AICE Associate 데이터 분석·AI 모델링 학습 가이드

AICE Associate 30강의 학습 범위

이 과정은 Python 데이터 분석과 전처리에서 머신러닝·Keras, 회귀·분류 프로젝트와 세 차례 모의고사로 이어집니다. 코드를 실행하고 결과를 해석하는 연습을 단계별로 연결하세요.

시험 안내와 강좌 실습의 구분

AICE 공식 안내와 알지오의 공개 목차를 구분해 확인하세요. 응시 일정·접수 조건·시험 환경은 공식 사이트의 해당 회차 안내를 기준으로 확인하며, 강좌 모의고사를 공식 기출 원문이나 합격 보장으로 해석하지 않습니다.

Jupyter·Python·NumPy 실습 준비

노트북에서 코드 셀을 실행하고 저장하는 흐름을 익힌 뒤 Python의 자료형·조건·반복과 NumPy 배열을 다룹니다. 실행 순서와 배열의 형태를 먼저 확인하면 이후 데이터 처리 오류를 구분하기 쉽습니다.

1강 ‘AICE Associate 국가공인 시험과 Python 실습 환경’: 2027년 대비 시험 구조를 이해하고 Jupyter Notebook 작업 환경 준비하기

2강 ‘데이터 분석을 위한 Python 핵심 문법’: 변수와 자료형부터 조건문·반복문까지 시험에 필요한 Python 코드 익히기

3강 ‘NumPy 배열과 수치 데이터 처리’: 배열의 구조와 계산 방법을 익혀 AI 데이터 처리의 기초 완성하기

Pandas 선택·집계·병합의 연결

데이터프레임의 행·열을 선택하고 조건으로 필터링한 뒤 그룹별 통계와 테이블 병합으로 확장합니다. 원본 행 수와 병합 후 결과를 대조하며 분석용 데이터가 바뀌는 지점을 확인하세요.

4강 ‘Pandas 데이터 불러오기와 구조 분석’: CSV·Excel 데이터를 읽고 데이터프레임의 구조와 특성 파악하기

6강 ‘데이터프레임 가공과 그룹별 통계’: 데이터를 수정하고 그룹별 집계와 통계 결과 생성하기

7강 ‘데이터 병합과 다중 테이블 분석’: 여러 데이터프레임을 하나로 결합하고 분석용 데이터 완성하기

탐색적 분석과 그래프 읽기

기술통계와 Matplotlib·Seaborn 시각화로 변수의 분포와 관계를 확인합니다. 그래프를 그리는 작업과 그 결과를 해석하는 작업을 나누어, 수치와 축·범례가 같은 대상을 설명하는지 점검하세요.

8강 ‘탐색적 데이터 분석과 기술통계’: 데이터의 분포와 변수 특성을 분석해 AI 모델링 방향 결정하기

9강 ‘Matplotlib 데이터 시각화’: 수치 데이터를 그래프로 표현하고 분석 결과를 시각적으로 이해하기

10강 ‘Seaborn 통계 시각화와 관계 분석’: 통계 그래프로 데이터 분포·이상치·상관관계를 자세히 분석하기

결측·이상치·인코딩·스케일링

결측치와 중복·이상치를 정리하고 범주형 인코딩·스케일링·파생 변수를 구성합니다. 각 처리가 어떤 값을 바꾸었는지 확인하고 같은 규칙을 평가 데이터에 적용하는 흐름을 복습하세요.

11강 ‘결측치 탐색과 데이터 정제’: 비어 있는 데이터를 정확히 찾아 머신러닝 학습에 적합하게 처리하기

13강 ‘범주형 데이터 인코딩’: 문자형 데이터를 AI 모델이 학습할 수 있는 수치형 데이터로 변환하기

14강 ‘데이터 스케일링과 파생 변수 생성’: 변수의 수치 범위를 조정하고 모델 예측에 유용한 새로운 변수 만들기

데이터 분할과 누수 방지

학습 데이터와 평가 데이터를 구분하고 전처리·모델 평가의 순서를 정리하는 구간입니다. 평가할 데이터를 미리 학습 과정에 섞지 않았는지 확인한 뒤 전처리 통합 실습으로 연결합니다.

15강 ‘학습·평가 데이터 분할과 데이터 누수 방지’: AI 모델의 예측 성능을 올바르게 검증하는 데이터 구성 방법 익히기

16강 ‘데이터 분석·전처리 통합 실전’: 실제 시험처럼 데이터를 불러와 분석하고 전처리 결과까지 완성하기

회귀·분류·앙상블과 성능 평가

수치 예측과 범주 예측을 구분하고 회귀·로지스틱 회귀·분류 성능 평가·의사결정나무·랜덤 포레스트와 모델 최적화를 연결합니다. 예측값과 평가 지표가 문제의 목적에 맞는지 비교하세요.

17강 ‘AI 모델링의 원리와 학습 프로세스’: 머신러닝 모델의 학습 원리를 이해하고 예측 모델 구현 과정 익히기

20강 ‘분류 모델 성능 평가와 혼동행렬’: 정확도·정밀도·재현율을 계산해 분류 모델의 예측 오류 분석하기

22강 ‘앙상블 모델과 하이퍼파라미터 최적화’: 여러 학습 모델의 성능을 비교하고 최적의 예측 모델 찾아내기

군집과 Keras 신경망의 차이

비지도 군집과 신경망 학습을 별개의 모델링 방식으로 살펴봅니다. 군집의 의미를 분류 정답률로 해석하지 않고, Keras 모델의 학습 과정과 성능 변화를 구분해 기록하세요.

23강 ‘비지도학습과 데이터 군집 분석’: 정답이 없는 데이터에서 유사한 그룹과 주요 패턴 찾아내기

24강 ‘딥러닝과 인공신경망 기본 구조’: 인공신경망의 작동 원리를 이해하고 TensorFlow·Keras 모델 설계하기

25강 ‘Keras 딥러닝 모델 학습과 성능 개선’: 심층신경망을 직접 구현하고 학습 과정과 예측 성능 분석하기

회귀·분류 통합 프로젝트

앞서 다룬 데이터 준비와 모델 평가를 회귀·분류 프로젝트에 연결하는 구간입니다. 데이터를 읽는 단계부터 예측 결과를 설명하는 단계까지 순서를 적고, 중간 결과가 달라지는 원인을 다시 확인하세요.

26강 ‘AICE 회귀 예측 통합 실전 프로젝트’: 항공권 가격 데이터를 분석하고 머신러닝 회귀 예측 프로젝트 완성하기

27강 ‘AICE 분류 예측 통합 실전 프로젝트’: 고객 이탈 데이터를 이용해 머신러닝·딥러닝 분류 프로젝트 완성하기

세 차례 모의고사와 오답 복습

각 모의고사의 코드·전처리·모델 평가에서 막힌 지점을 나누어 복습하세요. 정답만 확인하기보다 입력 데이터와 처리 순서, 평가 지표를 다시 실행하는 방식으로 연습합니다.

28강 ‘AICE Associate 실전 모의고사 1회’: 데이터 분석과 전처리 중심의 14문항·90분 실전 시험 완성하기

29강 ‘AICE Associate 실전 모의고사 2회’: 머신러닝과 딥러닝 모델링 중심의 14문항·90분 실전 시험 완성하기

30강 ‘AICE Associate 최종 실전 모의고사 3회’: 실제 시험과 같은 환경에서 종합 문제를 해결하고 최종 합격 실력 점검하기

AICE와 데이터·AI 학습 경로

AICE 전문 가이드에서는 과정 선택과 준비사항을 확인하고, 데이터 분석·AI 허브에서는 관련 공개 과정의 목적을 비교할 수 있습니다. 이 강좌의 범위를 다른 과정 전체와 동일하게 보지 마세요.