| 분석명 | 목적 | 결과 |
|---|---|---|
| 쇼핑몰 평점 리뷰 데이터 | 리뷰데이터를 기반으로 평점 예측 | 미정 |
| 소스 데이터 | 데이터 입수 난이도 | 분석방법 | 데이터 출처 |
|---|---|---|---|
| CSV, txt | 하 | supervised Learniing,NLP | 데이콘 |
| 분석 적용 난이도 | 분석적용 난이도 사유 | 분석주기 | 분석결과 검증 Owner |
| 중 | 긍/부정 분류는 많이 했지만 다중 분류의 경험은 적음 | Daily | Dacon |
진행: 애자일 방법론
| 프로젝트 순서 | Point | 세부 내용 |
|---|---|---|
| 문제 정의 | 해결할 점, 찾아내야할 점 | 텍스트 데이터를 통해서 평점을 예측할 수 있는가 |
| 데이터 수집 | 공개 데이터, 자체 수집, 제공된 데이터 | 데이콘data, |
| 데이터 전처리 | 문제에 따라서 처리해야할 방향 설정 | 결측치는 없지만, 텍스트의 전처리는 필요 |
| Feature Engineering | 모델 선정 혹은 평가 지표에 큰 영향 | 텍스트 데이터 전처리, 패딩, 토크나이저 활용 |
| 연관 데이터 추가 | 추가 수집 | 텍스트 리뷰를 하는 다각도의 방법을 활용할 때 사용한 데이터와 대회의 데이터 연관성 파악 |
| 알고리즘 선택 | 기본적, 현대적 | TF-IDF, BERT, Transformer |
| 모델 학습 | 모델을 통해서 얻고 싶은 것 | 비정형 데이터인 리뷰 데이터를 활용하여 평점 예측 |
| 모델 평가 | 확률 | |
| 모델 성능 향상 | 성능 지표, 하이퍼파라미터, 데이터 리터러시 재수정 | 하이퍼파라미터 조정 및 추가 Ensembling, Top5% |
공식기간: 2022.07.11 ~ 2022.08.05
- 인원: 이세현
- 직책:
- 데이터: Dacon 데이터(train, val, test, submission)
- 주 역할:
- 보조 역할:
- 추가 역할:
- 협업장소: Github, GoogleMeet
- 소통: Slack, Notion,Git project, Google OS
- 저장소: Github, Google Drive
- 개발환경: Visual studio code, Juypter Notebook, colab
- 언어 :python 3.8.x
- 라이브러리:Numpy,Pandas, Scikit-learn 1.1.x, lazypredict, Pycaret,Keras, Tensorflow, Pytorch
- 시각화 라이브러리: Seaborn, Matplotlib, Plot,Plotly, Tensorboard
- 시각화 도구: Tableau, GA
- 웹 크롤링: Slunimue
- docs: 문서화 작업
- conf: 환경설정 관련
- build: 데이터 집산
- Definition: 프로젝트의 전반적인 문제 정의 및 내용 설정
- Data: 전처리 파일 및 모델링을 위한 파일
- models: 여러 모델들의 집합
- src :scripts
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent