한 데이터 분석, 전처리 및 머신러닝/딥러닝 모델링 실습 능력을 평가합니다.

시험은 주피터 노트북(Jupyter Notebook) 환경에서 코드를 직접 작성하여 답을 구하는 실기형으로 진행됩니다.

 

아래는 AICE Associate의 일반적인 문제 유형입니다.

단계	유형	세부 내용 (예시)	평가 항목
I. 데이터 가져오기/병합	라이브러리 임포트	pandas를 pd로, sklearn을 sk로 별칭 지정하여 불러오기	Python 기본 문법, 라이브러리 활용
	데이터 로드 및 병합	CSV 파일 2개를 불러와 특정 컬럼(WID 등)을 기준으로 inner join하여 하나의 데이터프레임으로 합치기	데이터 로딩 및 병합 능력
II. 데이터 전처리 및 탐색	분포 시각화 및 해석	특정 범주형 변수(주소1, 와이너리명 등)의 분포를 countplot으로 시각화하고, 그래프를 해석하여 옳지 않은 선택지 고르기	데이터 시각화, 통계적 이해
	결측치 및 이상치 처리	특정 조건(실주행시간 > 1000 등)에 해당하는 이상치를 삭제하거나, 결측치(NaN, - 등)를 제거하는 코드 작성	데이터 정제 능력
	변수 가공 및 삭제	분석에 불필요한 변수(ID 컬럼 등)를 데이터프레임에서 삭제하고, 특정 컬럼에 조건에 맞는 파생 변수를 생성	Feature Engineering 기초
III. 데이터 인코딩 및 분할	범주형 변수 인코딩	모델 학습을 위해 특정 범주형 변수(생산대륙, 와인종류 등)를 One-Hot Encoding으로 변환	인코딩 방법론 적용
	데이터셋 분할	전처리된 데이터를 학습용(Train)과 검증용(Test 또는 Validation)으로 분리 (test_size=0.3 등)	모델링을 위한 데이터 준비
	스케일링	연속형 변수들에 대해 StandardScaler 또는 MinMaxScaler 등을 적용하여 스케일링	데이터 스케일링 방법 적용
IV. 모델 학습 및 평가 (머신러닝)	모델 학습 (지도학습)	분리된 데이터를 사용하여 Decision Tree와 Random Forest 모델을 각각 학습시키기	머신러닝 알고리즘 구현
	성능 평가 및 비교	두 모델의 성능을 비교하기 위해 정확도(Accuracy) 또는 R2 Score, MAE 등을 계산하고, 가장 높은 성능을 보인 모델의 점수를 특정 변수에 저장	모델 성능 평가 지표 활용
V. 모델 학습 및 평가 (딥러닝)	딥러닝 모델 구축	Sequential 모델을 사용하여 Dense 레이어 3개 이상으로 구성된 회귀(Regression) 또는 분류(Classification) 딥러닝 모델 구축	딥러닝 모델링 기초 (Keras/TensorFlow)
	딥러닝 모델 컴파일	모델에 적절한 Optimizer(Adam 등)와 Loss Function(mse 등)을 설정하여 모델 컴파일	딥러닝 학습 환경 설정
	딥러닝 모델 평가	구축한 딥러닝 모델의 성능을 평가하고 결과를 해석하여 특정 변수에 저장	딥러닝 모델 성능 평가

핵심 특징:

• 실습 중심: 대부분의 문제는 코딩을 통해 해결해야 합니다.
• 통합 프로젝트 형식: 하나의 데이터셋을 가지고 '데이터 수집'부터 '모델 평가'까지 AI 프로젝트의 전체 과정을 따라가게 됩니다.
• 오픈북 (제한적): 시험 중 일부 외부 사이트(문서 등) 접속이 허용되므로, 파이썬 라이브러리 사용법(Docstring)을 빠르게 찾아 적용하는 능력이 중요합니다.