2016 월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 / 서류 준비부터 면접까지 [내부링크]

국제기구IT협력단 2016 월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 / 서류 준비부터 면접까지 메콩스카이 2016. 7. 9. 17:31 이웃추가 본문 기타 기능 안녕하세요 먹깨비 입니당 다들 해외봉사에 관심이 많으시죠?? 제가 처음에 지원한 봉사단은 월드프렌즈 IT 봉사단이었지만 저희는 국제기구 IT 협력단으로 캄보디아로 파견이 되었습니다. 월드프렌즈 IT 봉사단과는 달리 국제기구 IT 협력단은 UN 산하기구인 ITU와 연계하여서 봉사활동을 하기 떄문에 봉사활동 전에 BOOTCAMP를 하여 사전교육을 진행하고 봉사활동 후에도 결과보고회를 하는 등 월드프렌즈 IT 봉사단보다 더 많은 활동을 한다고 볼 수 있습니다. 두 봉사활동 모두 비행기값부터 비자발급 및 활동비 까지 100% 지원해주는 아주 좋은 기회라고 생각해요! 저희 팀은 모두 같은 대학교 같은 과동기 4명이 모여서 지원을 했습니다. 서류 준비기간이 마침 시험기간과 겹쳐서 부랴부랴 준비했는데 정말 운좋게 서류합격이 되었

2016년 월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 소양교육 / 면접합격 [내부링크]

안녕하세요 먹깨비에용 오늘은 월드프렌즈 IT 봉사단이나 국제기구 IT 협력단에 합격하신 분들이 궁금해하실 소양교육에 대해 알려드리러 왔습니당 저희는 소양교육을 롯데인재개발원에서 2박3일동안 받았습니다! 오산역에서 모이면 버스로 태워다 줍니당! 롯데인재개발원 경기도 오산시 중앙동 전화 내부 모습은 이런 느낌입니다ㅎㅎ 우선 도착하자 마자 저 파란색 티와 바람막이 모자를 나눠줍니당 저희가 갈 캄보디아 판넬과 사진을 찍어봤어욥!! 이 곳에서 정말 사육당하는 느낌이었달까요?? 정말 풍족하게 잘먹었습니다! 삼시세끼 다챙겨주고 야식까지 챙겨줘요! 아래는 2박 3일간 메뉴 사진 입니당 몇몇 메뉴는 먹느라 정신없어서 못찍었네요ㅠㅠ 아! 그리고 저희는 목요일부터 토요일까지 소양교육이어서 kiv에 공문을 보내 학교에서 공결처리를 받을 수 있었어요~ 그리고 소양교육은 2박3일 단기간에 많은 내용을 가르치다 보니 쉴틈없이 계속 강의를 듣느라 힘드실거에요 강의는 이런 곳에서 듣습니다! 안전교육, 미디어교육,

2016 월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 / 캄보디아 봉사 전 준비과정 [내부링크]

안녕하세용 먹깨비 입니다 오늘은 5주동안 캄보디아 봉사를 가기 전에 준비과정을 소개할게요~ 저희는 우선 총무를 정하고 문화 수업을 어떤 것으로 할지 정했어요! 각 팀당 대략 270만원 정도가 지원되기 때문에 예산을 여기에 맞춰 미리 짜 보았습니다~ 예산은 엑셀 파일로 올리겠습니다 저희는 종강을 하고 캄보디아 가기 전 약 2주 동안 5번정도 만나서 회의를 했습니다. 그리고 중간에 캄보디아 관계자 분이 오셔서 미팅도 했어요 정말 친절하신 분이었습니다 저희는 오다르메안체이라고 캄보디아에서 가장 북쪽에 있는 지방에 파견되었어요! 공무원을 가르치게 됬습니다 그리고 저희 팀이 파견될 기관 사진입니다! 마지막으로 가장 중요한 예방접종! 총 3가지 주사를 맞았는데 엄청 아팠습니다ㅠㅠ 아래는 주사 맞기 전 겁먹은 영훈이 물론 예방 접종 비용도 다 나라에서 지원해 줍니다 그리고 말라리아 약을 받는데 총 60일 동안 매일매일 먹어야 한다네요 이상으로 준비과정 포스팅은 마치겠습니다~ 다음 포스팅은 태국에

2016 월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 / 태국 치앙마이 Boot Camp [내부링크]

국제기구IT협력단 2016 월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 / 태국 치앙마이 Boot Camp 메콩스카이 2016. 7. 19. 19:56 이웃추가 본문 기타 기능 안녕하세요 먹깨비 입니다~ 저번 포스팅에서 국제기구 IT 협력단은 출국 전에 BOOT CAMP 과정을 거치고 입국전에 EVALUATION 과정을 거쳐서 월드프렌즈 IT 봉사단과 다르다고 언급했었는데요 오늘은 Boot Camp 에 대해서 소개해 보겠습니다~ 저희는 Boot Camp 를 7월 3일 저녁 7시에 태국 치앙마이로 출발해서 7월 7일 아침 까지 4박 5일간 있었습니다 아래는 영훈이가 지각해서 저희 세명끼리 공항에서 찍은 사진입니당 영훈이 도착!! 대한항공 기내식입니다~ 이게 마지막으로 먹은 한식이 될줄이야..ㅠㅠ 맛있어요!! 태국 치앙마이 호텔 엄청 좋더라구요!! 엄청 감동했어요 호텔 사진입니당 호텔로비입니당 호텔 뷔페도 정말 맛있었는데 먹느라 정신 없어서 못찍었어요ㅠㅠ 왜 먹을 것만 보면 정신을

월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 / KIV / 해외봉사 / 캄보디아에서 1주차 [내부링크]

국제기구IT협력단 월드프렌즈 IT 봉사단 / 국제기구 IT 협력단 / KIV / 해외봉사 / 캄보디아에서 1주차 메콩스카이 2016. 7. 24. 20:46 이웃추가 본문 기타 기능 안녕하세용 먹깨비 입니다~ 오늘은 제가 서강일렉프렌즈 라는 팀으로 다녀온 캄보디아 해외봉사 중 첫번째 주에 대해서 포스팅 해볼까해요 우선 월드프렌즈나 국제기구협력단으로 해외봉사를 가시면 각 팀마다 배정된 기관에 코디네이터 분들이 계실거에요!! 코디네이터 분들은 대부분 영어를 잘하실 거에요(현지인보다..) 이분들이 저희 숙소도 알아봐 주시고 평소 생활의 전반적인 것들을 관리한답니다~ 저희 코디네이터 분이 처음에 숙소를 게스트 하우스로 알아봐 주셨지만 시설이 너무 마음에 안들어서 저희 팀은 숙소를 한 번 더 옮겼습니다. 저희팀은 호텔에서 머물기로 했는데요 여자2, 남자2 이렇게 각각 1방씩 1박에 $15 즉 한달정도면 900달러 정도가 들었습니다. (저희 동네가 워낙 외진곳에 있어서 호텔도 겨우겨우 찾았어요

메콩스카이 sns 이벤트입니다~ [내부링크]

안녕하세요~ MEKONGSKY와 함께하는 해시태그 이벤트입니다! 인스타그램에 음식 사진이나 매장에서 찍은 사진과 함께 #메콩스카이 #제주시맛집 #베트남음식 등을 태그에서 올려주시면 탄산음료 한 캔이 서비스! 참 쉽죠~? 꼭 참여하셔서 음료수 한 캔 더 받아가세요~~

메콩스카이 확장 이전 8월30일 오픈 [내부링크]

메콩스카이 메뉴판입니다. [내부링크]

메뉴 메콩스카이 메뉴판입니다. 메콩스카이 2019. 9. 5. 15:06 이웃추가 본문 기타 기능 Phoga는 당분간 안됩니다ㅠㅠ #메콩스카이#메콩스카이메뉴판#제주시맛집#제주도맛집#제주도청맛집#제주도쌀국수#제주시쌀국수#제주시베트남음식점#쌀국수맛집#제주시베트남쌀국수#제주반미맛집#제주쌀국수맛집#제주베트남음식점#반미맛집#오라동맛집

메콩스카이 오시는 길 [내부링크]

메콩스카이 메콩스카이 오시는 길 메콩스카이 2019. 9. 5. 15:40 이웃추가 본문 기타 기능 주소는 제주시 연오로 35 입니다.

1/ 22 수요일 정상 영업 1/24-1/26 설 연휴 휴무 입니다! [내부링크]

메콩스카이 [공지] 1/ 22 수요일 정상 영업 1/24-1/26 설 연휴 휴무 입니다! 메콩스카이 2019. 12. 17. 0:21 이웃추가 본문 기타 기능

aice어쏘공부2 [내부링크]

aice 선박문제1 [내부링크]

A중공업의 선박 수주여부 예측 문제 도메인 : 중공업 목 표 : 선박 수주여부 예측 A중공업은 B사 선박 입찰에 참여하려고 하고 있습니다. 코로나19로 위축되었던 물동량이 다시 살아나면서 선주들의 신규 선박에 대한 필요성이 늘어남에 따라 신규 선박 입찰 기회가 많아지고 있는 요즘입니다. 선박수주 가능성을 예측할 수 있으면, 해당 선박 입찰을 따내도록 더욱 집중적으로 노력할 수 있어 AI기술을 활용하여 수주가능 여부를 예측하고자 합니다. 본 인증평가는 선박 수주관련 대내외 데이터를 분석하고 AI 모델링을 통해 선박의 수주 여부를 예측하는 문제로 구성되어 있습니다. [유의사항] 각 문항의 답안코드는 반드시 '# 여기에 답안코드를 작성하세요' 로 표시된 cell에 작성해야 합니다. 제공된 cell을 추가/삭제하여 진행해도 되나, 최종적인 답안은 1개의 Cell에 작성해야 합니다. 시험 중에는 상단의 '임시저장' 버튼을 클릭하여 저장을 해주시고, 답안 제출시에는 '최종제출 및 종료' 버튼을

aice 선박문제2 [내부링크]

3. AI 모델링을 위해 분석 및 처리할 데이터 파일을 읽어오려고 합니다. Pandas 함수로 데이터 파일을 읽어 dataframe 변수에 할당하세요. dataframe 변수명 : bids 데이터 파일명 : A0003MF.csv (.csv 파일은 본 문제/답안지와 동일한 경로에 있습니다) In [6]: # 여기에 답안코드를 작성하세요. bids = pd.read_csv('./A0003MF.csv') bids.head() 4. 예측하려는 결과값의 분포를 확인하려고 합니다. matplotlib을 활용하여 '수주여부' 컬럼의 분포를 확인하는 histogram 그래프를 만드세요. In [7]: # 여기에 답안코드를 작성하세요. plt.hist(bids['수주여부']) 5. 환율과 국제유가에 따른 수주여부 상관관계를 확인해보고자 합니다. '환율'과 '국제유가' 데이터 컬럼가지고 Seaborn을 활용해서 lmplot 그래프를 만드세요. X축 : '환율' Y축 : '국제유가' 색깔구분 기준(hu

aice 선박문제3 [내부링크]

7. 범주형 데이터를 수치형 데이터로 변환해주는 데이터 전처리 방법 중 하나로 label encoder를 사용합니다. Scikit-learn의 label encoder를 사용하여 '선주사', ‘선종’ 데이터를 수치형 데이터로 변환하세요. 대상 컬럼 : ' 선주사', '선종' 해당 column 데이터를 변환하여 bids에 반영 In [10]: # 여기에 답안코드를 작성하세요. from sklearn.preprocessing import LabelEncoder le = LabelEncoder() bids['선주사'] = le.fit_transform(bids['선주사']) bids['선종'] = le.fit_transform(bids['선종']) 8. 원-핫 인코딩은 범주형 변수를 1과 0의 이진형 벡터로 변환하기 위하여 사용하는 방법입니다. 원-핫 인코딩(One-hot encoding)으로 아래 조건에 해당하는 컬럼 데이터를 변환하세요. 원-핫 인코딩 대상: object 타입의 컬럼

aice 선박문제4 [내부링크]

11. 랜덤 포레스트(Random Forest)는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법입니다. 아래 하이퍼 파라미터 설정값을 적용하여 RandomForestClassifier 모델로 학습을 진행하세요. 결정트리의 개수는 100개로 설정하세요. 최대 feature 개수는 9로 설정하세요. 트리의 최대 깊이는 15로 설정하세요. random_state는 42로 설정하세요 score 함수를 사용하여 성능을 출력하세요 In [15]: # 여기에 답안코드를 작성하세요. from sklearn.ensemble import RandomForestClassifier rfc = RandomForestClassifier(n_estimators = 100, max_features = 9, max_depth = 15, random_state = 42) rfc.fit(X_train, y_train) rfc.score(X_train, y_train) 12. 위 모델의 성능을 평가하려고 합니다.

aice 선박문제5 [내부링크]

13. 선박의 수주여부를 예측하는 딥러닝 모델을 만들려고 합니다. 아래 가이드에 따라 모델링하고 학습을 진행하세요 Tensorflow framework를 사용하여 딥러닝 모델을 만드세요. 히든레이어(hidden layer) 3개이상으로 모델을 구성하고 과적합 방지하는 dropout을 설정하세요. EarlyStopping 콜백으로 정해진 epoch 동안 모니터링 지표가 향상되지 않을 때 훈련을 중지하도록 설정하세요.(모니터링 지표 : val_loss). ModelCheckpoint 콜백으로 validation performance가 좋은 모델을 'best_model.h5' 파일로 저장하세요. # 여기에 답안코드를 작성하세요. import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Activation, Dropout from tensorfl

aice선박문제6 [내부링크]

14. 위 딥러닝 모델의 성능을 평가하려고 합니다. 학습정확도/손실, 검증정확도/손실을 그래프로 표시하세요. 1개의 그래프에 학습정확도 및 손실, 검증정확도 및 손실 4가지를 모두 표시하세요. 위 4가지 각각의 범례를 'acc', 'loss', 'val_acc', 'val_loss'로 표시하세요. 그래프의 타이틀은 'Accuracy'로 표시하세요. X축에는 'Epochs'라고 표시하고 Y축에는 'Acc'라고 표시하세요. In [23]: # 여기에 답안코드를 작성하세요. plt.plot(history.history['loss']) plt.plot(history.history['val_loss']) plt.plot(history.history['acc']) plt.plot(history.history['val_acc']) plt.title('Accuracy') plt.xlabel('Epochs') plt.ylabel('Acc') plt.legend(['loss','val_loss', '

aice 고객문제1 [내부링크]

고객 유형 예측 문제 도메인 : 통신 목 표 : 고객 유형 예측 문제 안산에 있는 C사는 연말이 되면 부가세 환급 등 세금이슈 해소를 위해 고객이 개인, 개인사업자, 법인사업자인지 고객 유형정보를 문의하고 수기로 처리해야 했었습니다. 이에 C사는 이러한 수작업 업무를 효율화 하기 위해 고객유형을 분류할 수 있는 다양한 데이터를 AI기술을 통해 분석하여, 고객 유형이 사업자인 경우 부가세 환급을 위한 정보를 사전에 등록하도록 유도하고자 합니다. 본 인증평가는 고객의 가입상품 등의 데이터를 분석하여 AI모델링을 통해 고객유형(개인, 개인사업자, 법인사업자)을 예측 분석하는 문제로 구성되어 있습니다. [유의사항] 각 문항의 답안코드는 반드시 '# 여기에 답안코드를 작성하세요' 로 표시된 cell에 작성해야 합니다. 제공된 cell을 추가/삭제하여 진행해도 되나, 최종적인 답안은 1개의 Cell에 작성해야 합니다. 시험 중에는 상단의 '임시저장' 버튼을 클릭하여 저장을 해주시고, 답안 제출

aice 고객문제2 [내부링크]

4. 예측하려는 결과값의 분포를 확인하려고 합니다. Matplotlib를 활용하여 '고객유형' 컬럼의 분포를 시각화하는 histogram 그래프를 만드세요. 고객유형 : CUST_TYPE 해당 안내 된 내용 외 별도의 파라미터를 입력하지 마시기 바랍니다. In [69]: # 여기에 답안코드를 작성하세요. plt.hist(ansan_data_raw['CUST_TYPE']) 5.고객유형에 따른 고객 상세 타입 분포를 파악하고자 합니다. Seaborn을 활용하여, 고객유형 별 고객 상세 분류 코드 한글명의 분포를 확인 하는 countplot을 그리세요 고객유형 : CUST_TYPE, 고객상세 분류 코드 한글명 : CUST_TYPE_DTL_NM 해당 안내 된 내용 외 별도의 파라미터를 입력하지 마시기 바랍니다. In [70]: # 여기에 답안코드를 작성하세요. !pip install seaborn import seaborn as sns sns.countplot(x='CUST_TYPE', h

aice 고객문제3 [내부링크]

8. 원-핫 인코딩(One-hot encoding)은 범주형 변수를 1과 0의 이진형 벡터로 변환하기 위하여 사용하는 방법입니다. get_dummies 함수를 이용하여 원-핫 인코딩으로 상품코드 한글명과 도로명에 대해 이진형 벡터 데이터로 데이터를 변환하세요. 대상 데이터 : ansan_data 상품코드한글명 : PROD_NM, 도로명 : ROAD_NM Pandas의 get_dummies 함수를 활용 drop_first 옵션을 통해 가변수 1개 삭제 해당 column 데이터를 변환하여 ansan_data에 반영 # 여기에 답안코드를 작성하세요. ansan_data = pd.get_dummies(data=ansan_data, columns = ['PROD_NM','ROAD_NM'], drop_first=True) ansan_data.head() 9.'CUST_TYPE'컬럼을 Label(y)로, 나머지 컬럼을 Feature(X)로 할당한 후 훈련데이터셋과 검증데이터셋으로 분리하세요. 대

aice고객문제4 [내부링크]

11. 랜덤 포레스트(Random Forest)는 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법입니다. 아래 하이퍼 파라미터 설정값을 적용하여 Randomforest 모델로 학습을 진행하세요. 결정트리의 개수는 50로 설정하세요. 최대 Feature 개수는 10로 설정하세요. 트리의 최대 깊이는 13로 설정하세요. random_state는 30로 설정하세요. score 함수를 사용하여 성능을 출력하세요(성능은 검증 데이터셋을 활용하세요) In [76]: # 여기에 답안코드를 작성하세요. from sklearn.ensemble import RandomForestClassifier rfc = RandomForestClassifier(n_estimators = 50, max_features = 10, max_depth = 13, random_state = 30) rfc.fit(X_train, y_train) rfc.score(X_valid, y_valid) 12. 위 모델의 성능을 평

aice 고객문제5 [내부링크]

13. 고객 분류를 예측하는 딥러닝 모델을 만들려고 합니다. 아래 가이드에 따라 모델링하고 학습을 진행하세요. Tensorflow framework를 사용하여 딥러닝 모델을 만드세요. 히든레이어(hidden layer) 3개이상으로 모델을 구성하고 과적합 방지하는 dropout을 설정하세요. EarlyStopping 콜백으로 정해진 epoch 동안 모니터링 지표가 향상되지 않을 때 훈련을 중지하도록 설정하세요.(모니터링 지표 : val_loss) ModelCheckpoint 콜백으로 validation performance가 좋은 모델을 best_model.h5 파일로 저장하세요. In [78]: # 여기에 답안코드를 작성하세요. import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Activation, Dropout from tens

aice 고객문제6 [내부링크]

14. 위 딥러닝 모델의 성능을 평가하려고 합니다. 학습 정확도 및 손실, 검증 정확도 및 손실을 그래프로 표시하세요. 1개의 그래프에 학습 정확도 및 손실, 검증 정확도 및 손실 4가지를 모두 표시하세요. 위 4가지 각각의 범례를 'acc', 'loss', 'val_acc', 'val_loss'로 표시하세요. 그래프의 타이틀은 'Accuracy'로 표시하세요. X축에는 'Epochs'라고 표시하고 Y축에는 'Acc'라고 표시하세요. In [82]: # 여기에 답안코드를 작성하세요. plt.plot(history.history['acc']) plt.plot(history.history['loss']) plt.plot(history.history['val_acc']) plt.plot(history.history['val_loss']) plt.title('Accuracy') plt.xlabel('Epochs') plt.ylabel('Acc') plt.legend(['acc','loss'

aice 선호장르1 [내부링크]

고객 미디어콘텐츠 선호장르 예측 예측 문제 도메인 : 미디어 목 표 : 고객 미디어콘텐츠 선호장르 예측 VOD 서비스를 제공하는 A미디어사의 마케팅팀은 VOD 매출을 높이기 위해 고객 개개인별로 선호하는 장르의 콘텐츠를 추천하고자 합니다. 이를 위해 대대적인 설문조사를 통해 각 고객의 선호장르를 수집하였으나 응답하지 않은 고객이 여전히 많고, 매번 설문조사를 하기에도 부담입니다. AI기술을 활용해서 문제를 해결하고자 합니다. 마케팅팀은 예측 정확도가 높은 AI모델이 개발되면 고객이 선호하는 콘텐츠를 추천할 수 있어 VOD 매출 증가로 이어질 것으로 기대하고 있습니다. 본 인증평가는 다양한 미디어 시청 관련 데이터를 분석하고 AI 모델링을 통해 선호장르 데이터가 없는 고객들의 미디어 선호 장르를 예측하는 문제로 구성되어 있습니다. [유의사항] 각 문항의 답안코드는 반드시 '# 여기에 답안코드를 작성하세요' 로 표시된 cell에 작성해야 합니다. 제공된 cell을 추가/삭제하여 진행해도

aice 선호장르3 [내부링크]

3. AI 모델링을 위해 분석 및 처리할 데이터 파일을 읽어오려고 합니다. Pandas 함수로 데이터 파일을 읽어 media 변수에 할당하세요. 변수명 : media 데이터 파일명 : media_favor_genre_data.csv (.csv 파일은 본 문제/답안지와 동일한 경로에 있습니다) : # 여기에 답안코드를 작성하세요. media = pd.read_csv('./media_favor_genre_data.csv') media.head() 4. 각 데이터 간의 상관관계를 확인하려고 합니다. Seaborn을 활용해서 전체 데이터 간의 상관관계를 Heatmap 그래프로 시각화 하세요. corr() 함수로 상관계수를 구하고, annotation을 포함하세요. 해당 안내 된 내용 외 별도의 파라미터를 입력하지 마시기 바랍니다. In [7]: # 여기에 답안코드를 작성하세요. sns.heatmap(media.corr(), annot=True) 5. 선호장르별 구매 금액이 차이가 있는지 확

aice 선호장르4 [내부링크]

7. 범주형 데이터를 수치형 데이터로 변환해주는 데이터 전처리 방법 중 하나로 label encoder를 사용합니다. Scikit-learn의 label encoder를 사용하여 media의 ‘선호장르’ column의 데이터를 수치형 데이터로 변환하세요. 선호장르 : favor_genre 해당 column 데이터를 변환하여 media에 반영 # 여기에 답안코드를 작성하세요. from sklearn.preprocessing import LabelEncoder le = LabelEncoder() media['favor_genre'] = le.fit_transform(media['favor_genre']) 8. 원-핫 인코딩(One-hot encoding)은 범주형 변수를 1과 0의 이진형 벡터로 변환하기 위하여 사용하는 방법입니다. 원-핫 인코딩으로 ‘성별 코드’와 ‘연령 코드’ 데이터를 변환하세요. 성별 코드 : sex_cd, 연령 코드 : age_cd pandas의 get_dummi

aice 선호장르5 [내부링크]

11. 더 좋은 예측결과를 만들기 위해, 한 개 보다 여러 개의 모델을 훈련하는 머신러닝 알고리즘을 '앙상블 학습'이라고 합니다. 가장 대표적인 결정 트리 기반의 앙상블 학습 중 하나가 '랜덤 포레스트'인데요. 아래 하이퍼 파라미터 설정값을 적용하여 RandomForestClassifier 모델로 학습을 진행하세요. 결정트리의 개수는 30개로 설정하세요. 최대 feature 개수는 10로 설정하세요. 트리의 최대 깊이는 7로 설정하세요. random_state는 21로 설정하세요. accuracy_score를 통해 학습한 모델의 검증 데이터셋에 대한 성능을 출력하세요.(성능은 검증 데이터셋을 활용하세요) # 여기에 답안코드를 작성하세요. from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score rf = RandomForestClassifier(n_estimators = 3

aice 선호장르 6 [내부링크]

13. 고객의 미디어 선호장르를 분류하는 딥러닝 모델을 만들려고 합니다. 아래 가이드에 따라 모델링하고 학습을 진행하세요. Tensorflow framework를 사용하여 딥러닝 모델을 만드세요. 히든레이어(hidden layer) 3개이상으로 모델을 구성하고 과적합 방지하는 dropout을 설정하세요. EarlyStopping 콜백으로 정해진 epoch 동안 모니터링 지표가 향상되지 않을 때 훈련을 중지하도록 설정하세요.(monitoring 지표 : val_acc) ModelCheckpoint 콜백으로 validation performance가 좋은 모델을 best_model.h5 파일로 저장하세요. # 여기에 답안코드를 작성하세요. import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Activation, Dropout from t

aice 선호장르7 [내부링크]

14. 위 딥러닝 모델의 성능을 평가하려고 합니다. 학습 정확도 및 손실, 검증 정확도 및 손실을 그래프로 표시하세요. 1개의 그래프에 학습 정확도 및 손실, 검증 정확도 및 손실 4가지를 모두 표시하세요. 위 4가지 각각의 범례를 'acc', 'loss', 'val_acc', 'val_loss'로 표시하세요. 그래프의 타이틀은 'Accuracy'로 표시하세요. X축에는 'Epochs'라고 표시하고 Y축에는 'Acc'라고 표시하세요. # 여기에 답안코드를 작성하세요. plt.plot(history.history['acc']) plt.plot(history.history['loss']) plt.plot(history.history['val_acc']) plt.plot(history.history['val_loss']) plt.title('Accuracy') plt.xlabel('Epochs') plt.ylabel('Acc') plt.legend(['acc','loss', 'val_ac

e490379218f940fb8d9f02cc8cc216da [내부링크]

키자드연동

AICE 주요 명령어 모음 [내부링크]

Jupyter notebook 명령 Shift + Enter : 셀 실행하고 아래 셀 선택 Alt + Enter : 셀 실행하고 아래에 빈 쉘 생성 Ctrl + Enter : 셀 실행 A : 위쪽에 빈 쉘 생성 B : 아래쪽에 빈 쉘 생성 dd : 해당 셀 삭제 Jupyter 내 AIDU 연동 from aicentro.session import Session from aicetro.framework.keras import Keras as AiduFrm aidu_session = Session(verify=False) aidu_framework = AiduFrm(session=aidu_session) 사용할 라이브러리 import numpy:행렬활용 pandas:데이터처리 Matplotlib:시각화 Seaborn:시각화(통계 차트 기능 추가 등) import numpy as np import pandas as pd Import matplotlib.pyplot as plt Import