[Day 43] AI와 EDA 탐색적 데이터 분석

📍목차
1. EDA 탐색적 데이터 분석
1-1. EDA 방법
1-2. EDA를 하는 이유
1-3. CRISP-DM 6단계
2. GPT로 EDA 실습
3. 기업 사례

---

1. EDA 탐색적 데이터 분석

Exploratory Data Analysis

 

데이터를 분석하기 전에 데이터를 잘 이해하기 위해 여러 각도에서 쪼개보고, 돌려보고, 비교해보고 시각화하는 과정

• 컬럼마다 무슨 뜻인지 이해하기
• 결측치나 이상치가 있는지 확인하기
• 그래프(히스토그램, 박스플롯 등)로 분포 보기
• 데이터의 단위, 범위, 의미를 체크하기

 

▼ 원하는 데이터 다운받아 사용할 수 있는 사이트

https://www.kaggle.com/

Kaggle: Your Machine Learning and Data Science Community

https://www.data.go.kr/

공공데이터 포털

 

📌 EDA 방법

1) Raw data의 description, dictionary를 통해 데이터의 각 컬럼들과 로우의 의미를 이해

2) 결측치 처리 및 데이터 필터링 (결측치 제거 / 평균, 중앙값으로 대체)

3) 누구나 이해하기 쉬운 시각화 생성

 

 

📌 EDA를 하는 이유

데이터를 이해하기 위해	이 데이터가 어떤 구조인지, 숫자인지 문자인지, 뭘 의미하는지 파악
문제를 미리 발견하기 위해	누락된 값(결측치), 이상치(혼자 튀는 값) 같은 문제를 미리 발견
분석 방향을 정하기 위해	어떤 컬럼이 중요할지, 어떤 분석이나 모델이 필요할지 힌트를 얻을 수 있다.
데이터의 숨은 패턴을 찾기 위해	시각화를 통해 관계나 경향을 발견

 

★ 머신러닝: 컴퓨터에게 이미지, 패턴 등을 학습시켜서 구분할 수 있게 만든다.

→ 사용자 개인화(메뉴 추천, 콘텐츠 추천, 스타일 추천 등), 이미지에 있는 사물이 무엇인지 구분할 수 있게 하여 이미지로 검색가능하도록

∴  사용자 경험을 향상시킨다

 

 

📌 CRISP-DM 6단계

1단계: 비지니스 이해 (Business Understanding)

무엇을 위해 분석하는지, 목적과 가치를 정의

• 분석의 목적을 분명히 함 (ex. 집값 예측)
• 누가 이 데이터를 쓸지, 어떤 가치를 줄 수 있는지 생각

🗣️ 프롬프트: "이 데이터셋의 분석 목적을 설정해줘. 주택 가격 예측이라는 목표로 누구에게 어떤 가치를 줄 수 있는지 정리해줘."

 

 

2단계: 데이터 이해 (Data Understanding)

데이터를 불러오고 구조와 통계를 파악

• 데이터 구조 확인 (.Info(), .describe())
• 분포 시각화 (히스토그램, 상관관계 등)

🗣️ 프롬프트: "데이터 구조와 통계를 보여줘. 누락값, 이상치 여부도 알려줘. 주요 변수들의 분포를 시각화해줘."

 

 

3단계: 데이터 준비 (Data Preparation)

이상치, 누락값 처리하고 머신러닝에 맞게 정리

• 이상값 처리 (IQR, 하한/상한 제한
• 범주형 변수 인코딩 (0/1, 원핫 인코딩)
• 필요 없는 열 제거, 스케일링

🗣️ 프롬프트: "이상값을 IQR 방식으로 처리해줘. 범주형 변수는 인코딩해줘. 분석에 불필요한 컬럼은 제거해줘."

*원핫 인코딩: 범주형 데이터를 머신러닝이 이해할 수 있는 수치형 데이터로 변환하는 방법

▷ 각 카테고리를 고유한 벡터로 표현, 해당 데이터가 속하는 범주에 1 그 외 범주에 0을 할당한다.

ex. 동물 카테고리에 고양이, 강아지가 있는 경우, 고양이=[1, 0] / 강아지=[0, 1] 로 표현

즉, 해당되는 범주에 있는걸 1로 켜준다라는 의미로 one hot 인코딩이라 한다. 

 

4단계: 모델링 (Modeling)

데이터를 바탕으로 예측 모델을 만들고 학습시킴

• 훈련 데이터와 테스트 데이터 분리
• 선형회귀, 트리 등 다양한 모델 학습
• 예측 결과 확인

🗣️ 프롬프트: "선형회귀, 랜덤포레스트, 그래디언트 부스팅 모델을 학습시켜줘. RMSE로 성능 비교해줘."

 

 

5단계: 평가 모델 (Evaluation)

얼마나 잘 작동하는지 확인

• 모델 성능 평가 (RMSE, MAE 등)
• 예측 결과 시각솨
• 오차 분석

🗣️ 프롬프트: "기존 모델들과 비교해, 성능이 좋은지 평가해줘. 시각화로 예측값과 실제값을 비교해줘."

 

 

6단계: 배포 (Deployment)

분석 결과를 정리하고 공유하거나 적용

• 결과 요약 및 추천
• 모델 및 인사이트 문서화

🗣️ 프롬프트: "이 분석 결과를 기반으로 한 보고서나 발표자료를 요약해줘."

 

데이터 분석 파이프라인
데이터 정제 (EDA) → 머신러닝 → 시각화 → 결론 도출

---

2. GPT로 EDA 실습

넷플릭스 데이터 (2010~2021).csv (by. Kaggle)

 

 

데이터 분석 목적 / 가치 도출

 

이상치 / 결측치 확인

 

변수별 분표 시각화

 

 

장르 중심 트렌드 분석 결과

 

국가별 장르 트렌드 / 연도별 장르별 누적 비중

 

최근 인기 있는 장르

 

연평균 성장률 기반 장르 TOP 5 / 최근 장르별 점유율 → 상관 분석

 

 

💬
이중전공 수업에서 배우던 내용을 디자인 공부를 하면서 다시 보게 될 줄 몰랐다 //
프롬프팅 공부를 통해 만나게된 '냅다 시키면 결론 도출해주는 천국..🪽'ㅋㅋㅋ
GPT도 점점 업데이트 되면서 예전에 뽑아주던 시각화와 분석보다 지금이 정확도와 퀄리티가 올라간 것 같다.

 

---

3. 기업 사례

1) 새벽의 자리아

https://www.idailynews.co.kr/news/articleView.html?idxno=101202

‘새벽의 자리아’ 판결 분석: 미국 저작권청, 새로운 선례 설정

 

2) 하인즈 케찹 마케팅

https://www.madtimes.co.kr/news/articleView.html?idxno=13889

[해외 크리에이티브] 하인즈가 AI에게 케첩을 그려달라고 요청하면 일어나는 일 - 매드타임스(MADT

 

3) 11번가

https://www.cnet.co.kr/view/?no=20230703101111

11번가, 프로모션 디자인에 'AI 이미지 생성 프로그램' 도입

 

4) 코카콜라

https://www.coca-colacompany.com/media-center/coca-cola-invites-digital-artists-to-create-real-magic-using-new-ai-platform

Coca-Cola Invites Digital Artists to ‘Create Real Magic’ Using New AI Platform

 

5) 코스모폴리탄

https://www.cosmopolitan.com/lifestyle/a40314356/dall-e-2-artificial-intelligence-cover/?utm_source=chatgpt.com

DALL-E 2 Made Its First Magazine Cover

 

---

과제.
아바타를 디자인하세요. 이 아바타는 회사 로고로 사용될 수도 있고, 앱 사용자 프로필 이미지로 사용될 수도 있습니다. 디자인할 때 다음 요소들을 고려해보세요,

모서리 라운딩 정도 / 아바타의 크기 / 레이아웃에서의 위치 / 전반적인 스타일과 톤

 

 

어제 기획하고 제작했던 작심삼일로 다이어트를 포기하는 사람들을 다이어트시켜주는 어플의 캐릭터를 만들어보았다. 

다이어트 전에는 살이 있으니까 말랑한 느낌이 들어 찰흙인간 같은 레퍼런스를 핀터레스트에서 찾았다. 

앱 로고 / 아이콘

 

💡 로고의 링은 줄넘기였으면 더 좋았을 것 같다는 피드백 받음.

동영상 서비스가 종료되어 해당 콘텐츠를 재생할 수 없습니다.

로고도 만들어서 변하는걸 해보고 싶었는데,, 막 통통 튀어서 바뀌는 그런건 우째 만들어야할까나,,,🧐