2025/03 8

10주차 TIL - 딥러닝을 사용한 UX 데이터 예측사례

딥러닝 모델을 활용한 사용자 경험(UX) 데이터 예측 사례는 여러 산업에서 찾아볼 수 있어요대표적인 사례 몇 가지를 소개하겠습니다😁1. 넷플릭스 추천 시스템 (Deep Learning 기반 협업 필터링)넷플릭스는 사용자의 시청 이력과 유사한 사용자의 행동 패턴을 학습하여 신경망 기반 협업 필터링(Neural Collaborative Filtering, NCF) 모델을 사용합니다최근에는 Transformer 기반 모델을 활용하여 시청 패턴을 더욱 정교하게 예측2. 유튜브 클릭 예측 (Deep Neural Networks for Click Prediction)유튜브는 사용자의 검색 및 시청 이력을 분석하여 동영상 추천을 최적화합니다DNN (Deep Neural Network) + Wide & Deep 모델..

카테고리 없음 2025.03.13

10주차 TIL - 사용자 행동 예측 모델이란?

사용자 행동 예측웹사이트나 앱에서 사용자가 어떤 행동을 할지 예측 (예: 이탈률, 클릭 가능성, 페이지 체류 시간)추천 시스템을 활용하여 개인화된 콘텐츠 제공 (예: 넷플릭스, 유튜브 추천 알고리즘)고객 만족도 및 감정 분석사용자 리뷰, 피드백, 설문조사 데이터를 분석하여 만족도를 예측자연어 처리(NLP)를 활용한 감정 분석 (예: 긍정/부정 감정 분류)UI/UX 개선을 위한 패턴 분석히트맵 데이터를 분석하여 사용자 클릭 패턴과 시선 흐름 예측A/B 테스트 데이터를 활용하여 최적의 UX 디자인 도출이탈 예측 및 사용자 유지 전략사용자의 이탈 가능성을 예측하고, 맞춤형 마케팅 전략 적용 (예: 이메일 리마케팅, 푸시 알림 최적화)음성 및 제스처 기반 UX 개선음성 명령 인식 및 예측 (예: 스마트 스피커,..

카테고리 없음 2025.03.12

9주차 TIL - 원두에도 결함은 있기마련

1. 결함두(Quaker) 비율 분석 (파이 차트 또는 막대 차트)목적:전체 커피 샘플에서 결함두(Quaker)가 포함된 비율을 시각적으로 나타내기필요한 데이터:Quakers → 결함두 개수Total Cup Points → 커피 품질 점수Country of Origin (Korean) → 국가별 비교 가능구현 방법:파이 차트(Pie Chart) 생성Quakers 데이터를 사용하여 결함두 비율 분석Quakers > 0인 경우와 Quakers = 0 인 경우로 나누어 시각화전체 대비 결함이 있는 샘플의 비율을 쉽게 확인 가능막대 차트(Bar Chart) 생성Country of Origin (Korean)을 X축(차원)AVG(Quakers) 또는 SUM(Quakers)을 Y축(측정값)색상(Color) 을 Pr..

카테고리 없음 2025.03.10

9주차 TIL - 전처리 한 것으로 만들 수 있는 대시보드

Tableau 대시보드 구현 방법2. 파이차트 (Pie Chart)사용할 데이터: Processing Method, Region (Korean)목적: 커피의 가공 방식 비율과 지역별 생산량을 비교구현 방법:Processing Method 기준Processing Method (가공 방식)를 차원(Dimension) 으로 설정Number of Bags (생산량)를 측정값(Measure) 으로 설정Processing Method별 생산량 비율을 파이차트(Pie Chart) 로 시각화Region (Korean) 기준Region (Korean)을 차원으로 설정Number of Bags를 측정값으로 설정지역별 생산량 비율을 파이차트로 시각화색상Processing Method 또는 Region (Korean)을 색상..

카테고리 없음 2025.03.07

9주차 TIL - 드릴다운을 써보자~☢

Tableau에서 드릴다운(Drill-Down) 기능은 차트를 클릭하면 더 세부적인 데이터를 볼 수 있도록 계층 구조를 설정하는 기능입니다. 예를 들어, 국가별 커피 품질 점수 비율을 클릭하면 해당 국가의 지역별 품질 점수를 확인할 수 있습니다.1. 기본 개념드릴다운 기능을 사용하려면 계층 구조(Hierarchy) 를 설정해야 합니다.예를 들어:Country of Origin (국가) → Region (지역)Processing Method (가공 방식) → Total Cup Points (평균 품질 점수)Harvest Year (수확 연도) → Grading Date (평가 날짜)계층 구조를 설정하면 차트에서 특정 항목을 클릭하면 더 세부적인 데이터를 볼 수 있습니다.2. Tableau에서 드릴다운 기능..

카테고리 없음 2025.03.06

9주차 TIL - 대시보드 뿌수기 전 한번 더 EDA

# 유사한 색상 정리를 위한 정규화 함수 (공백, 하이픈 정리 및 철자 오류 수정) def normalize_color_name_advanced(color_name):     # 소문자로 변환     color_name = color_name.lower()     # 공백, 하이픈(-), 밑줄(_)을 통일     color_name = re.sub(r'[\s_-]+', '-', color_name)     # 철자 오류 수정     color_name = re.sub(r'\byello\b', 'yellow', color_name)  # yello -> yellow     color_name = re.sub(r'\bpale -', 'pale-', color_name)  # pale -yellow -> pa..

카테고리 없음 2025.03.05

9주차 TIL - 결측치와 이상치와의 싸움

데이터 분석 및 정리 방안1. 칼럼 정리Unnamed: 0: 인덱스로 보이며 삭제 가능.Grading Date: 날짜 데이터이므로 datetime 형식으로 변환.Harvest Year: 일부 결측치 존재, 예측 또는 삭제 여부 결정 필요.altitude_mean_meters: 결측치 존재, 평균 또는 중위수로 대체 가능.Processing Method, Region, Color: 범주형 데이터, 결측치 처리 필요.2. 이상치 처리Moisture Percentage: 0.0의 값이 존재하는데, 일반적인 수분 함량은 10~12%이므로 이상치 가능성 있음.Total Cup Points, Aroma, Flavor 등 점수 관련 칼럼: 값의 분포를 확인 후 극단값 처리 필요.3. 결측치 처리수치형 데이터 (alt..

카테고리 없음 2025.03.04