문제 유형 선택 가이드

• 비즈니스 목표 명확화
• 성공 기준 정의
• 제약 조건 파악
• 이해관계자 요구사항
• 기대 결과물 정의

• 데이터 유형 (정형/비정형)
• 데이터 크기와 차원
• 레이블 유무
• 시간 의존성
• 데이터 품질

• 지도/비지도/강화 학습 선택
• 회귀/분류/군집화 결정
• 특수 도메인 고려
• 생성 모델 필요성 검토

타겟 변수가 있는 경우

• 연속형 → 회귀 문제
• 범주형 → 분류 문제
• 순서형 → 서열 예측

타겟 변수가 없는 경우

• 그룹화 → 군집화
• 패턴 발견 → 연관 규칙
• 이상치 찾기 → 이상치 탐지
• 차원 축소 → PCA, t-SNE

정형 데이터

• 선형 관계 → 선형 모델
• 비선형 관계 → 트리 기반, SVM
• 복잡한 관계 → 앙상블, 신경망

비정형 데이터

• 이미지 → CNN, Vision Transformer
• 텍스트 → RNN, Transformer
• 음성 → CNN, RNN
• 그래프 → GNN

• 선형 회귀/로지스틱 회귀
• Decision Tree
• K-Nearest Neighbors
• SVM
• Random Forest

• XGBoost/LightGBM
• 딥러닝 (TabNet)
• 앙상블 방법
• Neural Networks

• ARIMA (단순 패턴)
• Prophet (계절성)
• LSTM/GRU (복잡한 패턴)
• Transformer (장기 의존성)

• 분류: ResNet, EfficientNet
• 탐지: YOLO, R-CNN
• 분할: U-Net, Mask R-CNN
• 생성: GAN, Diffusion

• 분류: BERT, RoBERTa
• 생성: GPT, T5
• 번역: Transformer
• 요약: BART, Pegasus

• ☐ 데이터 크기와 품질 확인
• ☐ 타겟 변수 유무 확인
• ☐ 데이터 타입 파악 (정형/비정형)
• ☐ 시간 의존성 확인
• ☐ 클래스 불균형 확인
• ☐ 결측치 비율 파악

• ☐ 비즈니스 목표 명확화
• ☐ 평가 지표 선정
• ☐ 실시간 예측 필요성
• ☐ 해석가능성 요구사항
• ☐ 정확도 vs 속도 trade-off

• ☐ 베이스라인 모델 설정
• ☐ 모델 복잡도 고려
• ☐ 학습 시간 제약
• ☐ 배포 환경 고려
• ☐ 유지보수 용이성

• 간단한 모델부터 시작
• 빠른 프로토타이핑
• 데이터 품질 우선 개선
• 비즈니스 가치 검증

• 교차 검증 활용
• 하이퍼파라미터 튜닝
• 앙상블 고려
• 과적합 방지

• 모델 크기와 속도
• 실시간 vs 배치 처리
• 모니터링 계획
• 재학습 전략

• 데이터 누수 (Data Leakage)
• 불균형 데이터 무시
• 전처리 부족
• 검증 세트 오염

• 과도한 복잡성
• 베이스라인 무시
• 평가 지표 오선택
• 일반화 능력 간과

• Scikit-learn
• XGBoost
• LightGBM
• CatBoost

• TensorFlow
• PyTorch
• JAX
• Keras

• Hugging Face (NLP)
• OpenCV (Computer Vision)
• Librosa (Audio)
• NetworkX (Graph)