| 소스 데이터 |
데이터 입수 난이도 |
분석방법 |
| train |
하 |
mfcc, mel, CNN |
| 분석 적용 난이도 |
분석적용 난이도 사유 |
분석주기 |
분석결과 검증 Owner |
| 상 |
음성데이터를 처음 접하였다 |
Daily |
Dacon |
| 프로젝트 순서 |
Point |
세부 내용 |
| 문제 정의 |
해결할 점, 찾아내야할 점 |
9가지 종류의 소리를 분류하기 |
| 데이터 수집 |
공개 데이터, 자체 수집, 제공된 데이터 |
train, test, submission |
| 데이터 전처리 |
문제에 따라서 처리해야할 방향 설정 |
주파수와 라벨링된 정답과의 관계파악하기 |
| Feature Engineering |
모델 선정 혹은 평가 지표에 큰 영향 |
주파수를 이미지로 만들기 |
| 연관 데이터 추가 |
추가 수집 |
훈련, test |
| 알고리즘 선택 |
기본적, 현대적 |
RF, LDA, CNN |
| 모델 학습 |
하이퍼파라미터,데이터 나누기 |
Grident Search CV, 7:3, 8:2, 9:1 방식으로 나눠보는 실험 |
| 모델 평가 |
확률 |
Accuracy:0.6(70위) |
| 모델 성능 향상 |
성능 지표, 하이퍼파라미터, 데이터 리터러시 재수정 |
Accuracy:1.0 (ToP6) |
공식기간: 2022.06.13 ~ 2022.06.24
- 인원:이세현
- 직책: 대회 참가자
- 데이터: 음성데이터(wav)
- 주 역할: Data literacy, Data Preprocessing, Model Selection, Hyperparameter-tuning
- 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, Pytorch, Tensorflow, Keras
- 시각화 라이브러리: Seaborn, Matplotlib, Plot,Plotly
- 시각화 도구: Tableau, GA
- feat: 기능 개발 관련
- fix: 오류 개선 혹은 버그 패치
- docs: 문서화 작업
- test: test 관련
- 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