dr + (sun)eam = er

한국방송통신대학교 컴퓨터과학과 2년간의 수기

haeyoung* — Mon, 23 Mar 2026 18:30:56 +0900

2026. 02

마지막 시험 보는 날 찍은 서울지역대학

개요

23년 하반기, 비전공자 개발자로 취업하여 일하다 보니 당연하게도 기초적인 것들에 대한 부족함을 많이 느꼈다.

부트캠프에서는 CS지식보다는 프로젝트 수행에 초점이 맞춰져 있다 보니 채우지 못한 부분을 채우고 싶기도 했고,

앞으로 SW 분야에 있을 마음을 먹었으면 관련 학위를 상대적으로 일이 여유로운 주니어 시기에 취득해 두는 것도 좋을 것이라 생각했다. 추가로 이런저런 개인적인 동기부여를 사유로 싸피를 함께 했던 친구를 설득(?)해 함께 편입에 도전해보자는 마음을 먹었다.

여러 사이버대학교들과 방송통신대학교 사이에서 고민했지만

방송대(방통대라고 많이 부르지만, 학교는 방송대라고 칭하는 것을 장려한다)를 선택한 이유는

먼저 서치 중 해외 대학원 등에서 사이버대보다는 방송대 학위를 인정해주는 경우가 많다고 하여 그렇다면 역시 국립대 메리트가 있는 것인가..하는 대책없는 생각도 있었고,

사이버대에 비해 방송대가 출석, 시험 등에 참여해야 해서 졸업하기 어렵다는 말도 들어서 명목상 학위가 목적이라기보다는 공부도 하고 싶었기에 과정이 힘들더라도 내가 좀 더 노력하도록 강제할 겸 학비 도 저렴한 방송대를 선택하게 되었다.

편입 과정

24년도 1학기 기준 컴퓨터과학과의 3학년 편입 경쟁률은 1.3 vs 1 정도였다.
방송대에서 가장 경쟁률이 높은 유아교육과, 사회복지학과 등을 제외하고는 1:1을 넘겼으니 높은 편에 속했다.
지원 과정에서는 기존 대학 졸업장 제외 크게 준비할 만한 것은 없었다.
4년제 대학을 졸업하면 3학년 편입이 가능한데, 그러면 교양 수업을 듣지 않아도 되어서 전공 학점만 듣고 4학기 내에 졸업이 가능하다.
복수전공을 시도하면 4학기 내에는 어렵지만 5-6학기 내에 학위 2개 취득이 가능하여
통계데이터과학과를 아주 잠시 고려하였으나 효율성을 제외하면 크게 관심 있는 부분이 아니었기 때문에
2년 안에 컴퓨터과학과에 집중하는 것으로 결정했다.

학기별 수강 과목 + 후기

3학년 1학기

과목명	대상학년	담당교수	성적
원격대학교육의이해	-	(필수교양)	P
파이썬프로그래밍기초	1학년	정재화	A0
이산수학	2학년	손진곤	A+
데이터베이스시스템	3학년	정재화	A+
디지털논리회로	3학년	손진곤	A+
C프로그래밍	1학년	김형근	A+
운영체제	3학년	김진욱	A+

원격대학교육의이해는 방송대를 졸업하려면 필수로 들어야 하는 1학점짜리 수업으로, 방송대 학습을 위한 전반적인 학습 과정 등에 대한 가이드 느낌의 수업이다. 따로 할 건 없이 강의를 수강하면 Pass 처리가 됨

파이썬프로그래밍기초는 교재도, 워크북도, 기출문제도 없는 과목이라 공부하기 가장 어렵다. 함께 들었던 과목 중에 가장 기초지식이 많았던 과목인데도 그래서 오히려 헷갈리는 부분이 많았나 미끄러져 A0.. 과제물은 1000자 이상 글쓰기 + 코딩 등이 합쳐져 있었는데 글쓰기가 오히려 어려웠다. AI 시대의 맹점은 도움을 받고 싶으면서도 내가 쓰면 AI보다 못할 것 같으면서도 AI 티가 안 났으면 좋겠고 도움을 받지 않았는데 GPT킬러에 걸리면 열받고.. 오히려 머리 박고 쓰는 것보다 오래걸린다는 것이다.

가장 어렵고 뭐라는지 모르겠던 과목은 당연히 디지털논리회로였다. 방송대의 특징은 과목이 높은 이해도를 요구할수록 시험이 상대적으로 평이해진다는 것이다. 절대평가이기 때문에 너무 깊게 파고들어가기보단 꼭 필요한 개념들을 이해하여 워크북, 기출문제를 풀 수 있게 되면 대부분의 시험문제도 소화 가능하다.

3학년 2학기

과목	대상학년	담당교수	성적
컴퓨터구조	3학년	김형근	A0
자료구조	2학년	정광식	A+
선형대수	2학년	손진곤	A+
프로그래밍언어론	2학년	김진욱, 이관용	A0
UNIX시스템	3학년	김희천	A0
클라우드컴퓨팅	4학년	정재화	A+

클라우드컴퓨팅이 4학년 과목인 이유는 온갖 개념이 다 나와서다.

프로그래밍언어론은 과목 이름만 보고 무엇을 배우는 과목일까 했는데 언어구조 등 아예 새로운 것을 배워서 좋았다.

UNIX시스템은 혹시 리눅스 실무나 리눅스마스터 취업에 도움이 될까싶어서 들었으나 생각보다 지엽적이고 실무 관련은 아니었다. 암기가 너무너무 힘들었는데 A0라도 나와서 정말 다행이라고 생각한다.

선형대수는 모두 입을 모아 힘들다고 하는 수학 과목이지만, 지나고 보니 AI부분에서 많이 쓰이는 내용이라 잘 배워 두면 도움이 많이 될 것 같다고 나중에서야 생각했다.

4학년 1학기

과목	대상학년	담당교수	성적
유비쿼터스컴퓨팅개론	1학년	정광식	A+
컴퓨터보안	4학년	김진욱	A+
소프트웨어공학	4학년	김희천	A0
정보통신망	4학년	손진곤	A+
인공지능	3학년	이병래	A0
알고리즘	3학년	이관용, 김진욱	A+

자바를 듣느냐 마느냐 하는 기로에 섰던 4학년 1학기

하지만 3학년 과정에서 파이썬과 C를 이미 들어서, 언어 수업보다는 이론 수업을 더 듣고 싶은 마음에 듣지 않았다.

보안, 정보통신망, 인공지능을 한 번에 듣는 중요한 학기였다.

인공지능은 방송대 수업 중 손에 꼽게 어려웠다. 특히 앞부분에 수학이 많다보니 수업을 들으면서 많이 절망했던 기억이 난다.

4학년 2학기

과목명	대상학년	담당교수	성적
오픈소스기반데이터분석	2학년	정재화	A+
시뮬레이션	3학년	김강현	A+
컴파일러구성	4학년	김강현	A+
머신러닝	3학년	이관용	B+
딥러닝	4학년	이병래	A+

기말시험 신청 조합: (1주차) 머신러닝+딥러닝 / (2주차) 오픈소스+컴파일러+시뮬레이션

딥러닝 과목의 출석수업 교수님이 "머신러닝이랑 딥러닝이랑 같이 들으면 엄청 고생해요~" 라는 말을 하셨었다.
머신러닝을 먼저 듣지 않으면 딥러닝을 바로 이해하기 어렵다는 의도셨을 것 같은데,
하지만 방송대의 장점이 무엇인가. 진도를 스스로 조절하면 된다.
한 학기 안에 소화하려니 당연히 여유롭진 않겠지만, 머신러닝 과목을 먼저 다 듣고 딥러닝을 들으면 된다.

특히 머신러닝 수업을 듣던 시기에 추천받은 『기계는 왜 학습하는가』라는 책도 읽어봤는데, 너무 다 완벽히 이해하려고 하지 않으면 적당히 흥미롭게 읽을 수 있었고, 과목 내용도 이해하는 데 도움이 되었다.

어려운 과목이다 보니 교수님 과목 홈페이지에 시험 대비 가이드가 나와 있다. 출력까지 해서 그 주제 위주로 시간도 제일 많이 투자했는데 결과가 가장 안 좋았다. 얕고 넓은 과목은 역시 나와 가장 안 맞다는 결론을 내렸다.

오픈소스기반데이터분석은 실습 비중이 많다. Colab에서 실습할 수 있도록 예제 코드가 제공되는데, 기본 제공 코드에는 빈칸이 있고 수업시간에 빈칸을 채우면서 진행되는 형태라 수업을 듣는 데 시간이 오래 걸렸다.

시뮬레이션은 처음에는 조금 헷갈릴 수 있는데 교수님이 수업에서 같은 내용을 계속 반복해서 이해되지 않을 수 없게 해주신다. 과제도 어렵게 생각할 수 있는데 윈도우 PC와 교수님이 제공해주시는 실습 툴만 있으면 아주 쉽게 할 수 있다.

머신러닝을 향한 고난-기념으로 남겨둡니다

시험 대비 방법

방송대 성적 평가는 절대평가로, 100점 만점에 형성평가 20 + 출석수업or과제 30 + 객관식 시험 50으로 구성된다.

95점까지는 A+, 90점까지는 A0 등으로 학점 기준도 칼같이 나누어져 있다.

나의 전략은 형성평가는 강의를 듣기만 하면 되니 무조건 챙기고, 출석수업이나 과제도 무조건 30점을 노리는 것이었다.

출석수업에서 시험을 보는 경우 대체로 내용에 집중만 하면 만점을 챙길 수 있게 지도해주시고,

과제도 아주 뛰어나게 하려고 무리할 필요 없이 요구사항(과목마다 양식, 파일 형태, 제출 방식 등 요구사항이 다르다)과 제출 기한만 철저히 챙긴다면 감점된 적은 없었다.

시험은 2주간 기간이 있고 시험 볼 날짜와 과목을 정해서 신청할 수가 있는데,
아무래도 인기 있는 주말 오후 등은 시험 접수가 열리고 가장 빠르게 정원이 마감되기 때문에
접수 시작(보통 평일 오전)에 맞추어 바로 신청하는 것이 좋다.
나는 회사를 다니면서 시험을 쳐야 했기에,
1주차 - 금요일 휴가, 토요일 저녁 시험 3과목
2주차 - 수요일 휴가, 일요일 오후 시험 3과목
이런 식으로 분배하는 것이 가장 공부하기 수월했다.

공부 방법을 돌이켜 보자면,

워크북 문제 + 기출문제가 있는 과목은 기출만 완벽하게 학습하면 만점을 노려볼 수 있는 경우가 많다.

하지만 나는 어쩔 수 없는 FM적인 성향으로 인해 정말정말 시간이 없는 때가 아니면

1) 강의 1회 (+수업에 나온 부분 교과서에 표기)

2) 교과서 1회

3) 워크북 문제 있는 경우 N회 풀어보기

4) 기출문제 N회독

이렇게 공부했다.

문제은행식이긴 하지만 점점 기출 의존도가 낮아지고 있다고 하나,

아직은 기출문제 풀었을 때의 결과와 실제 시험 점수가 비례하는 것 같다.

방송대가 내게 남긴 것.. 나름 뿌듯한 책장

교과서 필기 흔적 (너무어려웠어요)

장학금 + 성적우수상

이하 일종의 뿌듯함과 자랑 타임..

방송대 성적우수장학금 지급 기준은 다음과 같다.

다음학기 등록금 전액 - 성적우수 우수: 상위 5%
다음학기 등록금 반액 - 성적우수 증진: 상위 5% 초과~15% 이내
3만원가량의 격려금 - 성적우수 격려: 상위 15% 초과~50% 이내

운이 좋게도 첫 학기는 등록금 납부 후 국가장학금을 신청하여 전액을 반환받고,

이후 세 학기는 성적우수 우수 장학금을 받아 교재비만 내고 졸업할 수 있었다.

교재비는 학기당 전과목 종이책+워크북으로 11만원 정도씩이었다.

정확한 기준은 알 수 없지만 궁금하신 분들을 위해.. 매 학기 4.3 정도를 유지하면 우수 장학금을 받을 수 있었다.

후기

첫 학기만 해도 이걸 진짜 끝낼 수 있을까 하는 생각이 강했는데 어느새 2년이 지났다.

배운 것도 당연히 많지만 일단 칼졸업을 끝냈다는 것만으로도 너무 뿌듯하다..

사실 혼자 했으면 끝까지 못했을 것 같다. 다시 한번 함께 해 준 Q에게 감사의 마음을 전합니다 ...

마지막으로 소개하는 시험기간 나의 아지트였던 에브리아워 성수점

시험 전날 주말을 하루 종일 있다가 새벽에 N버스 타고 집에 가거나,

시험 당일에도 오후 시험이면 아침부터 가서 기출 돌리다가 비척비척 시험보러 갔다.

1층에 있는 빵집의 버터프레첼도 맛있고, 같은 건물의 중국집도 괜찮고, 건너편의 쌀국수집도 괜찮다.

이용 시간이 끝나면 늦게까지 하는 탐앤탐스에서도 여러 밤을 지샜다.

졸업 이후에 이렇게 공부를 열심히 하는 날이 올 줄 몰랐는데 좋은 추억도 남긴 것 같다!

끝~

머신러닝

haeyoung* — Mon, 19 Jan 2026 19:01:13 +0900

1. 머신러닝 소개

인공지능 ) 머신러닝 ) 딥러닝

인공지능: 인간의 지능을 모방하여 문제해결을 위해 사람처럼 학습하고 이해하는 기계를 만드는 분야

약인공지능: 기계가 지능적인 것처럼 행동 ex. 알파고: 지능 소유 여부와는 관계 없이 목적 달성 여부가 중요

강인공지능: 스스로 문제 정의, 해결, 지속적인 학습

1.2. 머신러닝의 처리 과정

학습 단계learning stage

추론 단계inference stage

1.3. 머신러닝의 기본 요소

하나의 데이터는 n차원의 열벡터로 표현

n차원 벡터는 n차원 공간상의 한 점

특징추출 - 2차원의 두 좌표값을 모두 쓰는 대신 하나만 사용하는 방법

- 가로축에나 세로축이 아닌 임의의 2차원 단위 벡터 u상으로의 사영값, 즉 x(T)u를 특징값으로 사용할 수 있다.

특징추출의 목적 - 단순히 차원을 줄이는 것이 아닌 데이터 처리를 위한 핵심적인 정보를 추출하는 것이 목적

목적함수: 학습 시스템이 달성해야 하는 목표를 기계가 알 수 있는 수학적 함수로 정의한 것, 이를 최적화하는 것이 학습의 목적

일반화 오차 - 관찰될 수 있는 모든 데이터를 대상으로 하는 오차

- 전체 데이터 집합의 확률밀도함수를 알고 있을 때만 계산 가능하므로 실제 응용에서는 일반화 오차 대신 테스트 오차를 이용

교차검증법: 제한된 데이터 집합을 이용하여 일반화 오차에 좀 더 근접한 오차를 얻어내는 방법

1.4 머신러닝에서의 주제

분류: 입력 데이터가 어떤 class에 속하는지를 자동으로 판단

- 베이즈 분류기, K-최근접이웃 방법(K-NN), 신경망(MLP, CNN, LSTM), SVM(Support Vector Machine), 결정 트리, 랜덤 포레스트

회귀: 입력변수와 원하는 출력변수 사이의 매핑 관계 분석, 이산적인 출력 -> 분류는 회귀의 특별한 경우

- 시계열 예측이 회귀에 해당

- 선형회귀, 비선형회귀, 로지스틱 회귀, SVM, 신경망(MLP, RBF, CNN, LSTM)

군집화: 임의의 복수 개의 그룹으로 나눈다

- 군집화 학습의 목표: 각 클러스터 내의 분산은 최소화하고 클러스터간의 분산을 최대화하는 최적의 클러스터들을 찾는 것

- K-평균 군집화, 계층적 군집화, 가우시안 혼합 모델, SOM(Self-Organizing Map) 신경망

특징추출

- 주성분분석(PCA), 선형판별분석(LDA), MDS

1.5 학습 시스템 관련 개념

준지도학습: 지도학습과 비지도학습을 적절히 결합

약지도학습: 부정확한 레이블도 부여해서 사용 가능

자기지도학습: 학습 데이터에 레이블을 자동으로 부여할 수 있는 새로운 태스크 활용

과다적합: 학습 데이터에 대해서만 지나치게 적합한 형태로 결정경계가 형성되어 결국 전체 데이터 집합이 가지는 특성을 제대로 학습하지 못한 것에 기인한다. 오히려 일반화 성능이 떨어지게 한다.

머신러닝의 고급 주제

- 앙상블 학습: 복수 개의 간단한 학습 시스템을 결합하여 일반화 성능을 향상하는 방법

- 능동학습: 학습 과정에서 데이터를 선별적으로 선택하여 수행하는 방법

- 메타 학습과 자동 머신러닝: 학습 시스템의 복잡도 등의 하이퍼파라미터까지 학습을 통해 최적화하는 방법

- 지속/증분 학습: 기존에 학습된 내용에 대한 손실 없이 새로운 내용을 추가로 학습하는 방법

2. 데이터 표현: 벡터와 행렬

2.1 벡터

벡터의 정규화:벡터를 norm으로 나누어 방향은 동일하면서 크기가 1인 단위벡터를 구하는 것

랭크: 행렬에서 서로 독립인 행벡터의 수와 서로 독립인 열벡터의 수 중 작은 값

두 벡터가 서로 수직이면 내적값은 0이 된다.

코사인 거리 d(c)가 0이면 두 벡터는 같은 방향, 1이면 수직, 2이면 반대 방향

일반적인 단위벡터들도 기저를 만들 수 있다. 이를 다르게 표현하면, 기저가 정해지면 그 기저에 따라 데이터를 표현하는 좌표값이 정해진다.

2.2 행렬

직교행렬: 정방행렬 X의 각 행벡터가 상호직교인 단위벡터로 이루어짐

- 직교행렬과 전치행렬을 곱하면 단위행렬

- 곧 역행렬이 전치행렬

직교행렬이 중요한 이유

- 길이, 각도를 보존하여 회전, 대칭 등의 변환을 수행한다

- 좌표만 바꾸고 벡터의 성질은 바꾸지 않을 수 있음

데이터의 선형변환 - 입력으로 주어진 데이터의 원래 값을 그대로 사용하지 않고, 데이터 특성을 더 잘 반영할 수 있는 새로운 특징값(좌표값)으로 변한하여 사용하는 것

3. 데이터 분포: 확률과 통계

3.1 확률변수와 확률분포함수

확률분포: 확률변수 X가 가질 수 있는 임의의 값에 대해 이 값을 가질 확률들의 분포

확률함수: 확률변수 X가 가질 수 있는 모든 값에 대한 확률을 대응시키는 함수

- 이산확률변수 -> 확률질량함수pmf

- 연속확률변수 -> 확률밀도함수pdf

베이즈 정리: P(A|B) = P(B|A)P(A) / P(B)

3.2 랜덤벡터와 통계량

랜덤벡터: 두 개 이상의 확률변수로 이루어진 다변량 확률변수

결합확률분포: 랜덤벡터의 확률분포

결합확률밀도함수: 결합누적분포함수의 각 변수에 대한 편미분으로 정의, 연속확률변수가 특정 범위의 값을 가질 확률을 계산하는데 사용될 수 있다.

공분산행렬: 두 확률변수에 대한 공분산을 원소의 값으로 가지는 행렬

단일확률변수에서 분산은 단순히 데이터의 흩어진 정도를 나타내는 값이지만, 랜덤벡터의 경우 공분산행렬은 벡터의 각 요소 간의 상관관계를 나타내므로 데이터의 분포 특성을 나타내는 중요한 통계량으로 사용된다.

공분산행렬로부터 새롭게 정의되는 상관계수는 각 요소 간의 상관관계를 -1에서 1 사이의 실수값으로 대응시켜서 나타낸다.

X의 조건분포: 두 확률변수 X와 Y에 대해 Y가 특정한 값으로 주어진 조건에서의 X의 확률분포

4. 지도학습: 분류

4.2 베이즈 분류기

선험확률: 데이터가 관찰되기 이전의 각 클래스에 대한 확률 p(C1), p(C2)

후험확률: 데이터가 관찰된 후에 그로부터 추정할 수 있는 각 클래스에 대한 확률 P(C1|x), P(C2|x)

베이즈 확률을 이용한 후험확률값: p(Ck|x) = p(x|Ck)p(Ck) / p(x)

결정경계 g(x) = p(x|C1)p(C1) / p(x) - p(x|C2)p(C2) / p(x)

gLRT(x) = p(x|C1) / p(x|C2) - p(C2) / p(C1) = 0

* 위 식에서 결정에 영향을 미치지 않는 p(x)를 제거하고 각 항에 p(x|C2)p(C1)을 나누어서 구함

우도비: 위 식의 첫번째 항 p(x|C1) / p(x|C2) -> 각 클래스에서 데이터 x가 관찰될 확률밀도의 비율

두 번째 항의 p(C1)과 p(C2)는 각각 전체 데이터 집합에서 각 클래스가 차지하는 비율

오류확률: 결정경계를 이용하여 얻어진 결정규칙이 오류를 일으킬 확률

마할라노비스 거리: 데이터 x에서 평균까지의 거리를 계산할 때 공분산도 함께 고려하여 거리를 계산

4.3 K-최근접이웃 분류기

최근접이웃 분류기나 K-최근접이웃 분류기는 가우시안 베이즈 분류기보다 매우 비선형적인 결정경계를 가지며, 데이터의 분포 형태에 따라 성능이 크게 좌우되지 않는다.

5. 지도학습: 회귀

5.2 선형회귀

평균 제곱 오차MSE: 잔차 ei의 제곱을 모두 더한 오차

[AZ-900] Microsoft Certified: Azure Fundamentals 취득 후기

haeyoung* — Sun, 11 Jan 2026 00:20:12 +0900

2026. 01. 07

클라우드를 접하며 작년부터 보려고 마음먹었던 Azure Fundamentals 시험을 해가 바뀌고 나서야 드디어 응시했다.

AZ-900에 해당하는 Azure Fundamentals는 Azure 시스템과 클라우드 컴퓨팅 기본 개념을 묻는 시험이다.

자세한 Azure 시험 자격 정보는: https://learn.microsoft.com/ko-kr/credentials/

시험 대비 방법

전체적인 개요를 훑기 위해 udemy 강의를 먼저 수강하였다. https://www.udemy.com/course/best-az-900-microsoft-azure/

영어 강의지만 자막도 있고 기초 개념을 한 번 훑기에는 적당하다고 생각됨.

8시간이지만 어김없이 끝까지 다 듣지는 못했다..

강의를 들으면서 기록한 내용은 여기

AZ-900 개념 정리: 하루만에 AZ-900 Microsoft Azure Fundamentals 시험 합격하기 2025

참고: udemy 강의 https://www.udemy.com/course/best-az-900-microsoft-azure/ 개요 AZ-900: foundational level knowledge of cloud services and how those services are provided with Microsoft Azure cloud란? - 사실, cloud는 없다. 다른 사람의 컴

drsuneamer.tistory.com

강의를 들으면서 덤프 문제풀이를 병행하다가, 시험을 며칠 앞두고는 덤프만 열심히 쳐다봤다.

400+문제 정도가 있는 덤프 파일이 있긴 했으나

100번째 문제를 넘어가자 이전에 나왔던 문제가 그대로 나왔는데, 나오는 것 자체는 문제가 되지 않았으나 이전에 말했던 답 및 해설과 다른 내용이 쓰여 있었다.

GPT에게 물어보기도 하고 구글링도 하며 맞는 것을 찾으려 했으나 그때그때 의견이 달라 확실하지 않은 것은 이해를 포기했다.

덤프에 등장한 개념 관련 정리는 여기

https://drsuneamer.tistory.com/387

examtopics도 물론 활용했다 https://www.examtopics.com/exams/microsoft/az-900/view/

여기도 마찬가지로 답에 대한 의견이 분분하여 오히려 헷갈려지긴 하지만 자격증을 위해 덤프는 중요하니까..

AZ-900 Exam - Free Actual Q&As, Page 1 | ExamTopics

www.examtopics.com

시험 후기

대략 300문제의 덤프 선지는 파악하고 갔다고 생각하는데,

시험을 보면서 일치한다고 느낀 문제는 50%정도였다.

생각보다 문제 없을 거라고 생각한 클라우드 개념 설명 부분에서 많이 틀려서 놀랐음

자격증 대비는 보통 덤프로 많이 하기 때문에 선지에 매몰되기 쉬운데,

오히려 각 서비스 별 이름과 개념을 정확히 알아가는 것이 중요한 것 같다.

Azure monitor, Azure Health Insights, Azure Service가 Health가 동시에 선지에 나오는 등의 문제가 막상 시험장에서 보면 덜컥 헷갈릴 수 있음

덤프 볼 시간에 서비스 개념 정리하고 공식 문서 좀 더 읽을걸 후회했다~ 이번 점수는 800번대였는데 그럼 더 안정적인 점수로 합격할 수 있었을 것 같음

➕ 시험장 후기 : 강남 앤아버어학원

Azure 시험은 온라인 시험과 오프라인 시험으로 나누어져 있는데,

온라인 시험을 선호하는 사람들도 있지만 난 시험 환경을 세팅하고 감독관과 소통하고 카메라 상태를 신경쓰며 시험보는 것이 싫어서 차라리 시간이 조금 걸려도 시험장에 가는 것을 선호하는 편이다.

시험 예약을 주말로 했었다가 주말 오전보단 평일 퇴근 후가 나을 것 같아서 급히 시험 전날에 옮겼더니 남아 있는 시험장이 많지 않았다. AWS 시험을 강남 HWG 센터에서 봤어서 익숙한 곳으로 가고 싶었으나, 딱 알맞는 시간이 앤아버어학원에만 있었다.

인터넷에 후기가 많지 않아서 걱정했지만 시험장 환경이 좋아서 다행이라고 생각했다.

위치는 강남역 3번출구 근처로, 인예지빌딩 2층으로 가면 된다.

예약한 시험 시간보다 10분 정도 일찍 도착했는데 바로 시험볼 수 있었음. 해당 시간에 시험 본 게 나 혼자라 쾌적하게 볼 수 있었다.

마음껏 머리 싸매고 끙끙댈 수 있었음

들어가면 신분증 검사를 하고, 시험 동의서 및 서명을 작성하고 전자기기 등의 짐을 캐비넷에 맡긴다.

PC가 여러 대 있는 강의실에서 시험을 보고 나오면 된다.

시험이 끝나면 시험 점수가 포함되어 있는 결과서도 바로 출력해주신다.

시험 결과 확인

시험 결과는 시험 제출을 완료하자마자 점수로 바로 알 수 있다.

생각보다 헷갈리는 것이 많아서 땀이 삐질삐질 났는데 합격이라 기분좋게 나왔다.

시험을 다 보고 나온 게 7시 10분 정도였으니 40분쯤 지나서 인증 취득 안내 메일도 도착했다.

이후 MS 계정 로그인 하면 취득한 시험 정보가 보이고, PearsonVue에서 점수 보고서 등도 확인할 수 있다.

작년 9월에 처음 접수했을 때는 59달러(한화 84131)를 결제했는데,

이후 시험 날짜를 변경하려고 하니 결제 정보가 바뀌어서 재결제해야한다고 해서 취소 후 재결제 했더니 1월에는 세금 5.90달러를 더해서 총 64.90달러를 결제했다.

한화로 92,566원이 나갔으니 AWS보단 저렴하지만 떨어졌으면 피눈물 날 뻔했다

애저 900 시리즈의 자격은 기본 라인이라 만료가 없다고 하니 올해의 남은 기간에는 AI-900, DP-900, SC-900(고민)도 순차적으로 (이번엔 부디 차근차근 공부하여) 따 볼 계획이다

AZ-900 기출문제 등장 개념 및 선지 정리

haeyoung* — Sat, 10 Jan 2026 00:03:34 +0900

기능별 개념

IaaS

Azure Storage Account는 IaaS
Azure Virtual Machine은 IaaS에서만 가능

PaaS

SQL Database, Azure Cosmos DB, Azure Backup, Azure Functions, Azure App Service
provides professional development services: 전문 개발 서비스 제공
운영 체제에 대한 액세스를 제공하지 않는다
서버, 스토리지, 네트워킹 등의 인프라뿐만 아니라 미들웨어, 개발 도구, 비즈니스 인텔리전스BI 서비스, 데이터베이스 관리 시스템 등이 포함된다.
구축, 테스트, 배포, 관리, 업데이트 등 전체 웹 애플리케이션 라이프사이클을 지원하도록 설계되었다

Cloud model

private: 가장 높은 수준의 소유권과 제어 제공
hybrid: 가장 큰 유연성 제공
public: 회사가 서버를 decommission 하려면 퍼블릭 클라우드에서 100% 운영되어야 함

Azure Arc

manage servers across third party cloud platforms and on-premises environments
simplifies governance and management by delivering a consistent multi-cloud and on-premises management platform

Azure Advisor

provides recommendations on how to reduce the cost of running Azure virtual machines
cannot generate a list of Azure virtual Machines that are protected by Azure Backup

Azure Application Insights

Monitors web applications
구성요소간 호출 성능 이해
성능 이상 감지
특정 수준의 사용자 지정 또는 표준 메트릭 자동 경고

Azure Cognitive Services

A simplified tool to build intelligent Artificial Intelligence(AI) applications

Azure Cosmos DB

store unstructured and JSON data.
전 세계에 분산된 Microsoft의 다중 모델 데이터베이스 서비스

Microsoft Entra Connect Sync

synchronize identity data between on-premises environment and Microsoft Entra ID

Microsoft Entra ID (이전의 Azure AD)

클라우드 기반 ID 및 액세스 관리 서비스
통합 클라우드 앱에 대한 액세스 관리
Each user account can be assigned only one license
Azure AD 테넌트는 여러 개의 구독을 가질 수 있지만 Azure 구독은 하나의 테넌트에만 연결할 수 있다

Azure 이벤트 허브

여러 리소스의 이벤트를 중앙 집중식 리포지토리로 상호 연관시킨다
스트림을 실시간으로 수집, 버퍼링, 저장 및 처리

Azure Firewall

트래픽 차단/허용

Azure Free Account

All Azure Free Accounts expire after a specific period
지출 한도가 있음
블롭 저장소 제한/파일 저장소 제한 있음
웹, 모바일 또는 API 앱 개수 제한 있음

Azure Information Protection

문서 및 이메일 메시지 암호화
Azure Rights Management 사용

Azure 키 볼트

배포하는 동안 관리 자격 증명 암호화
인증서 저장

Azure 리소스 관리자

클라우드 인프라에 개체를 배포하고 Azure 환경 전체에서 일관성을 구현하기 위한 공통 플랫폼 제공

Azure 리소스 관리자 템플릿

Azure 리소스 생성 자동화
동일한 템플릿을 여러 번 배포하고 동일한 리소스 유형을 얻을 수 있다

코드형 인프라

템플릿을 통해 리소스 배포

NIST

An organization that defines standards used by the United States government

네트워크 보안 그룹 Network security group NSG

Azure 가상 네트워크의 Azure 리소스에 대한 네트워크 트래픽 필터링
TCP 포트 8080에서 가상 머신으로 연결하려면 NSG 수정하면 됨
encrypt all the network traffic sent from Azure to the Internet

지원 플랜

기본 지원 플랜: 엔지니어 기술 지원 미제공
- 청구 및 구독 지원, 온라인 셀프 지원, 설명서, 백서, 지원 포럼 연중무휴 액세스
개발자 지원 플랜: 이메일을 통한 엔지니어 기술 지원만 제공, 비프로덕션 환경에서 개발 및 테스트
Standard: 프로덕션 워크로드
스탠다드, 프리미어, 프로페셔널 다이렉트는 이메일과 전화를 통해 기술 지원 제공
A standard support plan is not included in an Azure free account
A premier support plan can only be purchased by companies that have an Enterprise Aggrement(EA)
allow for new support requests to be opened - Basic, Developer, Standard, Professional Direct (Premier cannot be opened directly)

PowerApps

코드를 사용하지 않고 비즈니스 애플리케이션을 빠르게 빌드할 수 있다
VM을 만드는 데에는 사용할 수 없다

개발 테스트 랩

재사용 가능한 템플릿 및 아티팩트를 사용하여 Windows 및 Linux 환경을 빠르게 프로비저닝

Azure 정책

새 정책 할당을 준수하지 않는 기존 리소스가 있는 경우 해당 리소스는 '비준수' 아래에 표시
배포 중 이미 존재하는 리소스에 대한 리소스 속성에 대한 요구 사항 정의

SLA

가상 머신에 대한 SLA는 '가동 시간'을 보장한다.

Subscription

an Azure resource group cannot contain multiple Azure Subscriptions
An Azure subscription cannot have multiple account administrators
An Azure subscription can be managed by using a Microsoft account only
An Azure resource group can contain multiple Azure subscriptions

공개 미리 보기

Azure을 구독하는 모든 사용자가 사용 가능
SLA에서 제외
Azure Services in public preview can be used in production environments
비공개/공개 미리보기 때보다 일반 공개(Generally Avaliable)로 가면 비용은 증가한다

Azure Advanced Threat Protection (ATP)

monitor threats by using sensors

Local network gateways

VPN 어플라이언스 식별하는 Azure 리소스 생성

Resource Group

리소스는 다른 리소스 그룹의 리소스와 상호작용할 수 있다
리소스 그룹에 대한 권한을 설정하면 해당 그룹의 모든 리소스에 권한 상속

Azure SQL Data Warehouse

A cloud-based service that leverages massively parallel processing(MPP) to quickly run complex queries across petabytes of data in a relational database
can run massively parallel data transformation and processing programs across petabytes of data

Azure HDInsight

An open-source framework for the distributed processing and analysis of big data sets in clusters
Apache Hadoop, Apache spark 등 오픈소스 빅데이터 프레임워크를 기반으로 한 서비스

Azure Synapse Analytics

a cloud-based service that leverages massiverly processing to quickly run complex queries across petabytes of data in a relational database

Azure 정보 보호

신용 카드 정보가 포함된 Microsoft Word 문서에 자동으로 워터마크 추가

Azure 활동 로그

지난 기간(14일) 동안 특정 가상 머신 끄는 사용자 확인

Storage

Transferring data between Azure Storatge accounts in different Azure region is not free
보관 액세스 계층에 저장된 데이터는 azcopy.exe를 사용하여 언제든지 액세스할 수 있다

Azure Iot Hub

메시지 라우팅 가능한 두 가지 스토리지 서비스: Azure Blob Storage, Azure Data Lake Storage

월간 가동 시간 비율 계산

(Maximum Available Minutes - Downtime in Minutes) / Maximum Available Minutes * 100

규정 준수 관리자

ISO 27001 등 회사의 규제 표준 및 규정 추적 가능
클라우드 서비스와 관련된 규정 준수 활동을 추적, 할당 및 확인할 수 있는 무료 워크플로 기반 위험 평가 도구

Azure Functions

provide operating system virtualization

Azure virtual machines

used to build, deploy, and scale web apps
Azure 가상 머신을 중지해도 관련된 스토리지 비용은 계속 지불해야 한다
Azure Virtual Machine은 IaaS에서만 가능하다
단일 데이터 센터가 실패하는 경우 가상 머신에서 실행중인 서비스를 계속 사용하려면 여러 개의 Availability zones에 설정해야 한다

Azure Container Instances

provide a platform for serverless code

Azure Databricks

Apache spark 기반 분석 서비스
MLib 비롯 여러 구성요소로 구성

Azure Monitor

클라우드 및 온프레미스 환경에서의 원격 분석 수집, 분석 및 조치
collects metric and logging data
trigger autoscaling

Azure Repos

코드를 관리하는 데 사용할 수 있는 버전 제어 도구 집합

Azure Site Recovery

중단 중에도 비즈니스 앱과 워크로드를 계속 실행하여 비즈니스 연속성 보장
가상 머신에 내결함성 제공

Azure Security Center

데이터 센터의 보안 상태를 강화하는 통합 인프라 보안 관리 시스템
시간 경과에 따른 규정 준수 및 거버넌스 추적, 관리
can monitor Azure resources and on-premises resources
지속적인 평가 및 보안 권장 사항과 Azure 보안 점수는 무료

Authentication

verifying a user's credentials

Azure Service Health

an administrator can view the health of the services deployed to an Azure environment and all the other services available in Azure
an administrator can create a rule to be alerted if an Azure service fails
find information about planned maintenance for Azure services

Azure Sentinel

Analyze security log files from Azure virtual machines
보안 이벤트를 수집하고 자동으로 분석

개인정보 처리 방침 Microsoft Online Services Privacy Statement

Microsoft가 처리하는 개인 데이터, 데이터 처리 방법, 데이터 처리 목적에 대해 설명

Azure IoT Central

마이크로컨트롤러 유닛MCU과 맞춤형 Linux 운영 체제를 포함하는 매우 안전한 IoT 솔루션

Azure Blueprints

deploy a complete Azure application environment including resources configuration and role assignments

Microsoft 365 관리 센터

컴플라이언스 매니저에 액세스할 수 있다

기타 선지 및 개념 모음

내결함성 fault tolerance : 일부 구성 요소에 장애가 발생하는 경우에도 시스템이 계속 작동할 수 있도록 하는 기능, 단일 Azure 데이터센터가 장기간 오프라인 상태가 되는 경우 일부 서버 사용할 수 있게 함
프라이빗 클라우드를 사용하는 경우 데이터센터를 닫을 수 없다
퍼블릭 클라우드에서 인프라를 호스팅하는 조직은 데이터 센터를 폐쇄할 수 있다
Azure Government is operated by Microsoft - True
Two Azure subscriptions cannot be merged into a single subscription
후속 서비스가 없는 Azure 서비스에 대한 지원을 종료할 계획인 경우 Microsoft는 최소 12개월 전에 알림을 제공한다
사용하지 않는 네트워크 인터페이스에 대해서는 요금이 청구되지 않는다
Data that is stored in the Archive access tier of an Azure Storage account can be accessed at any time by using azcopy.exe
Azure 예약 VM 인스턴스 구매 최장 기간: 3년
DDoS 보호: 네트워크 계층에서 이루어 짐
NAT(네트워크 주소 변환) 규칙: 인터넷 사용자가 가상 네트워크의 서버에 액세스
Data traffic between Azure services within the same Azure region is always free
Authentication is the process of verifying a user's credentials

참고: https://itwise.tistory.com/111

https://www.examtopics.com/exams/microsoft/az-900/

AZ-900 개념 정리: 하루만에 AZ-900 Microsoft Azure Fundamentals 시험 합격하기 2025

haeyoung* — Fri, 9 Jan 2026 21:53:54 +0900

참고: udemy 강의 https://www.udemy.com/course/best-az-900-microsoft-azure/

개요

AZ-900: foundational level knowledge of cloud services and how those services are provided with Microsoft Azure

cloud란?

- 사실, cloud는 없다. 다른 사람의 컴퓨터일 뿐이다

- cloud 컴퓨팅이 매력적인 이유: 필요할 때 컴퓨팅 리소스를 임대할 수 있다

Azure 살펴보기

- 금액 책정이 시간당으로 되어있더라도, 실제로는 초 단위로 청구된다

AZ-900에 대하여

- 공식 랜딩 페이지: https://learn.microsoft.com/ko-kr/credentials/certifications/azure-fundamentals/?practice-assessment-type=certification

Microsoft Certified: Azure 기본 사항 - Certifications

클라우드 개념, 핵심 Azure 서비스 및 Azure 관리 및 거버넌스 기능 및 도구에 대한 기본 지식을 보여 줍니다.

learn.microsoft.com

- 시험 요구사항 참고: https://learn.microsoft.com/en-us/credentials/certifications/azure-fundamentals/?practice-assessment-type=certification

Microsoft Certified: Azure Fundamentals - Certifications

Demonstrate foundational knowledge of cloud concepts, core Azure services, plus Azure management and governance features and tools.

learn.microsoft.com

- 시험 대상: Azure를 처음 사용하는 응시자

- 3가지 주요 목적

1. 클라우드 개념 설명 (25-30%)

1-1. 클라우드 컴퓨팅 설명

1-2. 클라우드 서비스의 이점 설명

1-3. 클라우드 서비스 유형 설명

2. 애저 아키텍처 및 서비스 설명 (35-40%)

3. 애저 관리 거버넌스 설명

클라우드 컴퓨팅

클라우드 컴퓨팅이란?

marketplace에서 공식/비공식 지원 서비스 목록 모두 확인할 수 있다

Share Responsibility Model

MS와 사용자가 책임을 어떻게 나누는가
App Service Model
- 물리적 + 운영체제 등 까지 MS가 책임
- 애플리케이션 관리 책임은 사용자에게 있다
SaaS
- MS가 애플리케이션 자체 포함 모든 관리
- 사용자 계정 관리, 연결 장치 증을 사용자가 관리

Cloud Platforms

Public Cloud
- 일반 대중에게 제공
- 구매하고자 하는 누구에게나 제공된다
Private Cloud
- 개인 소유의 하드웨어와 네트워킹 기반
- 인터넷/사설 내부 네트워크를 통해 제공된다
- 초대를 받아야 참여 가능하다
- Stack HCI: Azure가 제공하는 프라이빗 클라우드 소프트웨어
Hybrid Cloud
- 퍼블릭 + 프라이빗
- 프라이빗에서 운용하다 추가 리소스 필요 시 퍼블릭으로 확장
- 온프레미스 인프라 또는 사설 클라우드와 공공 클라우드를 결합한 클라우드 컴퓨팅의 한 유형

Pricing Model

가격이 매달 달라진다 (추정하기 어려움)
기본적으로 시간당 측정 (1달에 보통 730시간)

CapEx vs OpEx (시험에서는 삭제된 부분)

Capital Expenditure: 자본 비용
- 초기 대규모 투자, 이후 감가상각
- 세금에서 공제 받는 비율 정해져 있음
Operating Expenditure: 운영 비용
- 정상적인 운영을 위해 발생하는 비용
- 장비 임대, 급여, 건물 임대, 연구 개발 등 포함
- 이후 매각해도 비용 회수 불가
- 세금에서 100% 공제 가능
- 클라우드 컴퓨팅은 여기에 속함 > 선호 이유

클라우드 컴퓨팅의 이점

HA, High Availability 가용성

가용성: 시스템이 정상적으로 사용자에게 서비스를 제공할 수 있는 시간
- 사용자가 필요할 때 시스템에 접근하고, 사용할 수 있는 능력으로 정의된다
주요 서비스 제공업체도 100% 가용성은 불가 (다운타임 존재)
다운타임 영향을 피하기 위한 설계
Planned Outage
- 보안 패치, 애플리케이션 업데이트, 하드웨어 교체 등
- 영향 완화 방법
  - Gradual deployment: 모든 서버에 한번에 배포하지 않는다. 점진적으로 배포하며 모니터링한다
  - 잦은 배포는 문제 발생 가능성을 낮춘다
Unplanned Outages
- 하드웨어 고장, 네트워크 장애, 전력 공급 중단, 해킹 공격 등
- 영향 완화 방법
  - 문제 시 alert 시스템 준비
  - 보안 강화
  - 서버, 시스템 중복 배치, 지리적 분산
  - 재해 복구 계획 설립 및 테스트
  - 부하 테스트

Scalability 확장성

시스템의 수요에 맞춰 리소스를 추가하거나 삭제
변화하는 시장에 적응할 수 있게 한다
리소스의 증감 자동으로 처리
예상되는 트래픽 변동 기간(수강 신청, 연휴 기간, 연말 회계기간) 등에 맞춰 확장 가능하게 한다
수직 확장 Vertical Scaling
- Scale up, down
- 단일 서버를 더욱 강력한 서버로
- 메모리 추가, CPU 수 추가, CPU 속도 향상
- 상한선이 있다
수평 확장 Horizontal Scaling
- Scale out, in
- 서버의 수를 추가
- 상한선이 없다
- 여러 지역에 분산하여 확장 가능
- 로드 밸런서등의 복잡성 추가 가능
비용에의 영향
- 확장해서 비용이 늘어날 수도 있지만, 축소해서 비용을 감소시킬 수도 있다
- 자체 호스팅 환경: 과도한 비용을 지불하지 않게 함

Elasticity 탄력성

시스템이 필요한 용량을 빠르고 쉽게 확장하거나 축소
autoscaling
- 특정 지표 모니터링, 임계값에 도달하면 컴퓨팅 리소스 추가
- 고정 용량보다 낭비를 줄이고 안정적인 서비스 제공 가능

Reliability 신뢰성

시스템이 장애로부터 복구할 수 있는 능력
built-in service들이 사용자가 문제를 알아차리지 못하거나, 알아차리더라도 빠르게 복구할 수 있도록 한다
발생 가능 문제
- hardware failure (가상 머신은 결국 물리 서버에서 구동된다)
- network interruptions
Azure의 신뢰성 달성 방법
- Auto-scaling
- 단일 장애 지점(Single points of failure) 피하기
- multi-region deployments: 특정 장애 지점 발생시 라우팅
- Data backup and replication
- Health probes and self-healing: 상태 프로브로 바로 문제 관측

Predictability 예측 가능성

퍼포먼스를 예측하고 제어 (비용 예측)
Autoscaling
Load balancing: 작동 중일 때 새로운 인스턴스 생성하여 비용 예측
성능, 가격별 인스턴스 제공 (사용자가 선택)
cost management tools: 사용자가 비용 확인하고 예산 설정, 통제
API: 예산 책정 위한 API 존재 하여 기타 프로그램에서 사용 가능
Pricing calculators: 공개적인 계산기 존재

Security 보안

security is a full-time job
대규모 서비스 제공으로 CSP는 해커들의 주요 표적이 된다
보안은 IT의 fundamental challenge
마이크로소프트와 고객의 공유 책임
how it's achieved
- MSRC: 보안 대응 센터 Microsoft Security Response Center
- Always-on DDoS
- Azure Policy & Blueprint: 특정 최소 수준 TLS 지원, 보안 활성화 등
- Azure Active Directory
- Azure database 등 사용하면 늘 최신 버전 사용 가능
- Encrypment by default
- Update management

Governance 거버넌스

조직이 비즈니스 수행하는 방식을 선택
기본 수준의 감사는 거버넌스 레벨에 포함
리소스 비용에 상한선 설정
Azure에서의 실행 방식
- Azure Policy & Blueprint: 리소스 생성 등에 대한 사내 정책 반영, 특정 최소 기준의 규정 준수 확인
- Management groups: 관리 그룹별 정책 적용
- Custom roles:역할 별 리소스 접근 제한, 삭제 권한 등 역할별 부여
- Soft delete

Manageability 관리 효율성

클라우드에서의 애플리케이션 관리, 클라우드 자체 관리
자동화, 스크립팅, 리소스 생성 템플릿, 상태 감지 및 self-healing 등
리소스 관리 방법: 웹 포털, CLI, API 등
Azure에서의 구현 방법
- Azure Portal, REST APIs, CLI, PowerShell, Bash Script 등 사용 가능
- 모니터링 및 alert 시스템

클라우드 서비스 유형

Cloud Service Types

IaaS: Infrastructure as a Service
- 컴퓨팅 서비스, 스토리지 서비스, 네트워킹 서비스 포함 IT의 필수 서비스 제공
- 실제 세계의 하드웨어, 전선, 케이블, 하드 드라이브, 컴퓨터 등 대체
- e. g., Azure Virtual Machines (pay by the second, 램 크기 등 선택 가능)
- Virtual Networking
PaaS: Platform as a Service
- 인프라 + 소프트웨어 계층
- 완전한 개발 및 배포 환경을 제공한다.
- Azure App Service
- Managed Storage
- Front Door, Load Balaner 등 다양한 유형의 네트워킹 작업 서비스
SaaS: Software as a Service
- Office 365, OneDrive, Skype 등
- 앱을 바로 사용 가능
"As a Service" means 일반적으로 구매해야 하는 것을 임대할 수 있는 것
- no commitment (약정 통해 비용 절감 가능)
- pay for what you use

Serverless Model

서버 관리를 사용자가 직접 할 필요가 없다. 실제 코드가 실행되는 등의 요청이 있을 때 자원이 할당되는 시스템
Azure Functions, Cosmos DB, Container Apps, SQL Database 등
많은 비용 절약 가능(실제 사용량에 대해서만 청구), 예측 어려운 가격

핵심 Azure 아키텍처 구성 요소

Explore | Azure global infrastructure experience

Explore the globe A 2D or 3D interactive map displaying the location of Azure Regions, geographies and more Location Data residency Year opened Availability Zones Products Disaster recovery Regional compliance Industry compliance Global compliance Complian

datacenters.microsoft.com

Region, Region Pairs, Sovereign Regions

Region: Azure는 전 세계를 60개 이상의 개별 지역으로 구분
Region pair: 거의 모든 지역이 다른 지역과 쌍을 이루고 있음 (가장 빠른 연결 가능), 서비스 복제 등을 할 때 pair 지역과 하는 것이 효율적이다
일부 지역에서는 해당 국가의 거주자만 배포 가능
Azure에서 제공하는 지도에서 연결된 케이블 등 확인 가능
- 파란 점: 이미 데이터 센터와 지역 보유
- 회색 점: 곧 제공 예정

예시: Canada의 경우
- Canada Central, Canada East의 두 개의 지역 보유
- Data Residency: 캐나다 지역에서 저장된 데이터는 캐나다 내에 보관
- 다른 지역에서도 캐나다의 가상 머신, 스토리지 등 사용 가능
예시: 브라질의 경우
- 단일 지역 보유
- South Central US와 paired (one way) 브라질의 데이터는 미국에 백업 (no data residency)
예시: 카타르의 경우
- 쌍을 이루고 있지 않다
sovereign Azure
- Azure Public Cloud와는 별개이다
- 가입 승인을 통해 Sovereign cloud의 일원이 될 수 있음
- 지원하는 서비스, 데이터 센터의 위치 등도 공개되지 않음 (미국 국방부, 중국 본토 내부 등)

가용 영역 및 데이터 센터

Availability zones: region 안의 물리적으로 분리된 데이터 센터 혹은 데이터 센터 집합
- 자체 인프라를 가지고 있음
모든 지역이 가용성 영역을 가지고 있는 것은 아니다
- 가용성 영역을 사용하고 싶다면 지원하는 지역에 배포해야 한다.
모든 서비스가 가용성 영역을 제공하는 것도 아니다
영역 서비스(Zonal Services)
- 고객이 특정 가용성 영역에 리소스 배포하도록 선택
- 예를 들어, 캐나다 중부에서의 AZ1, AZ2에 선택적으로 배포 가능 (복제본을 각각에 배포함으로써 안정성 보장)
영역 중복 서비스(Zone-Redundant Services)
- 특정 영역에 배포할 필요 없이, 지역에 배포하면 자동으로 여러 가용성 영역에 배포된다
Always Available Services
- 단일 가용성 영역이 다운되더라도 영향을 받지 않는다
- 비지역 서비스라고도 함
- e.g., Azure Portal: 단일 지역에서 운용되는 것이 아님

리소스 및 리소스 그룹

리소스
- 사용자가 접근할 수 있는 모든 애저 서비스
- Azure Portal, CLI 등을 통해 만들 수 있다.
- 일반적으로 배포 시 생성될 위치, 즉 지역을 지정한다
리소스 그룹
- 여러 리소스를 그룹화
- 다른 지역의 리소스도 리소스 그룹에 포함 가능
- 리소스 그룹 내의 리소스들은 서로 연결되어 있을 것을 권장 (동시 생성, 관리, 삭제)
- 관련이 없는 리소스를 그룹으로 묶는 것은 비효율적
- 하나의 리소스는 하나의 리소스 그룹에 속해야 한다.
- no security boundary offered by a resource group (내부 리소스에 대한 보안 경계 미제공)
- 리소스 그룹 자체는 애저 내의 통신 보안 제공하지 않는다 (다른 리소스 그룹의 리소스에 접근 가능)

구독 Subscriptions

기본적인 애저 내의 청구 단위
사용자는 하나 이상의 구독과 연관 가능
각각의 구독에서 다른 역할 가질 수 있음
Subscription Plans
- Free plan: 첫 30일 동안 $200 Credit (1번 가능)
- Pay as you go: 신용카드에서 자동 차감
- EA(Enterprise Agreement)
- Free credits - MSDN, Startup plans
사업의 지리적 위치, 업무 도메인에 따라 billing 분리하는 경우가 많다.

관리 그룹

하나 이상의 구독을 포함할 수 있는 관리 그룹 생성 가능

Azure 컴퓨팅 및 네트워크 서비스

Azure 컴퓨팅 서비스 및 Azure 가상 머신

Technical Pillars of Azure
- Compute services
- Networking services
- Storage services
- Database services (스토리지의 하위 범주)
Compute services
- "Executing code in the cloud"
- VM: 기본적인 컴퓨팅 유형 중 하나

VMSS: Virtual Machine Scale Sets

Scale up: VM의 크기를 확장
Scale out: VM의 개수를 늘림
미리 가동 머신의 수 등을 정해둘 수도 있음

Azure 스토리지

Azure 스토리지 개요

GPV2: 관리되지 않는 일반 목적 스토리지
디스크 스토리지: 가상 머신, 가상 하드 디스크를 위한 관리형 스토리지
File Storage
액세스 계층

Azure Storage(GPv2)

4가지 유형의 데이터 포함 가능
- Container, File, Queue, Table
최대 5페타바이트 데이터 저장 가능
pay for what you use
데이터 저장의 가장 저렴한 방법 중 하나
높은 수요의 작업 부하에는 적합하지 않음

Data Lake

빅데이터에 적합
데이터 저장 측면에서 다른 프로토콜 사용
엑사바이트까지 저장 가능

Premium Storage Options

blob 유형 선택 가능

컨테이너(Blob) 스토리지

BLOB(Binary Large Object)

files of any type(txt, pdf, zip, csv, xlsx, jpg, ...)
public or private

redundancy

azure keeps 3 copies of your data by default
locally or zone-redundant
LRS: 다른 지역은 아니지만 여러 복제본 가짐
GRS: 지역을 선택할 순 없지만 외부 지역에 복사본 저장

access tier

hot: default, 액세스마다 비용 발생
cool: 저장 비용은 절약, 데이터 읽거나 업데이트 하는 경우 비용 발생

스토리지는 지역에 따라 비용이 다르다.
미국 내에서도 다른 지역보다 저렴한 지역이 있기도 하다.
높은 트랜잭션이 필요한 경우(읽고 쓰는 작업이 많으면) block blobs 권장

Azure Files

파일의 여러 복사본을 로컬에 유지
azure file sync - 로컬과 클라우드 하이브리드 사용 가능, 클라우드를 백업 서버로 사용 가능

아이덴티티, 액세스, 보안

Identity 및 Microsoft Entra ID(구. Azure Active Directory)

아이덴티티

사람, 프린터 등의 장치, 계정 등

Entra ID

Azure Active Directory의 리브랜딩
개발자가 사용자 ID와 비밀번호, 인증 권한 부여를 위한 백엔드를 맞춤 설계해야 하는 부담을 크게 덜어준다.

Microsoft Entra ID의 이점

Security

사용자가 클라우드에서 고유한 사용자 ID와 비밀번호 생성 가능
소셜 로그인 사용 가능

Reduced development time + easier support

MS에서 Entra에 대한 자체 지원 제공 (문제 해결)
Entra ID에 애플리케이션을 등록하면, 고유한 애플리케이션 id와 키를 받게 된다.
- 사용자 ID와 비밀번호를 입력하는 화면을 작성할 필요가 없다.
self service support - 비밀번호 재설정 등 가능

Additional features

AI를 통한 로그인 패턴 분석(로그인 국가 분석 및 실패 분석, 로그인 차단)
conditional access: 네트워크 외부 pc 로그인 불가 설정
감사 설정: 리소스 액세스 필요 여부 주기적 확인으로 보안 강화

Centralized administration

모든 사용자와 권한에 대한 중앙 지원 제공

Authentication vs Authorization

Authentication

자신이 말하는 사람이 자신임을 증명하는 개념
개인이나 애플리케이션이 누구인지 식별

Authorization

인증과 권한
삭제, 읽기 권한 등

RBAC Role Based Access Control

Three basic roles

Reader: 읽기 전용 유형
Contributor: 리소스에 대한 전체 액세스, 권한 공유는 불가능
Owner: 다른 사람에게 권한 할당 가능

컴파일러 구성

haeyoung* — Sat, 27 Dec 2025 16:49:24 +0900

어휘분석기(스캐너): 원시 프로그램을 읽어 들여 토큰이라는 의미 있는 문법적 단위로 분리하여 출력
구문분석기(파서): 어휘분석 단계의 결과들인 토큰들을 받아 이 토큰들이 주어진 문법에 맞는지 검사

형식언어: 어떤 알파벳에서 얻은 기호(symbol)들로 구성되는 문자열들의 집합
형식문법: 형식언어 생성을 위해 사용하는 여러 규칙
- 형식문법 표현을 위해 정규표현, 문법도표, BNF, EBNF 등의 방법을 사용한다.
정규문법
- A→tB A→t 또는 A→Bt A→t 단, t ∈ A, B ∈ VN 생성규칙에 따라 두 가지 종류가 있다.
- A → tB, A → t 와 같은 생성규칙을 갖는 것을 우선형(right-linear)문법이라 하고 A → Bt, A → t와 같은 생성규칙을 갖는 것을 좌선형(left-linear)문법이라 함.
정규표현: 정규문법을 가장 잘 표현할 수 있는 방법
유한 오토마타: 형식언어 인식을 위해 사용한다
- DFA(결정적 유한 오토마타): 하나의 입력문자열에 대하여 오직 하나의 다음 상태 결정
- NFA: 어떤 상태에서 주어진 하나의 입력기호에 갈 수 있는 다음 상태가 하나 이상 존재
정규표현, 정규문법, 유한 오토마타는 서로 동치관계에 있으며 서로 변환 가능하다

4장. Context-Free 언어와 문법의 효율화

구문분석을 위해서는 context-free 문법과 푸시다운 오토마타가 필요하다

4.1. Context-Free 언어와 푸시다운 오토마타

context-free 문법으로 생성되는 context-free 언어는 문장을 표현하는 데 매우 편리한 구조를 가지고 있다.
푸시다운 오토마타: context-free 문법으로 구성된 문장을 인식

4.2. 유도트리

좌단유도: 문장 형태의 가장 왼쪽에 있는 논터미널 기호를 계속해서 대체
우단유도: 가장 오른쪽에 있는 논터미널 기호를 계속 대체
좌문장 형태: 좌단유도 시 나타나는 문장형태
우문장 형태: 우단유도 시 나타나는 문장형태

좌파스: 좌단유도에 의해서 적용된 일련의 생성규칙 순서 (top-down 구문분석은 좌파스 생성)
우파스: 우단유도에 의해서 적용된 생성규칙 순서의 **역순** (bottom-up 구문분석은 우파스 생성)

유도트리/파스트리: 구문분석 과정에서 문장 유도 과정을 트리 형태로 표현

CFG(context-free grammar) G = (VN, VT, P, S)에 대한 유도 트리는 다음과 같이 정의한다

모든 노드(vertex, node)는 문법기호를 레이블로 갖는다
루트의 레이블은 시작기호 S이다.
만약 어떤 노드가 하나 이상의 자식노드를 갖는다면 이 노드는 논터미널 기호를 레이블로 갖는다
왼쪽부터 순서적으로 X1, X2, X3, .. , Xn의 n개의 자식노드를 갖는 어떤 노드 A가 존재한다면 생성규칙 A -> X1 X2 ... Xn이 존재한다
만약 어떤 노드가 자식노드를 하나도 갖고 있지 않다면 이 노드를 잎이라 하고 잎은 터미널 노드를 레이블로 갖는다.

어떤 문법에서는 하나의 똑같은 문장을 유도하는데 여러 개의 유도트리가 생길 수 있다. 좌단유도나 우단유도 둘 중 한가지 유도방법을 이용하더라도 생성규칙을 다르게 적용할 경우 서로 다른 유도트리가 만들어지는 경우가 있는데, 이런 경우를 문법이 모호하다ambiguous 라고 한다.

4.3. 모호성

구문분석 단계에는 출력으로 유도트리를 생성하는데, 문법이 모호한 경우에는 문장의 유도트리를 결정적으로 구성하기가 어려워진다.
따라서 이를 막기 위하여 모호하지 않은 문법으로 바꿔주어야 한다.
모호한 문법은 연산자의 우선순위와 결합법칙을 이용해 모호하지 않은 문법으로 바꿀 수 있다.

결합법칙: 연산자 우선순위가 같은 경우에 왼쪽부터 오른쪽으로 계산하느냐, 오른쪽부터 왼쪽으로 계산하느냐 하는 것

좌측결합: 왼쪽부터 오른쪽으로 계산
우측결합: 오른쪽부터 왼쪽으로 계산
통상의 경우 결합법칙도 좌측결합을 취한다

모호하지 않은 문법이라도 효율적인 구문분석을 하기에는 적당하지 않을 수 있다.

4.4. 불필요한 생성규칙의 제거

불필요한 기호useless symbol
- 터미널 문자열을 생성할 수 없는 논터미널 기호
- 시작 기호로부터 도달 불가능한 기호

불필요한 생성규칙: 불필요한 기호를 가지고 있는 생성규칙
- 문장을 생성하는 유도과정에서 사용되지 않는다.

불필요한 생성규칙의 제거
- 터미널 문자열을 생성할 수 없는 논터미널 기호를 가진 불필요한 생성규칙 제거
- 시작기호로부터 도달 불가능한 기호를 갖는 생성규칙 제거

4.5. ε-생성규칙의 제거

ε-생성규칙: A -> ε 형태의 생성규칙
ε이 L(G) 안에 없다면 ε-생성규칙을 완전히 제거할 수 있다.

4.6. 단일 생성규칙의 제거

단일 생성규칙: 생성규칙 중 생성규칙의 오른쪽이 단 한 개의 논터미널로 구성되어 있는 생성규칙이 존재하는 경우
- 불필요한 유도과정으로 효율을 떨어뜨린다.

4.7. Backtracking과 Left-factoring

left-factoring: 같은 기호들을 prefix로 갖는 두 개 이상의 생성규칙이 존재할 경우 공통된 prefix를 인수분해하는 것
- top-down 구문분석의 한 종류인 predictive 구문분석에 효율적인 문법을 생성하는 데 사용

4.8. Left-recursion의 제거

left-reculsive: 문법이 어떤 문자열 α에 대해 A => Aα의 유도과정이 존재하는 경우
- top-down 구문분석을 시행할 경우 무한루프에 빠지게 된다
- 직접 left-recursion: 생성규칙이 A -> Aα의 형태
- 간접: A => Aα의 유도과정이 존재

4.9. 푸시다운 오토마타

푸시다운 오토마타: 유한 상태 제어와 입력 테이프 외에 무한정의 용량을 가진 스택으로 구성된다.
- NPDA: 비결정적인 푸시다운 오토마타
- DPDA: 결정적 푸시다운 오토마타

5장. 구문분석

주어진 문장의 구문구조가 문법규칙에 올바른지 올바르지 않은지를 검사하는 것

5.1. 구문분석의 종류

구문분석: 문장 w를 입력으로 받아서, 만약 w가 정의된 문법의 문장이라면 w에 대한 파스트리를 생성하고 w가 정의된 문법의 문장이 아니면 오류메시지를 내는 작업

top-down 방법: 시작기호로부터 출발하여 정의된 문법의 규칙들을 적용하여 유도에 의한 주어진 문자열을 찾아가는 방법
- backtracking 방지 위한 문법이 LL(k)
bottom-up 방법: 입력된 문자열에서 reduce에 의해 시작기호를 찾아가는 방법 (가장 많이 사용하는 구문분석 방법)
- 현재 실용화: LR(1)

전이행렬(파싱표): 스택의 top 연산자 Ti와 읽어 들인 연산자 Tj에 대한 동작 Aij의 행렬로 표현한 것

5.2. Bottom-up 구문분석

reduce: S => αAw => αβw의 유도과정이 존재할 때, 문장 형태 αβw에서 β를 A로 대체하는 것
- β: 문장형태 αβw의 handle (한 문장형태에서 reduce되는 부분)

shift-reduce 구문 방법: bottom-up 구문분석 방법으로 stack과 입력 버퍼를 사용하여 구현한다
- 스택은 handle을 찾을 때까지 현재의 입력기호를 유지하고, 입력 버퍼는 주어진 문자열을 간직한다.
- 일반적으로 $를 사용하여 스택의 바닥과 입력의 끝을 표시한다.
- shift: 스택의 top에 handle이 나타날 때까지 입력기호를 하나씩 스택으로 옮김으로써 작동
- shift를 반복하다가 handle이 발견되면 handle에 해당하는 문자열이 생성규칙의 오른쪽에 있는 것을 찾아서 왼쪽에 있는 기호로 reduce
- 시작기호가 나타나면 구문분석을 멈추고 구문분석에 의해 주어진 입력문자열은 주어진 문법에 의해 받아들여질 수 있음을 나타낸다.

shift-reduce 구문분석의 네 가지 행동
1. shift: 입력기호를 stack의 top에 옮긴다 (스택의 top에 handle이 나타날 때까지 반복)
2. reduce: handle이 스택의 top에 나타나면 스택의 top이 handle의 오른쪽 끝이 되고, handle의 왼쪽 끝을 찾아서 완전한 handle을 찾은 다음, handle에 해당되는 생성규칙의 왼쪽에 있는 기호로 대체
3. accept: 주어진 문자열이 주어진 문법에 맞는 문장임을 나타냄
4. error: 현재 보고 있는 입력기호가 그 상태에서 나타낼 수 없기 때문에 틀린 문장임을 의미

shift-reduce 구문분석의 문제점
- handle을 어떻게 찾을 것인가?
- 찾은 handle에 대해서 생성규칙이 여러 개 존재한다면 어떤 것을 적용할 것인가

순위 구문분석 방법: handle을 생성규칙의 문법기호 상호 간의 순위관계에 의해서 찾는 방법 중 가장 간단한 순위 구문분석 방법

연산자 언어: 연산자 문법에 의해 정의되는 언어
연산자 문법: ε-생성규칙을 갖지 않고, 생성규칙의 오른쪽에 두 개 이상의 논터미널이 연속해서 나올 수 없다.

연산자순위 문법: 연산자 문법이면서 두 개의 터미널 기호 사이에 많아야 한 개의 연산자순위 관계를 갖는 것

단순순위 문법: (1, 1) 순위문법이라고도 하며, 다음과 같은 조건을 만족한다.
- ε-생성규칙을 갖지 않는다
- 오른쪽 부분이 같은 생성규칙은 존재하지 않는다
- 기호 사이에 많아야 한 개의 Wirth-Weber 순위관계를 갖는다

확장순위 문법 (m, n) 순위문법
- ε-생성규칙을 갖지 않는다
- 오른쪽 부분이 같은 생성규칙은 존재하지 않는다
- |x| = m, |y| = n인 두 문자열 x, y 사이에 많아야 한 개의 확장순위 관계를 갖는다

한정순위 문법: 단순순위 문법과 마찬가지로 ε-생성규칙을 갖지 않고, 오른쪽 부분이 같은 생성규칙이 존재하지 않는다. 또한 단순순위 문법처럼 기호 사이에 많아야 한 개의 Wirth-Weber 순위관계를 갖는데, 단 .> 관계만 갖는다.

혼합순위 문법: 한정순위 문법에서 생성규칙 중 오른쪽 부분이 같은 생성규칙이 존재하지 않아야 한다는 규칙이 없다.
- handle을 찾기 위해서 한정순위 문법과 마찬가지로 handle의 tail을 먼저 찾고, 생성규칙 중에서 오른쪽 부분이 같은 것이 존재하면 생성규칙을 유일하게 선택하기 위해서 이제까지 본 입력 문자열의 local context를 이용한다.

FIRST(α): 문자열 α로부터 유도되어 첫 번째로 나타날 수 있는 터미널 기호들의 집합
nullable: 논터미널 A가 ε을 유도할 수 있으면 A를 nullable하다고 한다.

FOLLOW(A): 어떤 문장형태에서 논터미널 A 다음에 나타나는 터미널 기호들의 집합. $기호는 입력문자열의 끝을 나타낸다. (ε는 제외)

단순순위 구문분석: 논터미널과 터미널, 논터미널과 논터미널 사이에 순위관계를 부여해서 구문 분석이 이루어진다.

LR(k) 문법: 모든 엔트리에 대해 유일하게 정의되는 파싱표를 만들 수 있는 문법
- k를 lookahead의 길이라고 하며, 이는 handle을 결정하는 데 k개의 입력기호에 이르기까지 조사하는 것을 말한다

LR(0) 항목: 생성규칙의 오른쪽에 점기호(dot symbol)을 가진 생성규칙

closure: 마크기호가 논터미널인 경우에 이 논터미널을 생성규칙의 왼쪽으로 갖는 LR(0) 항목을 구하는 것을 closure라고 한다.
- closure는 반복적으로 계속 적용되며, 한 상태에서 valid한 모든 LR(0) 항목을 구하는 것이다.

GOTO 함수: 현재 마킹한 상태에서 구문분석을 하기 위해 마크기호를 하나씩 읽는 것

SLR 구문분석기 만드는 과정
1. 주어진 문법에 증가문법을 만든다
2. LR(0) 항목 집합의 canonical collection을 구한다
3. reduce 행동을 결정하기 위해서 FOLLOW를 계산한다
4. SLR 파싱표를 작성한다

5.2. Top-down 구문분석

시작기호로부터 생성규칙을 적용하여 유도해 나가는 방법

LL 구문분석: backtracking을 하지 않고 결정적으로 구문분석할 수 있는 방법

LL 문법: LL 구문분석의 조건을 만족하는 문법

무한루프 등 문제점 해결 방법

left-factoring으로 backtracking을 없애 준다. (같은 기호들을 prefix로 갖는 두 개 이상의 생성규칙이 존재하면 공통된 prefix로 인수분해한다.
left-recursion이 발생하면 right-recursion으로 바꾸어 준다.

LL: 이제까지 본 기호와 현재 보고 있는 기호에 따라 구문분석 행동 결정. 지나온 기호에 대한 정보가 있기 때문에 strong LL보다 더 큰 종류의 언어를 인식할 수 있다.

strong LL: 현재 보고 있는 기호에 따라 구문분석 행동 결정

recursive-descent 구문분석: 하나의 구문분석기가 backtracking 없이 입력을 인식하기 위해서 재귀적 프로시저의 집삽을 사용하는 방법

구문분석의 행동을 결정적으로 정하기 위해서 생성규칙의 lookahead를 사용한다.

strong LL 문법: 생성규칙의 lookahead를 이용하여 생성규칙을 결정적으로 선택할 수 있는 문법

terminal에 대한 프로시저: 생성규칙이 있는 터미널 기호와 입력기호가 같은지를 비교하여 같다면 다음 입력기호를 볼 수 있도록 구성한다

recursive-descent 구문분석기 장점

재귀적 프로시저를 이용하여 문법으로부터 구문분석기를 쉽고 빠르게 구성할 수 있다
오류 발생 가능성이 적다

단점

프로시저를 부르는 시간이 많이 걸려서 속도가 느리다
구문분석기의 크기가 크다
생성규칙에 대한 프로시저를 작성함으로써 생성규칙이 바뀔 때마다 구문분석기를 다시 고쳐야 한다

Predictive 구문분석

recursive-descent 구문분석 방법에서 생성규칙이 바뀔 때마다 구문분석기를 바꾸지 않고, 파싱표만 고쳐서 구문분석기를 구현한다
4가지 행동
- 제거pop: 스택의 top과 현재 입력기호가 같으면 스택의 top기호를 제거하고 현재 입력기호를 입력문자열에서 제거
- 확장expand: 스택의 top이 논터미널인 경우로 생성규칙을 적용하여 확장
- 인식accept: 스택의 top 기호와 현재 입력기호가 모두 $인 경우로 입력문자열이 올바른 문자열임을 알려 준다
- 오류error: 스택의 top이 논터미널 기호인 경우로 그 기호로부터 현재 보고 있는 기호를 결코 유도할 수 없음을 나타낸다

5.4. YACC

구문분석기 생성기

입력으로는 문법이 들어가고, 출력으로는 구문분석기 파일이 나온다

YACC: 1975년 벨 연구소에서 스티븐 C.존슨을 중심으로 개발된 LALR(1) 구문분석기 생성기로 문법규칙에 대한 수행코드를 일반적인 프로그래밍 언어로 기술할 수 있도록 만들었다.

선언 부분 - 변환규칙 부분 - 사용자 프로그램 부분

6장. 의미분석과 기호표

의미분석: 구문분석 단계에서 얻은 파스트리를 중심으로 의미를 부여하여 코드 생성이 가능하도록 하는 일을 한다

6.1. 의미분석 개요

중간코드: 의미분석 단계에서 얻은 코드

의미분석 단계에서는 구문분석 단계로부터 얻은 파스트리가 입력이 되며, 출력으로는 의미분석이 이루어진 파스트리가 생성된다.

구문분석기는 주로 수학적인 정의를 이용한 자동화가 목적이었으나 의미분석기는 각기 적당한 뜻을 부여하여 컴파일러가 구현이 되도록 해야 한다

과정

상수정의: 상수의 이름이 기호표에 들어가 적당한 기회에 기억장소를 배정받고 초깃값을 갖는다
유형정의: 주어진 생성규칙들의 의미에 따라 유형의 해당 자료구조가 구성
변수의 유형선언
프로시저 선언

[인스파이어 리조트] 오션 타워 숙박 후기 - 인스파이어 아레나 공연만을 위한

haeyoung* — Sat, 27 Dec 2025 14:34:30 +0900

때는 2025년 3월..
요네즈켄시의 내한 공연을 보러 가기로 한 두 친구는 낡고 지쳐
돈으로 편리함을 구매하기로 했다. 공연이 끝나고 집에 오지 않고 호캉스를 즐기고 오기로 했다는 뜻이다..

소박한 공연 후기는 여기

250322 요네즈 켄시 내한공연 후기

2025. 03. 22 드디어! 진짜 마침내 켄시가 내한공연을 하는 날이 왔다내 평생 이런 날이 올 줄 몰랐는데.. 아직도 믿을 수 없고 기쁘다 일단 찐으로 보면 그냥 미쳐버리는 킥백으로 시작 셋리스트

drsuneamer.tistory.com

공연은 토요일 저녁이었고, 토요일 아침 10시에 서울에서 출발하여 영종도로 향했다.
일찍 도착하여 주차장도 널널했고, 오션타워가 아레나와 아주 가까워 차를 대고 슬렁슬렁 들어갔다.

안의 식당가에서 점심식사도 해결하고 말차아이스크림을 먹으며 적당한 시간이 되기를 기다렸다

우육면은 괜찮았고, 파스타는 흠...

구경할 것도 많고 사람은 생각만큼 꽉꽉 들어차지 않아서 좋았다

2시에 굿즈를 사러 이동해서 6시쯤 굿즈를 사고,

공연이 7시라 시간이 조금 남아 방에 들렀다.

우리가 고른 방은 인스파이어 리조트 오션 타워 디럭스 킹 룸 - 가격은 1박 기준 325,600원이었다.

공연 티켓 두 장 합친 것보다 호텔에 돈을 더 많이 쓰게 됨 결국 하지만 즐거웠어요

럭키 777 방!

숫자는 마음에 들었지만 엘리베이터에서 가장가장 멀었음

통창도 좋았지만 바깥은 약간쓰 주차장+쓰레기장 뷰 였음 하지만 뭐 밖이 뭣이 중한가요..

창도 크고 침대도 크고 좋았다

욕조도 있길래 바아로 올리브영에서 입욕제 사서 신나게 즐김

추가로 오션타워 꿀팁..

인스파이어 아레나 공연을 보고 나오면

바로 오션타워로 이동하는 문이 있다. 그럼 바로 엘리베이터를 타고 방으로 올라갈 수 있음!!

사람이 많아서 정신없을 수 있지만 눈을 크게 뜨고 오션타워만 찾도록 하자 그러면 5분 안에 침대에 누울 수 있음 드르렁

250322 요네즈 켄시 내한공연 후기

haeyoung* — Sat, 27 Dec 2025 14:10:48 +0900

2025. 03. 22

드디어!
진짜 마침내 켄시가 내한공연을 하는 날이 왔다

내 평생 이런 날이 올 줄 몰랐는데.. 아직도 믿을 수 없고 기쁘다
일단 찐으로 보면 그냥 미쳐버리는 킥백으로 시작

셋리스트

RED OUT
感電
マルゲリータ
アイネクライネ
LADY
Azalea
ゆめうつつ
さよーならまたいつか
地球儀
POST HUMAN
M八七(M87)
Lemon
海の幽霊(바다의 유령)
とまれみよ
Flamingo
毎日
LOSER
KICK BACK
ピースサイン
ドーナツホール
がらくた
--- (Encore
BOW AND ARROW
Plazma
LOST CORNER

레드아웃은 시작하자마자 그냥 죽으면 된다
촬영도 다같이 거의 안 해서 정신놓고 소리지르는 게 너무 짜릿함 ㅠㅠ
아이네클라이네는 가장 오래 좋아했던 노래라 라이브를 듣는 게 너무 좋았다..

보는 내내 조명이나 배경, 무대 연출이 지금까지 가 본 콘서트 중에서 역대급이라고 생각했다
더 큰 공연장에서 가득 채워져도 좋았겠지만... 한국에서 볼 수 있었던 게 어디야
특히 바다의유령은 공연장 전체가 파란색이 됐는데,
노래를 들으면서 늘 상상하던 바닷속에 빠진 느낌을 그대로 구현해줘서 너무 좋았다. 지금도 생생하게 잊을 수가 없음 ㅠㅠ
조명이 계속 움직여서 정말 객석에 파도가 치는 것 같아서 좋았다

루저-킥백-피스사인 구간은 이것이 콘서트의 절정이구나.. 싶었다
특히 피스사인으로 넘어갈 때 셋리 아는 사람들이 피스사인 만들어서 올리는데,
눈앞에 수많은 피스 그림자가 나타나는 그 정적의 순간이 잊히지가 않는다 ㅠ
사진을 찍지는 못했지만 마음 속에 콕 박혀있는 기억이야

켄시 공연에서는 조명 말고 댄서 활용도 너무너무 좋다

가기 전에 투어 실황 상영으로 봤을 때부터 루저와 킥백 무대가 너무 기대되었는데,

실제로도 기대를 저버리지 않았다 번쩍이는 조명 아래에서 다채롭게 몸을 꺾는 댄서분들의 모습이 너무 좋아..

도넛홀 공연과 반응도 생각보다 너무너무 좋았다

뒤에 MV를 띄워 둔 것이 신의 한 수라고 생각

공연 다 끝나고 호텔에 가서도 뮤비를 몇 번이고 돌려봤다

시간이 오래 지나서 더 자세한 기억은 사라졌지만 미리미리 좀 써 둘걸

그래도 정말 좋은 공연이었다..

공연 아닌 다른 이야기를 해 보자면, 굿즈 줄이 진짜 말이 안 됐다

당연히 고양이인형.등은 진작 포기하고 있었지만, 그냥 뭐든 사는 게 불가능할 정도였다

두시 반에 줄을 서기 시작했는데.. 공연 시작 직전인 여섯시가 다 되어서야 결제하는 곳이 보이기 시작했다.

스탠딩 가는 사람들은 더 빨리 입장해야 했을 테니까 줄을 서다가 포기하고 사라지는 사람들이 정말정말 많았다

세시간 반을 기다려 드디어 결제하는 곳에 갔더니,

품절된 것도 표시가 안 되어 있어서 직원분과 이거 주세요-없어요-이거는요?-이 사이즈만 있어요-이거는요?-그것도없어요

이걸 하다보니 시간이 또 오억년 걸렸다

결제 부스가 많지도 않아서 오오 이래서 늦었군.. 싶었다

결국 미니백 정도만 샀는데.. (잘 쓰고 있음)

정말 기억에 남는 굿즈구매였다 하하하

겸사겸사 한 인스파이어 리조트 숙박 후기는 여기

[인스파이어 리조트] 오션 타워 숙박 후기 - 인스파이어 아레나 공연만을 위한

때는 2025년 3월..요네즈켄시의 내한 공연을 보러 가기로 한 두 친구는 낡고 지쳐돈으로 편리함을 구매하기로 했다. 공연이 끝나고 집에 오지 않고 호캉스를 즐기고 오기로 했다는 뜻이다.. 소박

drsuneamer.tistory.com

[키이스케이프 후즈데어] 아야코Ayako 후기

haeyoung* — Sat, 27 Dec 2025 13:48:36 +0900

2025. 11. 23

키이스케이프

새로운 경험을 설계하다, 키이스케이프 프리미엄 방탈출부터 브랜드, 교육/문화 체험 콘텐츠까지, 온/오프라인 몰입형 경험 기획의 새로운 기준을 만드는 곳.

www.keyescape.com

아야코를 하러 다녀왔다

키이스케이프 티켓팅은 이제 생각만 해도 치가 떨리고 살이 떨리지만.. 티켓팅의 신 Kim Mat가 데려가주셨다

무려 주말 아침에 허겁지겁 일어나 하고 온 아야코 후기~

후기 ✨

가기 전 찾아본 후기에서 모두가 2명을 추천하던데,

좁아서 그런 줄만 알았는데 연출상 2명이 베스트인 구간이 있어서 그런 것 같다

공포테마를 딱히 무서워하지 않는 편이라.. 공포도는 설명하기 어렵지만

같이 간 적당쫄 친구는 덜덜 떨었다! 굿 공테

연출로 유명한 테마 답게 역시 문제는 많지 않았다

몰입할 수 있고 스토리에 관심이 많다면 잘 짜여져 있기에 재미있게 하고 올 수 있을 듯 하다

다만 방탈출인 만큼 머리 쓰고 문제 풀기를 기대했다면 아쉬워할 수도 있다

키이스케이프는 점점 방탈출이 아니라 문화체험및관람시간이 되어가는 것 같기도

문제도 적은 만큼 중간에 힌트 쓸지 말지 고민하는 문제 한 두개 말고는

결국 힌트 쓰지 않고 무난하게 풀고 나올 수 있었다

연출 상 시간이 지나면 다음으로 가게 되어 있기에 남은 시간도 의미가 있나 싶지만

대략 9분 정도 남기고 탈출할 수 있었다

오픈소스 기반 데이터 분석

haeyoung* — Sat, 13 Dec 2025 17:10:54 +0900

1장. 데이터 분석과 오픈소스의 이해

1.1. 데이터 분석의 이해

데이터

분석의 재료가 되는 관찰된 사실
관찰이나 측정을 통해 얻어진 사실이나 기록
그 자체로 의미를 가지기보다는 객관적인 상태의 값
수치, 문자, 특정 시간이나 공간에 대한 기록

정보

데이터를 가공해 문제 해결이나 의사결정에 활용할 수 있는 의미 있는 형태로 변환한 결과물
단순한 사실의 나열이 아닌 데이터 사이의 관계를 파악하거나 새로운 의미를 도출하는 형태
데이터를 수집하여 정리하거나 요약하는 과정에서 정보가 만들어진다.

데이터 분석의 정의 (Data Analysis, DA)

데이터에 숨겨진 의미를 발견하고 이를 바탕으로 의사결정에 활용할 수 있는 인사이트를 도출하는 일련의 과정
데이터를 정보로 가공하는 고도의 처리 및 가공의 과정
데이터를 구조화하고 패턴을 파악
특정 현상의 원인을 찾거나 미래를 예측하기 위해 논리적이고 체계적인 접근
단순한 기술적 작업이 아닌 문제 해결과 의사결정 지원을 위한 전문적인 활동
원시 데이터를 수집한 후, 필요한 정보를 추출하고, 데이터를 정제하며, 분석을 통해 의미 있는 결론을 도출하는 일련의 작업 과정

데이터 분석의 출발점은 현실 세계에서 발생한 현상에 대한 관측과 기록

분석 목적이나 깊이에 따른 4단계 분류

설명적 분석 descriptive analytics, what happened?
- 과거와 현재 데이터를 요약하여 무엇이 발생했는지 파악
- 가장 기초적인 분석 형태
진단적 분석 diagnotic analytics, why happened?
- 특정 현상이 발생한 원인을 규명하는 데 초점
- 왜 발생했는지를 밝히는 것
- 원인을 찾아내는 과정
- 데이터를 비교하고 상관관계를 분석하여 현상의 배경을 파악하는 과정
예측적 분석 predictive analytics, what will happen?
- 과거 데이터와 현재 데이터를 기반으로 무엇이 발생할 것인지 예측
- 통계 모델, 회귀분석, 머신러닝 등 기법 활용
- 미래 상황을 미리 예측함으로써 사전에 대비하거나 기회를 포착
처방적 분석 prescriptive analytics, what should we do?
- 어떻게 하면 원하는 결과를 얻을 수 있는지에 대한 해답 제공
- 데이터 분석의 최종 목표에 해당
- 단순한 예측을 넘어 최적의 의사결정을 돕는 실현 가능한 전략을 도출
- 최적화 기법, 시뮬레이션 기법 등 활용

PHM(Prognotics and Health Management)

장비나 시스템의 상태를 실시간으로 감시하고, 고장 가능성을 예측하여 최적의 유지보수 및 관리 방안을 제공하는 체계적 접근법
산업 기계, 항공기, 자동차 등 복잡한 장치의 신뢰성과 안전성을 높이기 위해 활용
5단계
- 계측 measurement / 모니터링 monitoring - 설명적 분석
  - 주로 데이터를 수집하고 실시간으로 현 상태를 확인
  - 시스템의 현황이나 성능 지표 등을 요약하여 제공
- 진단 diagnostics - 진단적 분석
  - 시스템 상태가 비정상적이거나 고장 발생 시 그 원인을 파악하고 문제의 본질을 탐색
- 예측 prognostics - 예측적 분석
  - 미래의 성능 저하나 고장 가능성을 미리 파악하여 예방적 조치
  - 교체 계획 수립, 부품의 수명과 유지보수 시기 예측
  - 데이터 패턴과 추세를 기반으로 미래 사건 예측 목표
- 개선(처방) prescription - 처방적 분석
  - 예측된 상태를 기반으로 최적의 대응책과 유지보수 전략을 결정하여 제공
  - 점검 계획 추천, 교체 시기 제시
  - 예측된 결과를 활용하여 의사결정에 가장 적합한 전략과 조치

데이터 분석의 중요성

기존에는 보이지 않던 패턴과 관계 발견 - 의미 있는 인사이트 도출
비효율적인 프로세스 개선, 운영 최적화
사회 전반에 긍정적 영향 (의료 분야 등)
공공 정책 수립 (도로 혼잡도 예측, 범죄 데이터 분석)
DDD(Data-Driven Decision Making) - 객관적 근거 바탕 최적의 선택
- 객관성, 정밀성, 재현 가능성

데이터 분석의 발전 과정

1900년대 초반~1970년대 초반 : 전통적인 통계 분석
- 확률론과 가설 검정 기법 이용
- 데이터 해석 방식
1980~2000년대: 데이터베이스와 BI 활용
- 데이터 분석의 패러다임 변화
- 체계적인 데이터 저장 및 관리 환경 조성
- DBMS 도입, RDBMS 널리 사용, SQL 기술 발전
- 대규모 데이터 웨어하우스 구축
- 구조화된 데이터 분석 방식 전환
- 시각적으로 표현하는 BI 도구 도입 (Business intelligence)
2010년대~현재: 빅데이터와 ML의 발전
- 데이터의 규모와 다양성 증가
- 오픈소스 프레임워크 개발
- 맞춤형 마케팅 수행
- 분산 데이터 처리 기술 발전, 오픈소스 프레임워크 개발
- 머신러닝 기술이 데이터 분석의 핵심 방법론으로 자리잡음 (패턴 자동으로 학습하여 예측 모델 생성)
현재~미래: 실시간 데이터 분석과 AI 자동화
- 실시간 데이터 수집 및 분석, 즉각적인 의사결정
- 즉각적인 의사결정 시스템 구축

데이터 분석의 3요소

컴퓨터과학
- 데이터 처리와 분석의 효율성 제공
- 데이터 분석의 기술적 기반 담당
- 효과적 수집과 저장, 빠르게 처리하여 분석 결과 도축
- 웹 스크래핑, 시각화 도구, 데이터 분석 라이브러리, 데이터베이스
통계 및 수학
- 분석 과정의 정확성과 신뢰성 확보
- 데이터에 내재된 패턴과 관계를 파악하고, 신뢰할 수 있는 결과를 도출하기 위한 과학적 근거 제공
- 데이터를 수집하는 단계에서부터 분석 과정 전반에 걸쳐 데이터의 신뢰성과 정확성을 확보하는 데 중요한 역할
도메인 지식
- 분석 결과의 해석력과 실무 적용성을 높인다
- 분석 대상이 되는 특정 분야에 대한 전문적인 이해
- 데이터에서 나타나는 특정 현상을 정확히 해석하고, 데이터 패턴에 숨겨진 의미를 파악하여 현장에 적용 가능한 해결책 도출

데이터 분석과 데이터 과학

데이터 과학은 데이터 분석을 포함하면서도 더 포괄적인 개념
데이터 분석은 주어진 데이터를 정리하고 이해하는 데 초점, 데이터 과학은 데이터에서 패턴을 학습하고 예측 모델을 개발하는 데 기술적 접근을 요구

항목	데이터 분석	데이터 과학
개념	수집된 데이터를 정리·가공하여 의미 있는 정보를 도출하는 과정	예측 모델을 만들고, 자동화된 의사결정 시스템을 구축하는 포괄적 과정
접근 방식	통계, 데이터 시각화, 기본적인 머신러닝 등을 활용	통계, 머신러닝, 컴퓨터 프로그래밍, 데이터 엔지니어링 등을 종합적으로 활용
목적	데이터 기반 의사결정 지원이 중심	의사결정의 자동화 및 최적화
범위	데이터 과학의 한 부분	데이터 분석을 포함하는 상위 개념
과정	데이터 수집 → 전처리 → EDA → 분석→ 시각화 → 인사이트 도출	데이터 수집 → 전처리 → 분석 → 자동화 시스템 구현
분야	마케팅, 리포트 작성, 경영 전략 수립 등	제품 추천, 예측 시스템, 자율주행, 인공지능 서비스 등

1.2. 데이터 분석 과정

1. 데이터 수집 및 저장

수집 대상 데이터 정의
데이터 수집 경로 선정
- 내부 데이터: 기업이나 기관 내부에서 생성된 데이터로 데이터베이스, 고객 거래 내역, 직원 근태 기록, 공장 가동률 정보 등 포함
- 외부 데이터: 외부 기관에서 제공, 정부의 공공데이터, 소셜 미디어 데이터, 연구 기관의 통계 자료 등
데이터 수집 방법 결정
- 파일 다운로드
- 데이터베이스: 관계형 데이터베이스에 저장된 데이터를 SQL 등으로 추출
- 웹 스크래핑
- API
- 센서 데이터 활용
데이터 수집 자동화
데이터 저장 방식 선택
- 데이터 저장data storage: 수집된 데이터를 효율적으로 보관하고, 후속 분석과 활용이 가능하도록 하는 과정
- 파일 기반 저장
- 데이터베이스 저장: 다양한 사용자 동시 접근, 정형 데이터 중심
- 클라우드 기반 저장소: 비정형 대용량 데이터 처리에 적합
수집한 데이터가 분석 목적에 적합한지 검토하는 과정까지 포함
데이터 출처 명확한 확인 필요
데이터 수집 목적을 명확하게 해야 한다

2. 데이터 전처리

데이터 분석에서 가장 중요한 과정
데이터를 정리하고 변환하여 분석이 가능하도록 만듦
데이터의 품질을 높이고 분석의 정확성을 보장하기 위한 과정
결측치와 이상치 처리
중복 데이터 제거 및 필터링
데이터 축소 및 변환
다섯 단계
1. 데이터 측정: 전반적인 분포와 특성을 파악, 전처리 및 분석 방향 설정
2. 데이터 정제: 오류 수정, 불완전 데이터 처리
3. 데이터 통합: 하나의 데이터셋으로 결합
4. 데이터 축소: 차원 축소, 변수 선택
5. 데이터 변환: 분석에 적합한 형태로 변환. 속성 생성 정규화, 이산화 등

3. 데이터 분석

의미 있는 패턴을 발견하고 의사결정을 위한 유용한 정보 도출
데이터 간 관계 파악 및 예측 모델 구축하는 고급 분석 기법 활용
탐색적 데이터 분석(EDA) 수행
- 데이터의 분포와 특성을 직관적으로 이해하기 위해 수행
- 데이터를 요약하고 시각적으로 표현해서 주요 패턴과 이상치를 파악한다
- 변수 간의 관계 분석
통계 분석, 머신러닝 및 딥러닝 과정 포함
분석 계획 수립
데이터 분석 기법 선택
데이터 분석 결과 도출
클러스터링, 연관 규칙 분석(특정 사건이 발생할 때 다른 사건이 함께 발생할 확률 분석)과 같은 데이터 마이닝 기법 사용

4. 데이터 시각화

기초 통계량 시각화
데이터 유형별 시각화
시각화 도구 활용
데이터 탐색과 패턴 발견: 변수간 관계 파악, 이상치 탐색
복잡한 데이터의 요약
데이터 분석 결과 전달
미래 변화 예측에 활용

1.3. 데이터의 분류

데이터의 속성에 따른 분류

질적 데이터qualitative data(범주형 데이터): 주로 범주화하거나 속성, 성질, 상태 등을 나타냄. 집계, 분류 등에 사용
- 명목형 데이터nominal data: 단순히 범주로 구분, 범주 사이에 순서나 계층 없음 (성별, 혈액형)
- 서열형 데이터ordinal data: 범주 사이에 명확한 순서 (만족도 조사)
양적 데이터quantitative data(수치형 데이터): 숫자 형태로 표현, 측정과 계량 가능. 통계적 분석 및 수학적 연산에 사용
- 이산형 데이터discrete: 특정한 정수값을 가짐, 수량 등
- 연속형 데이터continuous: 특정 범위 내의 모든 값을 가질 수 있음, 신장, 온도, 몸무게 등

데이터의 형태에 따른 분류

(데이터를 저장하고 검색하는 데 적절한 방법을 선택하고, 활용 목적에 맞는 적절한 분석 기법 적용을 위해 필요한 분류)

정형 데이터structured data: 일정한 규칙과 구조, 행과 열로 구성된 표 형태
- 각 열은 특정 속성, 행은 여러 속성값의 집합
- SQL 등의 표준화된 언어로 효율적인 분석 및 접근
비정형 데이터unstructured: 문장, 이미지, 영상, 음성 등
- 컴퓨터가 인식하고 분석하려면 머신러닝 등의 인공지능 기법 필요
- 정부량이 많고 숨겨진 의미를 담고 있다
반정형 데이터semi-structured: 데이터 항목간 규칙이나 구조 존재, 완전한 표로 고정되진 않음
- xml, json 등
- 빅데이터 시대에 들어서며 활용 빈도 증가
- 파싱 등 작업을 거쳐 정형 데이터로 변환하여 테이블 형태로 다루기도 함

1.4. 오픈소스 환경

오픈소스의 등장 배경과 철학

리처드 스톨먼: GNU 프로젝트 시작, 자유 소프트웨어 재단(FSF) 설립, 소프트웨어 사용 조건 명시 GPL 제안
에릭 레이먼드: 성당과 바자(1997)
- OSI(Open Source Initiative) 설립의 시초

오픈소스 소프트웨어: 소스코드가 공개되어 누구나 자유롭게 접근, 사용, 복제, 수정, 재배포할 수 있는 소프트웨어

오픈소스 정의 OSD

소프트웨어는 소스코드 형태로 배포되어야 하며, 누구나 이를 수정하고 분석할 수 있어야 한다
소프트웨어의 재배포가 허용되어야 하며, 이는 상업적 목적의 재배포도 포함한다
사용이나 배포에 특정 집단이나 분야에 대한 차별이 없어야 한다.
파생 소프트웨어에 동일한 라이선스를 적용해야 한다.
기술 중립성 보장

기술 측면에서의 특징

투명성과 신뢰성이 높다. 폐쇄형 소프트웨어보다 더 높은 수준의 보안성 확보
지속적인 개선과 빠른 오류 수정 가능
모듈화와 재사용성이 뛰어나다. > 소프트웨어 재사용 촉진, 개발 속도 향상
사용자와 개발자 간의 경계를 허문다.

오픈소스의 생태계와 발전 방식

깃: 중앙 서버 없이도 각 참여자가 독립적으로 코드의 전체 이력 관리, 병합

오픈 데이터: 누구나 자유롭게 접근할 수 있고, 재사용 및 재배포가 가능한 데이터. 비영리적 목적 및 상업적 활용 허용

오픈 데이터의 조건

기계 판독 가능성: 컴퓨터 프로그램이 읽고 분석할 수 있어야 함
비차별적 접근 보장
데이터의 사용에 제한을 두지 않고, 라이선스를 통해 자유로운 재사용과 재배포 권리 명시

파이썬: 오픈소스 기반의 패키지 관리 시스템을 중심으로 작동

IDLE: 파이썬 인터프리터를 설치하면 기본적으로 제공되는 개발 환경
Jupyter Notebook: 데이터 분석을 위해 가장 널리 사용되는 개발 환경

파이썬 패키지와 라이브러리

Selenium: 웹 브라우저를 자동으로 제어하는 오픈소스 라이브러리
lxml: HTML 및 XML 문서를 효율적으로 파싱하고 처리할 수 있도록 지원하는 파이썬의 강력한 라이브러리
Numpy: 고속 수치 연산을 위한 핵심 라이브러리, 벡터 및 행렬 연산 최적화
Pandas: 데이터를 효율적으로 조작하고 분석할 수 있도록 설계된 라이브러리
Statsmodels: 파이썬 기반 오픈소스 통계 분석 라이브러리. 다양한 전통 통계 기법 지원
Matplotlib: 데이터 시각적 표현 기능 제공 라이브러리
Seaborn: Matplotlib 기반 보다 세련된 시각화 제공. 다양한 통계 그래프 구현(히트맵, 분포 그래프, 박스플롯 등)
Scikit-learn: 머신러니 모델 구축 및 평가에 필요한 라이브러리 제공. 선형 회귀, 의사결정 트리, 랜덤 포레스트 등

2장. 데이터 분석을 위한 파이썬

2.1. 리스트와 딕셔너리

반복 가능한 객체: 리스트, 튜플, 딕셔너리, 문자열, 집합, range 객체 등

리스트 슬라이싱

numbers = [1, 2, 3, 4, 5, 6, 7]
reversed_list = [::-1]
print(reversed_list) # 7, 6, 5, 4, 3, 2, 1

딕셔너리 컴프리헨션

squares = {i: i ** 2 for i in range(5)}

city_population = {
	'서울': 900, '부산': 330
}

large_cities = {city: pop for city, pop in city_population.items() if pop >= 500}

C 스타일 포맷팅

item = 프린터
price = 300000
print('상품명: %s, 가격: %d' % (item, price))

str.format()

print('Hello, {}'.format('홍길동'))	# Hello, 홍길동
print('{0} {1}'.format('홍길동', 30))	# 홍길동 30
print('{name}'.format(name='홍길동'))	# 홍길동
print('{0} {age}세'.format('홍길동', age=30))	# 홍길동 30세

f-문자열: python 3.6 버전부터 도입된 문자열 포맷팅 방식

name=홍길동
print(f'이름: {name}')

with

with 블록이 종료되면 파일이 자동으로 닫혀서 file.close()를 명시적으로 안 닫아도 된다
여러 개의 컨텍스트를 동시에 관리할수도 있다

함수형 프로그래밍

데이터 변경을 최소화(상태 변경 지양)하고 순수 함수를 활용하여 부작용을 줄이는 것이 목표
코드의 예측 가능성과 재사용성이 높아진다
디버깅을 용이하게 하고 병렬 처리를 효율적으로 수행한다
선언적 프로그래밍 방식을 취한다

람다 함수

함수를 정의하는 동시에 사용할 수 있다

is_even = lambda x: '짝수' if x % 2 == 0 else '홀수'

map(): 데이터 변환

적용할 함수와 반복 가능한 객체를 매개변수로 받아 리스트의 각 요소에 지정된 함수를 적용한 결과를 반환한다
함수의 결과는 map()객체이므로 list() 함수 등을 통해서 리스트로 변환해야 한다.
N개의 입력 -> N개의 출력

words = ['python', 'data']
upper_words = list(map(lambda word: word.upper(), words))

filter(): 필터링

numbers = [10, 15, 20]
even_numbers = list(filter(lambda n: n % 2 == 0, numbers))

reduce(): 누적 연산

리스트에 포함된 숫자의 총합을 구하거나, 문자열을 하나로 합치거나, 최댓값을 찾는 등의 작업 등 누적 연산 수행
N개의 입력 -> 1개의 출력

from functools import reduce
numbers = [1, 2, 3, 4, 5]
total_sum = reduce(lambda x, y: x + y, numbers)

numbers2 = [3, 2, 7]
max_number = reduce(lambda x, y: x if x > y else y, numbers2)

3장. 데이터 수집과 저장

3.1. 데이터 수집이란

데이터 수집: 단순히 데이터를 모으는 행위뿐만 아니라 결과 생성에 유용한 데이터의 위치를 파악하고 수집된 데이터를 분석에 적합한 형태로 준비하는 과정까지를 포함

데이터 사일로 현상: 기업이나 조직 내에서 부서별로 데이터를 각자 관리하면서 서로 공유하지 않고 고립된 상태

좋은 데이터의 조건 (ISO 8000의 데이터 품질 평가 기준)

정확성
- 실제 현실을 얼마나 정확하게 반영하고 있는가
- 데이터 정제 과정을 통한 오류 수정 과정 필요
완전성
- 필요한 정보가 온전히 포함되어 있는가
- 완전성이 결여되면 분석 결과의 편향 초래
- 결측치를 확인하고 데이터를 정비해야 함
일관성
- 서로 다른 시스템이나 소스에서의 정보 일관성 유지
- 데이터 표준 정의, 동기화 자동화 등 필요
유효성
- 데이터가 분석 목적에 적합한가
적시성
- 데이터가 최신 상태를 유지하고 있는가
상호운용성
- 데이터가 다양한 플랫폼, 시스템, 소프트웨어에서 원활하게 공유되고 확인될 수 있는가
- 데이터의 표준화와 구조화가 핵심 요소
- 공통된 데이터 형식을 정의하고 API 등으로 시스템간 데이터 연계를 원활히 해야한다

3.2. 데이터의 유형

정형 데이터

표 형태의 미리 정의된 스키마에 따라 행과 열로 구성된 테이블 형태로 저장 (스키마: 데이터 구성을 설명하는 구조적 설계도)
유형
- 수치형: 나이, 키, 몸무게, 가격, 온도, 판매량 등
- 날짜형: 생년월일, 배송일 등
- 범주형: 성별, 지역, 직업, 학력, 만족도 등
특징
- 구조화: 데이터의 유형, 길이, 제약 조건 등이 사전에 명확하게 정의
- 정량적: 수치 연산, 조건 기반 필터링, 통계 분석 등에 적합
- 관계형 데이터베이스에 적합: 효율적인 저장, 검색, 관리
- 분석 용이: SQL 등의 표준화된 쿼리 언어로 데이터 추출, 변환, 분석 체계적 수행 가능
한계
- 구조적 경직성: 예상치 못한 데이터 유형 수용 위해 스키마 변경 필요 - 상당한 유지보수 비용
- 텍스트의 맥락적 의미나 감정 뉘앙스 등 복잡한 정보 효과적으로 담아내기 어렵다

비정형 데이터

비구조화
다양한 형태: 고유한 특성과 처리 방법 요구
저장 및 관리의 어려움: 특수한 저장소나 분산 파일 시스템 활용, 대량의 저장소 필요
분석의 어려움: 고도의 분석 기술 필요
유형
- 텍스트 데이터
- 이미지 데이터
- 음성 데이터
- 동영상 데이터
전체 데이터의 80%를 차지한다
분석이 어렵지만 다양한 정보와 맥락을 담고 있어 인사이트 발견 능력이 중요함
인공지능 발전으로 처리 및 분석 성능 향상

반정형 데이터

어느 정도의 구조화된 요소 포함, 엄격한 스키마나 고정 형식 따르지는 않음
정형 데이터보다 더 풍부한 정보와 복잡한 관계 표현
분석을 위해서는 구조를 파악하고 데이터를 정제하는 과정이 추가적으로 필요
특징
- 일정 수준의 구조: 태그, 키-값 쌍, 계층적 구조 등으로 데이터 요소간 관계와 의미 표현
- 다양한 형태:JSON, XML, YAML, HTML, 이메일 등 다양한 형태
- 유연성: 스키마 변경이 용이하고 확장성이 높음
- 분석 방법: 정규현식, 파서 등 특화된 도구와 기법, NoSQL 데이터베이스나 문서 지향 데이터베이스에서 효과적
유형
- JSON 데이터: API 응답 데이터, 설정 파일 등
- XML 데이터: 웹 서비스 데이터, 전자 문서 등
- HTML 데이터: 웹 페이지 데이터
- 로그 파일
- 이메일

3.3. 데이터 수집 방법

파일

가장 기본적이고 널리 사용되는 방법
일회성 분석이나 배치 처리 방식의 분석에 적합
CSV
- 쉼표로 구분된 텍스트 데이터 파일로 표 형태의 데이터 저장
- 높은 범용성 - 대부분의 프로그래밍 언어에서 기본적으로 지원
- 복잡한 데이터 구조나 계층적 관계를 표현하기 어렵다
- 이미지, 동영상 등 바이너리 데이터는 직접 저장 불가
- 데이터 타입 위한 추가 처리 필요
JSON
- JavaScript 객체 표기법을 따르는 텍스트 데이터 파일
- 중첩된 구조 표현 가능, 계층적 구조 표현
- json.load(): 파일에 저장된 데이터 읽어옴
- json.loads(): 문자열로 표현된 데이터 읽어옴
- pd.read_json(): orient의 파라미터로 json 데이터의 저장 형식 알려줌
텍스트 파일
- 비구조화 데이터의 저장에 적합하다
- 구조화되어 있지 않아서 텍스트 정제, 패턴 추출, 토큰화와 같은 추가적인 작업이 필수적
- 파이썬 내장 함수인 open(), read(), readline(), readlines()로 파일 읽어옴
- re 라이브러리: 정규표현식으로 원하는 데이터 추출

API

소프트웨어 간의 상호작용을 가능하게 하는 인터페이스
특정 시스템이나 서비스가 제공하는 기능이나 데이터를 외부 프로그램이 접근할 수 있도록 미리 정의된 규칙과 명령어 집합
http
- 가장 일반적으로 사용되는 프로토콜
- 웹 브라우저가 웹 서버와 통신할 때 사용
- 요청-응답 방식: 클라이언트가 요청하면 서버가 응답
WebSocket
- HTTP와 달리 서버와 클라이언트 사이의 상호작용이 실시간 지속적으로 이루어진다
- 초기 연결 설정 이후 자유로운 데이터 송수신
GraphQL
- 데이터 질의 언어이자 통신 프로토콜
- 단일 엔드포인트 연결
- 학습 필요, 캐싱 처리 어려움
- 클라이언트가 필요한 데이터의 구조와 속성을 명시적으로 요청하여 필요한 것만 가져옴
Requests 라이브러리

웹 스크래핑

selenium
- 웹 사이트 상호작용을 통해 원하는 데이터 수집
lxml: HTML과 XML 문서를 효과적으로 읽고 특정 정보를 추출하며 필요에 따라 문서를 수정하거나 생성
- BeautifulSoup 등 다른 파서 라이브러리에 비해 빠른 처리 속도
Headless 모드: 웹 브라우저의 시각적인 부분을 생략한 채 내부적으로만 실행
웹 크롤링과의 차이점 - 스크래핑은 특정 페이지에서 데이터 추출, 크롤링은 여러 페이지 탐색

3.4. 데이터 저장

파일

운영체제에 관계없이 호환성이 뛰어남
대규모 데이터 처리에는 비효율적(순차적으로 데이터를 읽고 쓰는 방식)
데이터 무결성과 보안 측면에서 취약
CSV

import pandas as pd

data = {
    'student_id': [101, 102, 103, 104, 105],
    'database_score': [85, 76, 92, 63, 88],
    'cloudcomputing_score': [78, 82, 95, 70, 84],
    'python_score': [92, 78, 85, 75, 91],
    'watch_rate': [0.95, 0.87, 0.99, 0.80, 0.93]
}
## DataFrame 생성
df = pd.DataFrame(data)
df

## CSV 형식 저장
df.to_csv('Chapter 4/student_analysis.csv', encoding='utf-8', index=False)

JSON

### 라이브러리 임포트
import json
import pandas as pd

data = {
    "이름": "홍길동",
    "나이": 25,
    "거주지": "서울",
    "관심사": ["프로그래밍", "데이터 분석", "여행"]
}

## json.dump를 이용한 저장
with open('Chapter 4/output.json', mode='w', encoding='utf-8') as f:	# 파일 생성
    json.dump(data, f, indent=4, ensure_ascii=False)

## DataFrame을 이용한 저장
df = pd.DataFrame(data)
df.to_json('Chapter 4/output_df.json', orient='records', indent=4, force_ascii=False)	# records: DataFrame의 각 행을 JSON 객체로 변환해 리스트로 만듦

df2 = pd.DataFrame([data])
df2.to_json('Chapter 4/output_df2.json', orient='columns', indent=4, force_ascii=False)

데이터베이스

비관계형 데이터베이스
- 문서, 키-값 쌍, 그래프 형태 등 다양한 유연한 방식으로 데이터 보관
- 분산 처리와 확장성 측면에서 강점

3.5. Pandas의 DataFrame 이해

DataFrame의 구성 요소

DataFrame 생성 시 정수형 인덱스가 자동 부여
- set_index() 메소드 사용해서 특정 컬럼 인덱스로 설정 가능
데이터는 DataFrame 내부에 NumPy의 배열 형태로 저장

DataFrame 생성 함수

from_dict(), from_records()
read_csv(), read_json(), read_excel()
read_html(), read_clipboard(), read_sql

DataFrame 저장

pickle: 파이썬 전용 형식으로 DataFrame의 데이터를 그대로 저장할 수 있지만 다른 프로그래밍 언어와의 호환성은 떨어진다

4장. 데이터 전처리

4.1. 데이터 전처리란

데이터의 품질

GIGO Garbage In, Garbage Out: 잘못된 데이터를 입력하면 잘못된 결과가 도출된다.

데이터 전처리의 정의

데이터 분석 전에 데이터를 정제하고 분석에 적합한 형태로 변환

데이터 전처리 과정

측정 Measurement
- 분포, 중심 경향 등 데이터의 구조와 패턴을 이해하고 전처리의 필요 여부 판단
- 통계적 특성을 알면 분석 방법론, 모델링 전략 선택에 도움이 된다
- 데이터 유형 확인 필요
- 범주형 데이터의 경우에는 각 범주의 빈도분석이 주로 이루어진다
정리/정제 Cleaning
- 데이터에 포함된 노이즈를 제거하고 비일관성을 수정
- 결측치, 이상치 등 오류 데이터 찾아내고 적절하게 처리
- 결측치 처리 - 데이터 정제의 핵심 과정
  1. 결측치 포함 레코드 삭제
  2. 사람이 직접 결측치 보간: 정확하지만 대규모에는 비효율적
  3. unknown 등 전역 상수 대입: 특정 패턴으로 오해될 수 있음
  4. 평균값, 중앙값으로 보완
  5. 동일한 클래스 내 평균값이나 중앙값
  6. 회귀분석, 베이지안 추론 등 통계적 기법으로 예측
- 이상치: 데이터에 포함된 불규칙한 변동이나 오류
  - 데이터 평활화 기법: 주변 데이터의 평균이나 중앙값 이용
  - 이상치 탐지 기법: 특정 기준에서 벗어난 값 제거
통합 Integration
- 여러 소스에서 수집한 데이터를 결합하여 하나의 일관된 데이터 저장소로 만든다
- 명칭 충돌, 중복 등을 해결하는 작업 포함
- 개체 식별: 서로 다른 데이터 소스에서 동일한 개체를 나타내는 값이 다를 경우 이를 올바르게 연결해야 한다.
- 중복된 데이터를 탐지하고 하나의 대표값으로 정리
- 같은 데이터 값이 서로 다른 기준으로 저장되는 경우 방식 통일
축소 Reduction
- 데이터의 일부 속성 제거, 집계 통한 요약, 군집화로 차원 축소 등
- 필요한 이유
  1. 연산 속도의 향상
  2. 저장 공간 절약
  3. 모델의 성능 향상
  4. 해석 용이성
- 방법
  - 군집화 기법: 유사한 특성을 가진 데이터들을 하나의 cluster로 묶는다. 각 군집의 대표값만 사용하여 데이터 축소
  - 샘플링 기법: 일부를 무작위로 선택해서 보다 작은 데이터 부분 집합으로 원본 데이터를 대표하게 한다.
변환 Transformation
- 데이터의 형식 변경, 특정 범위로 정규화하여 스케일을 맞춘다
- 평활화smoothing
  - 데이터에 포함된 잡음 제거 (e.g., 주식 시장 분석에서의 이동평균 기법)
- 속성 생성
  - 기존 데이터를 활용하여 새로운 속성 생성 (e.g., 생년월일로 나이 생성)
- 집계
  - 데이터를 요약하여 더 높은 수준의 분석이 가능하게 함 (e.g., 일별 매출 데이터를 월별, 연도별로 합산)
  - 데이터 추상화 수준 조정
- 정규화
  - 데이터의 값을 일정한 범위로 변환
  - 모든 값이 동일한 스케일을 가져 분석 결과의 정확성이 향상된다
- 이산화
  - 연속형 데이터를 일정한 구간으로 나누어 범주형 데이터로 변환

+) 데이터 통합, 데이터 축소 관계 후 새롭게 정제가 필요한 데이터가 만들어 질 수 있다. (단계가 서로 유기적 관계)

데이터 전처리의 어려움

방대한 데이터의 양과 다양한 데이터 형태
데이터 문제의 해결 방법이 다양하여 분석가의 주관적 판단이 개입된다
- 판단은 데이터의 특성과 분석 목표에 따라 달라진다
시간과 노력의 소모
기술적인 어려움
- 프로그래밍 언어, 데이터 분석 라이브러리에 대한 이해 필요

4.2. Pandas를 이용한 데이터 측정

데이터 측정 기준

전체 데이터 측정: 데이터의 전반적인 경향과 특성 파악
레코드별 측정: 개별 객체의 특성을 구체적으로 이해
그룹별 측정: 집단 간 차이를 비교하여 숨겨진 패턴을 발견

요약 통계 지표

사분위 범위: Q3(75%) - Q1(25%):, 중앙 50% 구간의 범위를 나타내며 이상치 탐지에 활용

기타 통계 지표

왜도: 데이터 분포가 평균을 중심으로 대칭적인지, 한쪽으로 치우쳤는지 나타냄
첨도: 데이터 분포의 뾰족한 정도. 이상치의 빈도 파악에 유용

describe()

데이터의 기초 통계량을 자동으로 계산해 요약
데이터의 종류(수치형, 범주형)에 따라 서로 다른 통계 요약 정보 출력

# 모든 데이터 타입 측정
df.describe(include='all')

# 수치형 데이터 측정
df.describe(include=[np.number])

# 범주형 데이터 측정
df.describe(include=['object'])

# DataFrame 열순서 변경
reordered_cols = df[['학과', '이름', '학년', '동아리', '학점']]

# DataFrame 열이름 변경
renamed_df = df.rename(columns={'이름': '학생명', '학점': '평점'})

loc: 인덱스 이름 또는 조건을 사용하여 행 선택
iloc: 정수 위치를 기반으로 행 선택

#DataFrame 행 선택
df.loc['김철수']
df.loc[['이영희', '정소희']]
df.loc['김철수':'박민수']   # python indexing도 가능

#DataFrame 위치 기반 행 선택
df.iloc[1]
df.iloc[[2, 3]]

#DataFrame 조건 기반 선택
df.loc[[True, False, True, False, False]]

# 여러 조건 결합
df[(df['학년'] == 2) & (df['학점'] >= 3.7)]

#DataFrame 인덱스 지정
df = df.set_index('이름')

#DataFrame 단일 열 오름차순, 내림차순 정렬
df.sort_values(by='학점')
df.sort_values(by='학점', ascending=False)

#DataFrame 복수 열 오름차순, 내림차순 정렬
df.sort_values(by=['학년', '학점'], ascending=[True, False])

#DataFrame 인덱스 기준 오름차순, 내림차순 정렬
df.sort_index(ascending=False)

4.3. Pandas를 이용한 데이터 정제

결측치 찾기

행별 결측치 개수 알고 싶다면 sum(axis = 1) 매개변수 사용

## 결측치 여부 확인
df.isnull()

## 열별 결측치 개수 확인 
df.isnull().sum()

# 행별 결측치 개수 확인
df.isnull().sum(axis=1)

## 특정 행 결측치 확인
df[df.isnull().any(axis=1)] # any: 1개 이상 있는 것

## 특정 열 결측치 확인
df[df['나이'].isnull()]

## 결측치가 아닌 항목 확인
df.notnull()

## 결측치 비율
# 전체 개수: 가로(shape[0]) * 세로
df.isnull().sum().sum() / (df.shape[0] * df.shape[1]) * 100

import numpy as np
import pandas as pd

### 시각화 라이브러리 임포트
import seaborn as sns
import missingno as msno

data = {'이름': ['김철수', '이영희', '박민수', '최지훈', '정소희'],
        '나이': [25, 30, np.nan, 22, 35],
        '도시': ['서울', None, '인천', '서울', '대전'],
        '점수': [90, 85, np.nan, 80, 92]}
df = pd.DataFrame(data)

### 결측치 히트맵
plt.figure(figsize=(8, 6))
sns.heatmap(df.isnull(), cbar=False)
plt.title("결측치 히트맵")
plt.show()

### 결측치 매트릭스
msno.matrix(df)
plt.title("결측치 매트릭스")
plt.show()

# 하얀색이 결측치 있는 부분

이상치 찾기

통계적 방법: IQR(사분위 범위) 사용
- 사분위수 기준으로 데이터 분포의 중심 50% 범위를 벗어나는 데이터를 이상치로 간주
- 비정규 또는 이상치가 많은 데이터에 적합
- 어떤 값이 (Q1-1.5*IQR) 보다 작거나 (Q3 + 1.5 * IQR) 보다 크면 이상치로 간주
- pandas quantile() 메서드 사용해서 데이터의 Q1, Q3 값 쉽게 계산

### 사분위 범위 경계값 계산
q1 = df['점수'].quantile(0.25)
q3 = df['점수'].quantile(0.75)
iqr = q3 - q1
하한값 = q1 - 1.5 * iqr
상한값 = q3 + 1.5 * iqr

통계적 방법: Z-score 사용
- 데이터 값이 평균으로부터 표준편차의 몇 배만큼 떨어져 있는지 수치화
- (데이터 값-평균) / 표준편차
- 데이터가 정규분포를 따른다고 가정할 때 접합
- Z-score의 절댓값이 특정 임계값을 초과하는 경우 해당 데이터 포인트를 이상치로 판단

### Z-점수 계산
점수_평균 = df['점수'].mean()
점수_표준편차 = df['점수'].std()
df['점수_Z'] = (df['점수'] - 점수_평균) / 점수_표준편차

### 임계값 설정 및 이상치 여부 판단
임계값 = 2  # Z-score가 2가 넘어가면 이상치!
df['이상치여부'] = df['점수_Z'].abs() > 임계값

### 이상치 비율 출력
df['이상치여부'].mean() * 100   # True가 1, False가 0이므로 평균 이용

4.4. Pandas를 이용한 데이터 문제 해결

제거 전략

결측치나 이상치를 포함하는 행 또는 열을 데이터셋에서 완전히 삭제
구현이 간단하고 빠르게 적용
pandas의 dropna()
thresh 매개변수를 사용하여 특정 개수 이상의 결측치가 있는 행 또는 열만 제거

대치 전략 imputation

결측치나 이상치를 적절한 값으로 대체
pandas의 fillna()

보간 전략 interpolation

주변 데이터 포인트의 관계를 이용하여 결측치를 추정
시계열, 공간 데이터 등 데이터 포인트간 논리적 연속성이 있는 경우 효과적

# 결측치가 1개보다 적은 것만 남긴다
df_cleaned = df.dropna(thresh=df.shape[1] - 1)

### 나이, 소득 평균값 대치 및 결과 출력
df_cleaned.loc[:, ['나이', '소득']] = df_cleaned[['나이', '소득']].fillna(df_cleaned[['나이', '소득']].mean())

### 지출, 평균구매횟수 선형보간법 적용
df_cleaned.loc[:, ['지출', '평균구매횟수']] = df_cleaned[['지출', '평균구매횟수']].interpolate(method='linear')

Pandas 데이터 값 변경

### replace를 이용한 Seoul -> 서울
df['city'] = df['city'].replace('Seoul', '서울')

### replace를 이용한 None -> 미정, Incheon -> 인천
df['city'] = df['city'].replace({None: '미정', 'Incheon': '인천'})

### map을 이용한 값 변경
df = pd.DataFrame(data)
city_map = {'Seoul': '서울특별시', None: '미정', 'Incheon':'인천광역시', 'Daejeon':'대전광역시'}
df['city'] = df['city'].map(city_map)

df['age_str'] = df['age'].map(lambda x : f'{x}살' if pd.notna(x) else '알수없음')

### apply 함수를 이용한 값 변경
df['age_apply'] = df['age'].apply(lambda x: x*2 if pd.notna(x) else None)

### apply 함수를 이용한 행단위 값 변경
def age_plus_score(row):
    age = row['age'] if pd.notna(row['age']) else 0
    score = row['score'] if pd.notna(row['score']) else 0
    return age + score

df['age_plus_score'] = df.apply(age_plus_score, axis=1) #axis-행단위 적용

### loc 인덱스를 이용한 값 변경
df.loc[df['score'] < 90, 'score'] = 90

### where 함수를 이용한 값 변경(age가 30 이상인 값만 유지)
df['age_where'] = df['age'].where(df['age']>= 30, other=0)

날짜 데이터 다루기

### datetime 타입 변환
df_date['date'] = pd.to_datetime(df_date['date_str'])
df_date.info()

### 날짜 데이터 분리
df_date['date'].dt.year
df_date['date'].dt.day_name()

### 날짜 데이터 포멧 변경
df_date['date_formatted'] = df_date['date'].dt.strftime('%Y/%m/%d')

데이터 통합

여러 데이터셋을 통합하여 분석을 위한 최종 데이터셋 구성
pd.merge(): SQL의 JOIN과 유사

## 판매, 거래 데이터 통합
train_with_trans = pd.merge(
    train_cleaned, transaction,
    on=['date', 'store_nbr'],
    how='left'
)

## 매장 데이터 통합
train_with_store = pd.merge(
    train_with_trans, stores,
    on=['store_nbr'],
    how='left'
)

5장. 데이터 분석

5.1. 데이터 분석의 이해

데이터 분석: 데이터에서 의미 있는 패턴과 인사이트를 발견하여 합리적인 의사결정 지원

데이터 분석의 어려움

데이터 품질 문제: 결측치, 이상치, 중복 불일치 등
데이터의 규모와 복잡성 문제 (5V: 양Volume, 생성 속도Velocity, 다양성Variety, 진실성Veracity, 가치Value)
적절한 분석 방법론 선택의 어려움
분석 결과 해석과 커뮤니케이션의 어려움
- 블랙박스 문제: 복잡한 기계학습 모델의 경우

t-검정의 주요 목적: 두 집단의 평균 차이 검정 (p-값이 작을수록 귀무가설 기각 증거가 강해진다

ANOVA(분산분석): 세 개 이상의 그룹 간 평균 차이를 한 번에 검정하는 통계적 방법

시계열분석: 시간에 따라 순서대로 측정된 데이터 분석

시계열 데이터의 특성: 추세, 계절성, 순환성, 불규칙성

5.6. 딥러닝 기반 분석 방법론

TensorFlow: 구글이 개발한 오픈소스 기계학습 프레임워크

Keras: TensorFlow 위에 구축된 고수준 API

6장. 데이터 시각화

6.1. 데이터 시각화란

데이터 유형에 따른 시각화 방법

범주형 데이터: 막대 그래프, 파이 차트, 도넛 차트
수치형 데이터: 선 그래프, 히스토그램, 산점도, 박스 플롯, 바이올린 플롯
시계열 데이터: 선 그래프, 영역 그래프, 히트맵

6.2. Matplotlib 라이브러리

파이썬에서 데이터를 시각화하는 데 가장 널리 사용되는 라이브러리

고급 시각화 기법

트리맵: 계층적 데이터를 시각화하는 데 사용