Data Analyst/빅데이터 분석기사

[빅데이터 분석기사 3단원] 1.1 분석 절차 수립 pdf

Data Analyst / PO 2024. 9. 8. 18:52
반응형
  1. 분석 모형 선정
  2. 분석 모형 정의
  3. 분석 모형 구축 절차

[빅분기3단원]1.1분석절차수립.pdf
0.37MB

1. 분석 모형 선정

  • EDA : 탐색적 데이터 분석. 현상에서 패턴을 발견하는 것.
  • 통계적 추론 : 현상에서 인과적인 결론을 도출하는 것.
  • 기계학습(머신러닝) : 현상을 예측하는 것

(1) 통계 기반 분석 모형 선정

  • 통계분석 : 불확실한 상황에서 객관적인 의사결정을 수행하기 위해 데이터를 수집, 처리, 분류, 분석, 해석하는 일련의 체계
  • 통계기반 분석 모형
    • 기술 통계 (Descriptive Statistics)
      • 데이터 분석의 목적으로 수집된 데이터를 확률,통계적으로 정리,요약하는 기초적인 통계
      • 평균, 분산, 표준편차, 왜도와 첨도, 빈도 등 데이터에 대한 대략적인 통계적 수치를 계산하고 도출
      • 막대그래프, 파이 그래프 등 그래프를 활용하여 데이터 파악
      • 분석 초기 단계에서 데이터 분포의 특징 파악
    • 상관 분석 (Correlation Analysis)
      • 두 개 이상의 변수 간에 존재하는 상호 연관성의 정도를 측정해 분석하는 방법
      • 변수의 개수 및 데이터 속성에 따라서 세부 모델들로 분류
      • 단순 상관 분석 : 두 변수 사이의 연관 관계 분석
      • 다중 상관 분석 : 셋 또는 그 이상의 변수들 사이의 연관 정도를 분석
      • 변수 간의 상관 분석 : 데이터의 속성에 따라서 수치적 , 명목적, 순서적 데이터 등을 가지는 변수 간의 분석
    • 회귀 분석 (Regression Analysis)
      • 하나 이상의 독립 변수들이 종속변수에 미치는 영향을 추정할 수 있는 통계 기법
      • 독립변수와 종속변수의 개수 및 특성에 따라 단순 회귀, 다중회귀, 다항회귀, 곡선회귀, 로지스틱회귀, 비선형 회귀로 분류
      • 단순 회귀 : 독립변수가 1개. 종속변수와의 관계가 직선
      • 다중 회귀 : 독립변수가 K개. 종속변수와의 관계가 선형(1차함수)
      • 다항 회귀 : 독립변수와 종속변수와의 관계가 1차 함수 이상인 관계. (단, 독립변수가 1개일때는 2차함수 이상)
      • 곡선 회귀 : 독립변수가 1개. 종속변수와의 관계가 곡선
      • 로지스틱 회귀 : 종속변수가 범주형(2진 변수)인 경우 적용. 단순 로지스틱 회귀 및 다중, 다항 로지스틱 회귀로 확장 가능
      • 비선형 회귀 : 회귀식의 모양이 선형관계로 이뤄져 있지 않은 모형
      • 선형 회귀 모형 : 종속변수가 연속형인 경우에 독립변수가 종속변수에 미치는 영향을 추정할 수 있는 모형
    • 분산 분석 Analysis of Variance ANOVA
      • 두 개 이상 집단 간 비교를 수행하고자할 때 집단 내의 분산의 비교로 얻은 분포를 이용해 가설검정을 수행하는 방법
      • 복수의 집단을 비교할 때 분산을 계산함으로써 집단 간에 통계적인 차이를 판정하는 분석 방법
      • 독립변수와 종속변수의 수에 따라 일원분산분석, 이원분산분석, 다변량분산 분석으로 분류
      • 일원분산 분석 : 종속변수 1개 독립변수 1개
      • 이원분산 분석 : 종속변수 1개 독립변수 2개
      • 다변량분산 분석 : 종속변수 2개 이상
    • 주성분 분석 Principal Component Analysis PCA
      • 많은 변수의 분산 방식 (분산, 공분산)의 패턴을 간결하게 표현하는 주성분 변수를 원래 변수의 선형 결합으로 추출하는 통계기법.
      • PCA는 일부 주성분에 의해 원래 변수의 변동이 충분히 설명되는지 알아보는 분석 방법
    • 판별 분석 Discriminant Analysis
      • 집단에 대한 정보로부터 집단을 구별할 수 있는 판별 규칙 혹은 판별함수를 만들고, 다변량 기법으로 조사된 집단에 대한 정보를 활용하여 새로운 개체가 어떤 집단인가를 탐색하는 통계기법
    (2) 데이터 마이닝 기반 분석 모형 선정
    • 데이터 마이닝 개념
      • 대용량 데이터로부터 데이터 내에 존재하는 패턴, 관계, 규칙 등을 탐색하고 통계적인 기법들을 활용해 모델화하며 이를 통해 데이터 분석 및 더 나아가 유용한 정보, 지식 등을 추출하는 과정
      • 데이터 마이닝 기능 중 하나인 기술(description)은 사람, 상품에 관한 이해를 증가시키기 위해 데이터가 가지고 있는 특징을 나타내고 설명에 대한 답을 제공할 수 있다.
    • 데이터 마이닝 기반 분석 모델 분류 (분류, 예측, 군집화, 연관규칙 모델)
      • 분류 모델 Classification Model
        • 분류는 범주형 변수 혹은 이산형 변수 등의 범주를 예측하는 것으로, 다수의 속성 혹은 변수를 가지는 객체들을 사전에 정해진 그룹이나 범주중의 하나로 분류하는 모델이다.
        • 분류 모델로는 통계적 기법, 트리 기반 기법, 최적화 기법, 기계학습 모델이 있다.
        • 통계적 기법 : 로지스틱 회귀분석, 판별분석 등과 같은 다변량 통계이론에 근거한 기법. 로지스틱 회귀 분석은 선형 회귀 분석과 달리 종속 변수가 서열형, 범주형, 명목형 데이터일 때 사용되는 기법. 분석 대상이 두 개 이상의 집단으로 구분되는 경우에 개별 관측치들이 어느 집단에 분류될 수 있는지를 분석하고 이를 예측하는 모델을 개발하는데 사용되는 통계기법.
        • 트리기반 기법 : 의사결정 규칙에 따라 관심 대상이 되는 집단을 몇 개의 소집단으로 분류하면서 분석하는 기법. CART 알고리즘 활용.
        • 최적화 기법 : 가장 적합한 값을 찾는 기법으로 서포트 벡터 머신 등이 있음. 서포트 벡터 머신은 데이터를 분리하는 초평면 중에서 데이터들과 거리가 가장 먼 초평면을 선택해 분리하는 확정적 모델 기반의 이진 선형 분류 방법 (초평면에 가장 가까운 곳에 위치한 데이터는 서포트벡터)
        • 기계학습 (머신러닝) : 인간의 학습 능력 같은 기능을 컴퓨터에서 실현. 스스로 성능을 향상시키는 시스템을 연구하는 기술. 기대 출력값과 실제 출력값 간의 비교를 통해 계산된 오차를 시냅스 역할을 하는 노드에 가중치를 조정하여 모델에 반영한다. 이 과정을 신경망 구조가 안정화될때까지 반복하여 예측 혹은 분류 모델을 구축. 오차를 출력 계층에서 입력계층으로 역방향으로 반영하는 역전파 알고리즘을 통해 모델을 안정화하며 학습 과정을 기계적으로 단축. (역전파 알고리즘 : 가중치 갱신을 통해 오차 최소화해 반복수행하며 신경망을 학습시킴 )
      • 예측 모델 Prediction Model :
        • 범주형 및 수치형 등의 과거 데이터로부터 특성을 분석하여 다른 데이터의 결괏값을 예측하는 기법.
          • 회귀분석 Regression : 관찰된 연속형 변수들에 대해 두 변수 사이의 모형을 구한 뒤 적합도를 측정해 내는 분석 방법
          • 의사결정나무 Decision Tree : 의사결정 규칙을 트리구조로 도표화하여 분류와 예측을 수행. 판별 분석, 회귀 분석 등과 같은 변수 모형을 분석하기 위해 사전에 이상값을 검색할 때도 사용 가능. 의사결정나무 자체를 분류 또는 예측 모형으로 사용.
          • 시계열 분석 Time Series Analysis : 연도별, 분기별, 월별 등 시계열로 관측되는 자료를 분석하여 미래를 예측하기 위한 분석 기법
          • 인공신경망 Artificial Neural Network ANN : 사람 두뇌의 신경세포인 뉴런이 전기 신호를 전달하는 모습을 모방한 예측 모델
      • 군집화 모델 Clustering Model
        • 군집화 vs 분류 : 군집화는 사전에 정의된 집단과 이들의 구분을 위한 사전 정보가 존재하지 않음.
        • 이질적인 집단을 몇 개의 동질전인 소집단으로 세분화하는 작업.
          • 계층적 방법 : 사전에 군집수를 정하지 않고 단계적으로 단계별 군집 결과를 산출.
            • 응집 분석법 : 각 객체를 하나의 소집단으로 간주하고 단계적으로 유사한 소집단들을 합쳐 새로운 소집단을 구성하는 방법
            • 분할 분석법 : 전체 집단으로부터 시작해 유사성이 떨어지는 객체들을 분리하는 방법
          • 비계층적 방법
            • 군집을 위한 소집단의 개수를 정해놓고 각 객체 중 하나의 소집단으로 배정하는 방법
            • 비계층적 방법의 기법으로 K평균 군집화. K평균 군집화는 K개 소집단의 중심 좌표를 이용해 각 객체와 중심좌표 간의 거리를 산출하고, 가장 근접한 소집단에 배정한 후 해당 소집단의 중심 좌표를 업데이트하는 방식으로 군집화하는 방식.
      • 연관규칙 모델
        • 데이터에 숨어있으면서 동시에 발생하는 사건 혹은 항목 간의 규칙을 수치화
        • 장바구니분석이라고 불림. 어떤 상품이 다른 상품과 함께 판매될 확률이 높은가?
        • 소매점에서 물건 배열, 카탈로그 및 교차판매 등에 적용
    (3) 머신러닝 기반 분석 모형 선정 (목적 변수 존재 여부에 따라 구분)
    • 지도 학습
      • 정답인 레이블이 포함되어있는 학습 데이터를 통해 컴퓨터를 학습시키는 방법
      • 설명변수와 목적변수 간의 관계성을 표현해내거나 미래 관측을 예측해내는 것에 초점이 있으며 인식, 분류, 진단, 에측 등의 문제 해결에 적합함
      • 분석하고자하는 목적변수 (반응 변수, 종속 변수)의 형태가 수치형(양적변수)인가 범주형(질적변수)인가에 따라 분류와 수치예측 방법으로 다시 나눌 수 있다.
      • 지도학습 기법의 유형
        • 로지스틱 회귀 : 반응변수가 범주형인 경우 적용되는 회귀 분석 모형
        • 인공신경망 분석 ANN : 인간의 뉴런 구조를 모방하여 만든 기계학습 모델. 기계학습과 인지과학에서 생물학의 신경망에서 영감을 얻은 통계적 학습 알고리즘.
        • 의사결정나무 : 데이터들이 가진 속성들로부터 분할 기준 속성을 판별하고, 분할 기준 속성에 따라 트리 형태로 모델링하는 분류 및 예측 모델
        • 서포트 벡터 머신 : 데이터를 분리하는 초평면 중에서 데이터들과 거리가 가장 먼 초평면을 선택하여 분리하는 지도 학습 기반의 이진 선형 분류 모델
        • 랜덤 포레스트 : 의사결정나무의 특징인 분산이 크다는 점을 고려해 배깅과 부스팅보다 더 많은 무작위성을 주어 약한 학습기들을 생성한 후 이를 선형 결합하여 최종 학습기를 만드는 방법
        • 감성 분석 : 이떤 주제에 대한 주관적인 인상, 감정, 태도, 개인의 의견들을 텍스트로부터 뽑아내는 분석
    • 비지도 학습
      • 입력 데이터에 대한 정답인 레이블이 없는 상태에서 데이터가 어떻게 구성되었는가를 알아내는 기계 학습 기법.
      • 목적변수 (혹은 반응변수, 종속변수, 목표변수, 출력값) 에 대한 정보 없이 학습이 이루어지는 방법.
      • 특징 : 예측의 문제보다는 주로 현상의 설명(description)이나 특징 도출, 패턴 도출 등의 문제에 많이 활용된다.
      • 일반적으로 명확하고 목적이 있는 지도 학습 기법과 비교하면 비지도 학습 기법은 사전정보가 없는 상태에서 유용한 정보나 패턴을 탐색적으로 발견하고자 하는 데이터 마이닝의 성격이 더 강함
      • 자율학습 혹은 비지도 학습에 속하는 대표적인 기법은 군집화, 차원축소 기법, 연관 관계분석(장바구니 분석), 자율학습 인공신경망(자기조직화 지도)의 기법이 있으며, 최근 관심이 높아진 딥러닝 기법에서도 입력 특성들의 차원을 축소하는 단계에서 비지도 학습 기법이 적용됨
      • 자기 조직화 지도 SOM Self Organizing Map : 차원 축소와 군집화를 동시에 수행하며, 고차원으로 표현된 데이터를 전차원으로 변화하여 보는 비지도 학습 기반 클러스터링 기법

(4) 변수에 따른 분석 기법 선정 : 변수의 유형,개수를 확인하는 단계. 이에 따른 모델을 검토함

  1. 변수의 개수에 따른 분석 기법
    • 변수 분석
      • 단일 변수 분석 : 변수 하나에 대해 기술 통계 확인을 하는 단계. 연속형 변수는 히스토그램,박스플롯으로 평균, 최빈값, 중위수 등과 함께 각 변수의 분포를 확인. 범주형 변수는 막대그래프로 빈도수 체크
      • 이변수 분석 : 변수 2개 간의 관계를 분석하는 단계. 변수의 유형에 따라 적절한 시각화 및 분석 방법 선택. (연속X연속:scattor plot,상관성분석/ 범주X범주:누적막대,카이제곱/연속X범주:누적 막대, 히스토그램, T-test, ANOVA)
      • 다변수 분석 : 세 개 이상의 변수 간의 관계를 시각화, 분석하는 방법. 범주형 변수가 하나 이상 포함된 경우 변수를 범주에 따라 쪼갠 후, 단변수나 이변수 분석 방법에 따라 분석. 세 개 이상의 연속형 변수가 포함된 경우 연속형 변수를 범주형 변수로 변환한 후 분석.
  2. 독립변수와 종속변수의 데이터 유형에 따른 분석 기법
  • 독립변수와 종속변수가 주어져 있는 경우에는 이들을 이용해 주어진 독립변수에 대한 종속변수의 값을 예측, 분류하는 분석 모델을 개발한다.
  • 독립변수와 종속변수의 데이터 유형(연속형, 범주형)에 따라 다양한 통계적 혹은 데이터 마이닝 기반 분석 기법들의 분류가 가능하다.
    • 독립변수만 주어진 경우 분석 기법
      • 독립변수=연속형 변수 : 주성분 분석, 군집 분석
      • 독립변수=범주형 변수 : 연관성 규칙, 판별 분석
  • 독립변수와 종속변수가 주어진 경우 분석 기법 ; 행 : 독립변수 열 : 종속변수

(5) 분석 기법 선정 고려사항

  • 분석 모형을 구축하는 목적과 입력되는 데이터, 변수의 해석 가능 여부에 따라 기법을 선택한다.
  • 단일 모형을 선택하거나 다수의 모형을 조합한 앙상블 기법을 선택한다

(6) 분석 모형 활용 사례

  • 연관 규칙 학습 : 변인 간에 주목할만한 상관관계가 있는지를 찾아내는 기법. ex) 커피를 구매하는 사람이 탄산을 더 사는가? 치킨 먹는 사람은 어떤 음료를 많이 마실까?
  • 분류 분석 : 문서를 분류하거나 조직을 그룹으로 나눌 때, or 온라인 수강생들을 특성에 따라 분류할 때 사용 ex) 이 사용자는 어떤 특성을 가진 집단에 속하는가?
  • 유전자 알고리즘 : 최적화가 필요한 문제의 해결책을 자연 선택, 돌연변이 등과 같은 메커니즘을 통해 점진적으로 진화시켜나가는 방법 ex) 응급실에서 응급처치 프로그램 효율적으로 배치하는법은?
  • 기계학습 : 알려진 특성을 활용하여 훈련 데이터를 학습시키고 예측하는 기법 ex) 기존의 시청 기록을 바탕으로 시청자가 현재 보유한 영화 중 어떤걸 가장 보고싶어할까?
  • 회귀 분석 : 독립변수의 조작에 따른 종속변수의 변화를 확인해 두 변수간 관계를 파악할 때 사용 ex) 구매자의 나이가 차량 구매 유형에 어떤 영향을 미치는가?
  • 감성 분석 : 특정 주제에 대해 말하거나 글을 쓴 사람의 감정을 분석 ex) 새로운 환불 정책에 대한 고객의 평가는 어떤가?
  • 소셜 네트워크 분석 : 특정인과 다른 사람이 몇 촌의 관계인가를 파악할 때 사용, 영향력 있는 사람 찾을때 사용 ex) 고객들 간 관계망은 어떻게 구성되어있나?

2. 분석 모형 정의

(1) 분석 모형 정의 개념

  • 분석 모형을 선정하고 모형(model)에 적합한 변수를 선택해 모형의 사양(specification)을 작성하는 기법.
  • 선택한 모델에 가장 적합한 변수를 선택하기 위해 파라미터와 하이퍼 파라미터를 선정한다.
  • 파라미터와 하이퍼 파라미터 개념
    • 파라미터
      • 모델 내부에서 확인 가능한 변수로 데이터를 통해 산출이 가능한 값
      • 예측을 수행할 때 모델에 의해 요구되어지는 값들
      • 파라미터가 모델의 성능을 결정
      • 파라미터는 측정되거나 데이터로부터 학습
      • 사람에 의해 수작업으로 측정되지 않음
      • 종종 학습된 모델의 일부로 저장
      • ex) 인공신경망에서의 가중치, 서포트 벡터 머신에서의 서포트 벡터, 선형회귀나 로지스틱 회귀 분석에서의 결정계수
    • 하이퍼 파라미터
      • 모델에서 외적인 요소로 데이터 분석을 통해 얻어지는 값이 아니라 사용자가 직접 설정해주는 값
      • 모델의 파라미터값을 측정하기 위해 알고리즘 구현 과정에서 사용
      • 하이퍼 파라미터는 주로 알고리즘 사용자에 의해 결정
      • 경험에 의해 결정 가능한 값
      • 예측 알고리즘 모델링의 성능 등의 문제를 위해 조절
      • ex) 신경망 학습에서 학습률, 의사결정나무에서 나무의 깊이, KNN에서 K의 개수

(2) 분석 모형 정의 고려사항

  • 과소 적합 under-fitting : 적정 수준의 학습이 부족해 실제 성능이 떨어지는 현상. 데이터 수집 시 단편화된 방법으로 인한 학습 부족 현상
  • 과대 적합 over-fitting : 학습 데이터에 대한 성능은 좋지만 실제 데이터에 성능이 떨어지는 현상. 지나친 차수 증가로 인한 활용성의 부족 현상.
  • 분석 대상인 데이터에 비해 모델이 너무 간단하면 과소 적합이 발생하고, 모델을 너무 복잡하게 선택하면 과대적합이 발생하므로 적절한 모델을 사용한다.
  • 부적합 모형 현상
    • 모형 선택 오류 : 적합하지 않은 함수 모형 생성
    • 변수 누락 : 종속변수와 하나 또는 둘 이상의 독립변수 사이에 관계가 있지만 모델을 생성할 때 누락되는 경우
    • 부적합 변수 생성 : 관련 없는 변수가 모델에 포함된 경우. 편향을 발생시키지는 않으나 과대 적합을 발생시켜 예측 성능을 저하시킴
    • 동시 편향 : 종속변수가 연립 방정식의 일부인 경우 동시 편향 발생

3. 분석 모형 구축 절차

  • 분석 모형 구축은 요건 정의 > 모델링 > 검증 및 테스트 > 적용 단계로 진행

(1) 요건 정의 상세 절차 : 기획 단계의 분석과제 정의를 통해 도출된 내용을 요건 정의로 구체화하는 과정.

  • 분석 요건 도출 : 기획단계보다 상세하게 분석요건을 추출, 분석, 명세화하고 종합적으로 적합성을 검토. 데이터 분석 업무의 배경, 주요 이슈, 기대효과, 제약사항을 사전에 정의하고 이해관계자와 협의하여 확정. 기존 분석 자료와 정보를 기반으로 분석 요건과 개인정보 보호, 접근 통제 등 정보 보안 정책을 누락 없이 식별
  • 수행 방안 설계 : 간단한 탐색적 분석을 수행해 가설 수립해 분석 가능성을 검토. 분석 계획서(핵심 분석 항목과 구체적인 범위 지정), WBS(work breakdown structure. 항목간의 선후행관계를 검토하고 납기가 지연되지 않도록 일정 조율, 데이터 오류 또는 분석 수행 오류 등으로 인한 재작업 시간도 분석 일정에 반영)
  • 요건 확정

(2) 모델링 단계 상세 절차 : 요건 정의에 따라 상세 분석기법을 적용해 모델을 개발하는 과정.

  • 모델링 마트 설계 및 구축
    • 다양한 원천 데이터로부터 분석 대상 데이터를 획득, 탐색, 정제, 요약 등 전처리해서 변수들을 식별.
    • 분석 대상 데이터를 구조화해 모델 마트를 설계. 전처리한 분석 대상 데이터를 적재해 모델 마트를 구축
  • 탐색적 분석과 유의 변수 도출
    • 유의미한 변수 파악을 위해 목푯값별로 해당 변수의 분포된 값을 보고 해당 변수의 구간에서 차이가 큰지 파악. 최적화를 위해 분석 모형 및 데이터의 유의성을 반복적으로 보정
  • 모델링
    • 업무 특성에 적합한 기법을 선택. 프로세스 및 자원에 대한 제약이 있고 입력값이 확률 분포면 시뮬레이션 기법을, 프로세스 및 자원에 대한 제약이 있고 상숫값을 가질 때는 최적화 기법을 사용.
    • 데이터 마이닝 모델링은 통계적 모델링이 아니므로 지나치게 통계적 가설이나 유의성을 적용하지 않음
  • 모델링 성능 평가
    • 정확도, 정밀도, 재현율, 향상도 등의 값으로 판단.
    • 정확도 : 실제 분류 범주를 정확하게 예측한 비율
    • 정밀도 : 참으로 예측한 비율 중 실제로 참인비율
    • 재현율 : 실제 참을 참으로 분류한 비율
    • 향상도 : 항목집합 X가 주어지지 않았을 때의 항목집합 Y의 확률 대비, 항목집합 X가 주어졌을 때 항목 집합 Y의 확률 증가 비율.

(3) 검증 및 테스트

  • 분석용 데이터를 학습용과 테스트용으로 분리한 다음 분석용 데이터를 이용해 자체 검증 후 실제 테스트에서는 신규 데이터 모델을 적용해 결과를 도출하는 단계
  • 모델링 단계 상세 절차
    • 운영 상황에서 실제 테스트
      • 분석 결과를 업무 프로세스에 가상으로 적용해 검증하는 실무 적용 직전의 활동
      • 구축 및 조정된 분석 모형을 테스트하기 위한 유사 운영 환경을 구축
      • 구축한 유사 운영환경에서 분석 모형을 테스트하기 위한 절차 설계
      • 테스트 결과를 분석 모형에 반영하고 반복 테스트 → 실제 운영 환경에 적용
      • 분석 모형의 유형에 따라 과대,과소적합 발생하지 않도록 주의
    • 비즈니스 영향도 평가
      • ROI 200~300% 이상임을 증명
      • 시뮬레이션에서는 처리량, 대기시간, 대기행렬의 감소를 통한 정량적 효과를 제시.
      • 최적화에서는 목적함수가 증가한 만큼의 정량적 효과를 제시

(4) 적용 단계 상세 절차 : 분석 결과를 업무 프로세스에 완전히 통합해 실제 일, 주, 월 단위로 운영하는 단계

  • 운영 시스템에 적용과 자동화
    • 선정된 기법으로 분석 모형을 실제 운영환경에 적용하는 활동
    • 실시간 또는 배치 스케줄러를 실행해 주기별로 분석 모델의 성과를 DBMS에 기록하고, 조기경보 시스템을 구성
    • 분석 모델을 자동으로 모니터링하고 이상시에만 확인하는 프로세스 수립
  • 주기적 리모델링
    • 데이터 마이닝, 최적화 모델링 결과를 정기적(분기,반기,연 단위)으로 재평가해 결과에 따라 필요시 분석 모형을 재조정
    • 데이터 마이닝은 동일한 데이터를 이용해 학습을 다시 하거나 변수를 추가하는 방법 적용

 

혼자 공부하며 시험에 나올 법한 내용들 위주로 정리한 개인 파일입니다.
반응형