[KT AIVLE SCHOOL 7기] - AICE 후기 (feat. 에이블스쿨의 특강)

AICE Associate 란??

AICE AI Certificate
for Everyone

AICE는 인공지능 능력시험입니다. (AI 자격증)
영어 능력을 평가하는 토익처럼,
AICE는 인공지능 활용능력을 평가합니다.
KT가 개발했고, 한국경제와 함께 주관합니다.

AICE 시험의 경우 에이블스쿨에서 금액을 지원해주기 때문에, 그동안 들었던 수업과 kt aivle school 7기 에서는 AICE Associate 시험을 합격하는데에 큰 자료와 특강을 진행해주기 때문에 해당 교육을 성실하게 듣는다면 푸는데 지장은 없었습니다!!

 

📚 AICE 시험 대비: 필수 라이브러리 & 주요 구문 완료 정리

✨ AICE 시험을 준비하는 분들을 위해, 필수 라이브러리와 기초 구문을 예시와 함께 과연과하게 정리했습니다. (화이트 배경에서도 깊이 가능하게 가운화했습니다.)

---

🛠️ 1. AICE 필수 라이브러리 설치

AICE 시험은 Python 환경에서 진행되고, 문제 풀기 전에 미리 관련된 라이브러리는 import 를 다 표시해준 상태여서 따로 해당 파트는 신경 안쓰셔도 됩니다!

 

📚 2. 라이브러리별 주요 기능과 사용방법

---

2.1 pandas (데이터 처리)

표 형태(에트켈처러처럼)의 데이터 읽기, 가공, 저장 등에 사용

import pandas as pd

# CSV 파일 읽기
df = pd.read_csv('파일명.csv')

# 데이터 상위 5개 행 출력
print(df.head())

# 여러 여부에 추가
df['새로운여부'] = df['기존여부'] * 2

# 결식치(null) 확인
print(df.isnull().sum())

# 결식치 평균으로 채워기
df['컬럼명'] = df['컬럼명'].fillna(df['컬럼명'].mean())

# 튼정 여부만 선택
new_df = df[['여1', '여2']]

---

2.2 numpy (수치 열사)

빠른 수치계산과 배열(array) 단조보

import numpy as np

# 배열 생성
arr = np.array([1, 2, 3, 4])

# 평균, 표준평차 계산
mean_val = np.mean(arr)
std_val = np.std(arr)

print(f"평균: {mean_val}, 표준평차: {std_val}")

# 0으로 초기화된 배열
zero_arr = np.zeros((3,3))

# 랜덤값 배열 생성
random_arr = np.random.rand(2,2)

---

2.3 matplotlib & seaborn (데이터 시각화)

그래프를 이용해 데이터 패턴 가이드

import matplotlib.pyplot as plt
import seaborn as sns

# 선 그래프
plt.plot([1, 2, 3], [10, 20, 30])
plt.title('선 그래프 예시')
plt.xlabel('X축')
plt.ylabel('Y축')
plt.show()

# 막대 그래프
sns.barplot(x='카테고리', y='값', data=df)
plt.title('막대 그래프 예시')
plt.show()

# 상관관계 히트맵
corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('상관관계 히트맵')
plt.show()

---

2.4 scikit-learn (머신롤과 기준)

데이터 분리, 전처리, 모델 학습과 평가

데이터 분리

from sklearn.model_selection import train_test_split

X = df.drop('타겟여부', axis=1)
y = df['타겟여부']

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

전처리 (Standard Scaling)

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

기본 모델 학습과 예측

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

model = LogisticRegression()
model.fit(X_train_scaled, y_train)

y_pred = model.predict(X_test_scaled)
print("정확도:", accuracy_score(y_test, y_pred))

---

2.5 xgboost & lightgbm (고성능 Boosting 모델)

XGBoost 예시

import xgboost as xgb

model = xgb.XGBClassifier()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("XGBoost 정확도:", accuracy_score(y_test, y_pred))

LightGBM 예시

import lightgbm as lgb

model = lgb.LGBMClassifier()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
print("LightGBM 정확도:", accuracy_score(y_test, y_pred))

---

📝 3. 꼭 알아야 할 추가 구문

---

📌 결식치 채워기

# 튼정 값으로 결식치 채워기
df['컬럼명'].fillna(0, inplace=True)

📌 Label Encoding (범주형 변수 수치화)

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder()
df['범주형여부'] = le.fit_transform(df['범주형여부'])

📌 데이터 요약

# 요약 통계
print(df.describe())

# 데이터 타입 구조 확인
print(df.info())

---

✅ 정리

구분 주요 기능 라이브러리

데이터 처리	데이터 읽기, 정제	pandas
수치 계산	배열 열사, 통계	numpy
시각화	그래프 작성	matplotlib, seaborn
머신롤 기준	데이터 분리, 학습	scikit-learn
고성능 ML	Boosting 모델	xgboost, lightgbm

---

✨ Tip!
AICE 시험은 "속도" 및 "정확성" 문제가 필요합니다.
현재 가장 중요한 것은 일시적으로 방향을 이해하고 진행하는 것입니다!

---

간신히 취득 성공,,,!!

---