inflearn logo
講義

講義

知識共有

algolearnさんの投稿

algolearn algolearn

@algolearn

受講生
1,604
受講レビュー
157
講義評価
4.8

投稿 96

Q&A

실전문제 5회차 25번 문제

안녕하세요, 데이터코드연구소입니다. 질문 감사합니다. RANGE는 기준이 되는 행(현재 행)을 포함합니다. RANGE BETWEEN 1000 PRECEDING AND 1000 FOLLOWING 은 "현재 행의 SALARY −1000 이상, +1000 이하" 범위에 드는 행을 모두 세고, 경계값(정확히 ±1000)도 포함합니다. 예를 들어 급여가 3200인 행은 2200~4200 범위이므로 2500, 3200(자기 자신), 3500, 4000 → CNT = 4입니다. 나머지 행은 5000→2, 4000→4, 3500→4, 2500→3입니다. 따라서 정답은 ②입니다. 처음 배포한 자료에는 이 문항의 보기와 해설에 오류가 있어 수정본(v1.1)으로 교체를 했었습니다. 아마도 이전 버전을 보고 계신거 같은데요. 수정본 확인 해보시길 부탁드립니다. 혹시 잘 못되어 있으면 support@algolearn.io로 메일 한 통 주십시오. 바로 처리해드리겠습니다. 혼란을 드려 죄송하구요. 강의 자료실에서 최신 파일을 다시 받아 확인해 주세요. 감사합니다.

いいね数
1
コメント数
1
閲覧数
48

Q&A

실전모의고사 5회차 11번, 13번

안녕하세요, 질문 주셔서 감사합니다. 11번 DISTINCT는 SELECT 절에 적은 컬럼, 즉 DEPT_ID 값에만 적용됩니다. SALARY는 WHERE 조건에서 행을 거르는 데만 쓰이고 결과에는 나오지 않습니다. 순서대로 보면, 1) WHERE SALARY > 3000으로 남는 행: 홍길동(10), 이영희(10), 박민수(30), 정지원(20) 2) 여기서 DEPT_ID만 뽑으면 10, 10, 30, 20 3) DISTINCT로 같은 값 10을 하나로 합치면 10, 30, 20 → 3개 급여 4000과 5000이 다른 값인 건 맞지만, 그 두 행의 DEPT_ID는 똑같이 10이라서 하나로 합쳐집니다. 13번 지적하신 내용이 맞습니다. NULL과 비교한 결과는 FALSE가 아니라 UNKNOWN(알 수 없음)입니다. WHERE 절에서는 UNKNOWN도 참이 아니라서 행이 걸러지기 때문에 결과만 보면 FALSE처럼 보이지만, 엄밀히는 다른 값입니다. 예를 들어 NOT FALSE는 TRUE지만 NOT UNKNOWN은 여전히 UNKNOWN입니다. 그리고 ④ "Oracle에서 NULL과 빈 문자열('')은 동일하게 처리된다"는 Oracle에서는 맞는 말입니다. Oracle은 ''를 NULL로 저장합니다. 따라서 이 문제의 정답은 ④가 아니라 ②가 되어야 합니다. 문제와 해설은 정정하겠습니다. 시험에서는 "NULL 비교 결과는 UNKNOWN, IS NULL/IS NOT NULL로만 판별, Oracle은 ''=NULL"로 기억해 두시면 됩니다. 해당 내용은 수정하여 문제와 해설을 다시 올려두었습니다. 해당 파일을 다시 내려받으시면 좋겠네요. 불편을 드려서 죄송합니다.

いいね数
0
コメント数
1
閲覧数
43

Q&A

실전모의고사 5회차 15번

안녕하세요, 질문 주셔서 감사합니다. 말씀하신 대로입니다. 정지원의 급여 3200은 3000 이상이라 B등급에 들어가므로, 실제 결과는 A=1(홍길동), B=3(이영희·박민수·정지원), C=1(김철수)입니다. 해설에서 정지원을 C로 잘못 분류했고, 보기 ③의 "B=2, C=2"도 잘 못되었네요. 보기 ③을 "A=1; B=3; C=1"로 정정하고 해설도 고쳤습니다. 풀이 방식(CASE로 등급을 나누고 같은 CASE 식으로 GROUP BY해서 COUNT)은 그대로 맞게 이해하셨어요. 풀이와 문제를 변경하여 파일을 다시 올려두었어요. 새로 받아서 확인해주세요. support@algolearn.io 로 메일 한 통 주시겠어요. 알려주셔서 감사하는 뜻으로, 소정의 선물을 보내 드릴게요. 감사합니다.

いいね数
0
コメント数
1
閲覧数
47

Q&A

Oracle 설치

안녕하세요, 질문 남겨주셔서 감사합니다 😊 docker run 후에 긴 컨테이너 ID가 출력됐다면 컨테이너 생성까지는 정상적으로 된 거예요. 질문 내용을 보니, 에러가 난 이유는 명령어 띄어쓰기 때문으로 보입니다. ps와 -a 사이에 한 칸을 띄워서 입력해 주세요. docker ps -a 결과에서 STATUS 항목을 확인해 주세요. - Up ~ 으로 나오면 정상 실행 중입니다. Oracle은 처음 기동할 때 초기화에 몇 분 걸리니 잠시 기다린 뒤 접속해 보세요. - Exited ~ 로 나오면 실행 직후 종료된 상태입니다. 아래 명령어로 로그를 확인해 주세요. docker logs 한 번 해버시구오. 안되면 다시 질문 남겨주세요. 감사합니다

いいね数
0
コメント数
2
閲覧数
50

Q&A

7회 3유형 2번문제 질문

안녕하세요. parkjh980226님. 알고런입니다. 질문 주셔서 감사합니다. 일반적으로 순서가 없는 범주형 데이터에는 원핫인코딩을, 순서가 있는 범주형 데이터는 라벨 인코딩을 사용합니다. 예를 들어 순위가 있는 학점 A+, A, B, C, D, F 와 같은 것은 라벨 인코딩을 쓰는 거죠. 다만, 문제 자체가 회귀계수의 값이 가장 큰 변수를 찾는 것입니다. 이때 원핫인코딩을 사용하면 변수의 이름이 각 카테고리별로 별도 생성되는 문제가 있습니다. 예를 들어, 해당 문제에서 원핫인코딩을 하면 fuelType 하나가 fuelType_Petrol , fuelType_Hybrid 처럼 여러 변수로 쪼개집니다. 그러면 문제에서 요구하는 "독립변수 중 회귀계수가 가장 큰 변수" 를 구할 때: 원본 독립변수는 year , transmission , mileage , fuelType , tax , mpg , engineSize 7개인데 원핫인코딩 후에는 fuelType_Hybrid , fuelType_Petrol , transmission_Manual 등 이름과 개수가 바뀌어버림 그래서 문제의 의도(원본 변수 기준으로 답 출력)와 답 형식 이 맞지 않게 됩니다. 라벨인코딩은 원본 변수명( fuelType , transmission )을 그대로 유지한 채 숫자로만 치환하기 때문에 문제 의도에 맞는 답 ('engineSize', 13051.49) 형태로 출력할 수 있습니다. 사실, 통계적으로는 순서 의미가 없는 범주형 변수에 라벨인코딩을 쓰는 게 이론적으로는 맞지 않습니다. 하지만, 빅분기 실기 시험에서는 이 방식이 관례 라고 할 수 있습니다. 감사합니다.

いいね数
1
コメント数
2
閲覧数
94

Q&A

11회차 2유형 질문.

안녕하세요. 알고런입니다. 질문에 대해서 결론 부터 말씀드리자면, 시험 자체만을 두고 봤을 때 Validation 데이터로 분할하여 정확도, auc 등을 구하는 게 필수는 아닙니다. 시험에서 2유형은 코드 작성 과정이 아니라 제출한 예측 결과(CSV)의 성능만으로 채점됩니다. 따라서 질문처럼 인코딩 → 학습 → test 예측 → 제출, 이렇게 결과만 내도 답안으로 전혀 문제없습니다. (물론, 실무에서는 100% 데이터를 validation으로 분할하여 정확도, auc 등의 성능 지표를 확인합니다.) 하지만, 시험 칠 때 시간이 절대적으로 부족하거나 코드에 익숙하지 않은 경우를 제외하고는.. 가급적이면 validation 데이터셋을 이용해서 여러 성능 지표를 점검해보시기를 권해드립니다. 그 이유는 제출 전에 실수를 하지 않았나, 스스로 점검할 수 있기 때문입니다. 시험장에서는 test의 정답을 알 수 없습니다. 그래서 train 일부를 떼어 검증해 보면, 제대로 문제를 풀었는지 확인해볼 수 있습니다. 예를 들어 다음과 같은 점을 알 수 있습니다. AUC가 0.5 근처로 나온다 → 인코딩 실수, 컬럼 누락 등 모델이 깨졌을 수 있다는 신호 를 제출 전에 발견 가능. AUC 의 값은 0.5 ~ 1.0 사이의 값이 나오며 0.5에 가까울 수록 성능이 낮은 겁니다. 확률( predict_proba )을 내야 하는데 라벨( predict )을 내는 흔한 실수도 자연스럽게 걸러낼 수 있음 3~5분 투자로 40점짜리 문제의 치명적 실수를 막아주는 보험 이라고 보면 좋겠습니다. 제가 권장하는 코드 작성 흐름은 아래와 같습니다. 인코딩 → train/val 분할 → 학습 → val 성능 확인 → test 예측 → 저장 이때 전체 데이터로 재학습하는 단계를 한 번 더 가져도 좋습니다. 실무에서는 하이퍼파라미터 튜닝 등을 통해 성능을 향상시키는 작업을 하겠지만, 시험에서 하이퍼파라미터 튜닝은 좀 어려울 수 있습니다. 그러니 데이터를 분할하지 않고 전체 train 재학습 과정을 다시 거치는 것도 시험용으로는 나름 괜찮아 보입니다. 인코딩 → train/val 분할 → 학습 → val 성능 확인 → 전체 train 재학습 → test 예측 → 저장 아래는 빅분기 실기 2유형 파이썬 기본 골격 코드입니다. 코드 골격을 익혀 놓으시면 실수를 줄일 수 있습니다. 그럼 수고하시구요. 시험 잘 보시길 응원하겠습니다. 감사합니다. python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier #랜덤포레스트는 성능이 좋은 편임 from sklearn.metrics import roc_auc_score #문제에서 원하는 성능 측정 함수 추가 # 1. 데이터 로드 및 인코딩 train = pd.read_csv('train.csv') test = pd.read_csv('test.csv') X = pd.get_dummies(train.drop(columns=['target'])) #원핫인코딩 y = train['target'] X_test = pd.get_dummies(test) #테스트용 데이터 원핫인코딩 # 2. [검증용] 분할 후 성능 확인 — 채점과 무관, 문제 풀이 단계에서 확인용 X_tr, X_val, y_tr, y_val = train_test_split(X, y, test_size=0.2, random_state=42) model = RandomForestClassifier(random_state=42) model.fit(X_tr, y_tr) print('val AUC:', roc_auc_score(y_val, model.predict_proba(X_val)[:, 1])) # → 0.5 근처면 어딘가 잘못된 것. 제출 전에 발견 가능 # 3. [최종] 전체 데이터로 재학습 후 예측·제출 model.fit(X, y) #이 단계는 생략 가능. 전체 데이러토 재학습 하는 과정. 실무에서는 미수행 pred = model.predict_proba(X_test)[:, 1] # 확률 요구 시. 라벨 요구 시 predict() pd.DataFrame({'pred': pred}).to_csv('result.csv', index=False)

いいね数
1
コメント数
1
閲覧数
115

Q&A

알고런io 이용 관련 문의

안녕하세요. 알고런입니다. 말씀하신 내용은 윈도우 IME(Input Method Editor) 환경에서 키보드 입력시 한글 및 특수문자 처리 버그인거 같습니다. 쉼표나 특수 문자 입력시 종종 발생하는 버그인거 같은데요. 특수 문자 처리시에 이런 버그가 발생하지 않는 처리를 프로그램에 적용했습니다. 다만, 이런 버그가 환경에 따라서 발생하지 않을 수 있어서요. 제가 테스트를 해볼 수가 없네요. 사용해보시구요. 혹시 잘 안되시면 support@algolearn.io 로 이메일을 보내주십시오. 감사합니다.

いいね数
0
コメント数
1
閲覧数
104

Q&A

76번 문제

안녕하세요. 알고런입니다. 기존 노랭이 교재의 문제가 잘 못되어 있어서, 문제 오류라고 강의에서 안내를 드렸는데요. 다행이 개정 출간하면서 문제를 바로 잡았네요. 알려주셔서 감사드리구요. 해당 내용은 보완을 해 두겠습니다. 시험 보시느라고 수고하셨습니다. 🙂 감사합니다.

いいね数
1
コメント数
2
閲覧数
123

Q&A

64번 문제 관련

안녕하세요. 알고런입니다. 시험 전날이네요. 헷갈리는 부분이라 빠르게 정리해 드릴게요. 결론부터 말하면, 방향은 PRIOR가 “어느 컬럼”에 붙느냐로 정해집니다. “테이블 기준으로 정해진다”는 이해는 살짝 어긋나 있어요. 1. 먼저 컬럼 구조부터 바로잡기 부서 테이블은 보통 이렇게 생겼습니다. ∙ 부서코드 : 그 행(부서) 자기 자신의 식별자 ∙ 상위부서코드 : 그 부서의 부모를 가리키는 포인터 여기서 핵심은, “부모/자식”은 행(row)들 사이의 관계이지 컬럼 이름이 아니라는 점이에요. 그래서 “부모 = 부서코드, 자식 = 상위부서코드” 라는 표현은 개념이 살짝 꼬여 있습니다. 정확히는 이렇습니다: 자식 행의 상위부서코드 = 부모 행의 부서코드 즉 모든 행이 부서코드(나의 ID) 와 상위부서코드(부모를 가리키는 값) 를 둘 다 가지고 있고, 같은 행이라도 위에서 보면 자식, 아래에서 보면 부모가 됩니다. 2. PRIOR의 의미 PRIOR는 “이미 읽은 부모 행(한 단계 이전 행)” 을 가리키는 키워드입니다. CONNECT BY 식은 항상 이 등식이에요. [부모(이전) 행의 부서코드] = [자식(현재) 행의 상위부서코드] = PRIOR 부서코드 = 상위부서코드 3. 방향을 정하는 진짜 기준 PRIOR가 어느 컬럼에 붙느냐가 방향을 정합니다. 등호의 좌우 순서는 아무 의미 없습니다. 정방향 (최상위 → 하위로 전개) START WITH 상위부서코드 IS NULL CONNECT BY PRIOR 부서코드 = 상위부서코드 역방향 (특정 부서 → 상위로 거슬러 올라감) START WITH 부서코드 = 'C100' CONNECT BY PRIOR 상위부서코드 = 부서코드 차이는 딱 하나 — PRIOR가 부서코드에 붙었나(정방향), 상위부서코드에 붙었나(역방향)뿐입니다. 4. 질문하신 네 가지 진술 평가 ∙ PRIOR 부모 = 자식 과 자식 = PRIOR 부모 → 같은 식이라 같은 방향. 맞습니다. (좌우만 바꾼 것) ∙ 부모 = PRIOR 자식 과 PRIOR 자식 = 부모 → 역시 같은 식, 같은 방향. 맞습니다. 여기까지는 맞아요. 다만 “PRIOR 위치에 따라 달라지는 게 아니다”는 틀렸습니다. 위 1번·3번에서 방향이 뒤집힌 이유가 바로 PRIOR가 붙은 컬럼이 달라졌기 때문이거든요. “등호 좌우는 무관, PRIOR가 붙은 컬럼은 결정적” — 이 둘을 분리해서 기억하시면 됩니다. 그리고 부모 자식이라는 용어를 많이 쓰긴 하지만, 이전 행의 부서코드 = 현재 행의 상위 부서코드 prior dept_code = p_dept_code 로 익히시는 게 더 이해가 쉬울거에요 시험용 한 줄 암기 CONNECT BY PRIOR 부서코드 = 상위부서코드 → 위에서 아래로(정방향). PRIOR를 반대 컬럼으로 옮기면 아래에서 위로(역방향). 등호 좌우 순서는 신경 안 써도 됨. 이거 하나만 기준점으로 잡고 나머지를 그 변형으로 생각하시면 헷갈릴 일 없습니다. 내일 시험 잘 보세요!​​​​​​​​​​​​​​​​ 감사합니다.

いいね数
0
コメント数
2
閲覧数
143

Q&A

강의내용관련

안녕하세요. 알고런입니다. 제가 복원해서 제공해드린 해설과 강의 내용이 살짝 다르다는 말씀이신지 궁금하네요. 만약 위의 내용이 맞다면 걱정하지 않으셔도 됩니다. 라이브로 코딩하면서 강의한 내용을 충분히 따라하시면 도움이 될겁니다 합격하시는 데 문제 없을겁니다. 이미 많은 분들이 그렇게 합격하셨어요 이 강의를 인프런에 신규 등록하긴 했지만 이미 여러 플랫폼에서 검증된 강의입니다 혹시 도움이 필요하면 다시 메세지 주시거나 support@algolearn.io 로 메일 주십시오. 감사합니다 .

いいね数
0
コメント数
1
閲覧数
100