[내일배움캠프] 본캠프 3/12

오늘 한 일

 

• 데이터 분석 종합반 3주차 강의 (3-1 ~ 3-8)

※3/11 보충

3-8 [과제] 최적의 즉문즉답 시간대를 찾아라!

- 날짜별 수강생 조회

import pandas as pd
import matplotlib.pyplot as plt

done_detail = pd.read_table('/content/done_detail.csv',sep=',')

format='%Y-%m-%dT%H:%M:%S.%f'
done_detail['done_date_time'] = pd.to_datetime(done_detail['done_date'], format='mixed')
done_detail['done_date_time_weekday'] = done_detail['done_date_time'].dt.day_name()

weeks = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
weekdata = done_detail.groupby('done_date_time_weekday')['user_id'].count()
weekdata = weekdata.reindex(weeks)
weekdata

 

 - 그래프 만들기

import pandas as pd
import matplotlib.pyplot as plt

done_detail = pd.read_table('/content/done_detail.csv',sep=',')

format='%Y-%m-%dT%H:%M:%S.%f'
done_detail['done_date_time'] = pd.to_datetime(done_detail['done_date'], format='mixed')

#요일
done_detail['done_date_time_weekday'] = done_detail['done_date_time'].dt.day_name()

weeks = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
weekdata = done_detail.groupby('done_date_time_weekday')['user_id'].count()
weekdata = weekdata.reindex(weeks)
weekdata


#그래프 사이즈
plt.figure(figsize=(10,5))
plt.rc('font', family='NanumBarunGothic')

#그래프 x축 y축
plt.bar(weekdata.index, weekdata)

#그래프 명
plt.title('요일별 수강 완료 수강생 수')

#그래프 x축 레이블
plt.xlabel('요일')

#그래프 y축 레이블
plt.ylabel('수강생(명)')

#x축 레이블을 90도로 변환
plt.xticks(rotation=90)

#그래프 출력

 

 

처음에 요일 별 수강생 수를 구하는 것 까지는 잘 실행되다가 그래프 그리기에서 많이 막혔음

---

• 데이터 분석 종합반 4주차 강의 (4-1 ~ 4-10)

4-10 [과제] 결제가 잘 되는 할인율을 찾아보기

import matplotlib.pyplot as plt
import numpy as np
plt.rc('font', family='NanumBarunGothic') #한글 깨짐을 방지시켜줘요!
sparta_data = pd.read_table('/content/user_db1.csv',sep=',')
#각 할인별 신청한 수강생 수 구하기
students_discounted = sparta_data.groupby('discounted')['user_id'].count()
students_discounted
#그래프 사이즈 
plt.figure(figsize=(10,5))
x_list =["1만원 쿠폰 그룹", "2만원 쿠폰 그룹", "3만원 쿠폰 그룹"]
#x,y값 설정
plt.bar(x_list, students_discounted.values)
#그래프 타이틀
plt.title('할인 율 별 수강 신청 자 수')
#x축 레이블
plt.xlabel('할인 적용 범위')
#y축 레이블
plt.ylabel('수업 신청한 수강생')
#그래프 보여주기
plt.show()

---

• 커리어 스터디

1~4일차 통합 정리본

커리어 스터디_문채연(1).pdf

0.36MB

 

---

• 아티클 스터디

3/12 아티클스터디

https://saige.ai/blog/quality-engineer-2026-skills/

아티클 요약 및 주요 내용

요약 :

기존의 품질 관리 : SPC 기반 통계분석, 8D 리포트 작성 및 고객사 커뮤니케이션, 수율 모니터링 및 공정 개선 제안, 비정형 외관검사 등의 업무를 통해 불량을 컨트롤 하는 것이 주 역할 -> 과거에는 해당 공정을 컨트롤하는 엔지니어의 역량에 좌우되는 경향이 있었다.

현재 : 기술의 발전으로 실시간 데이터 수집, 조회가 가능해져 수집된 데이터를 통해 공정 전반에 영향을 미치는 다양한 변수 확인, 이상징후 포착 후 사전 대비가 가능해졌다.

 

품질 엔지니어의 역할이 검수자 -> 문제 해결자로 변화함

 

시스템 전체를 설계, 최적화 하기 위한 역량은?

데이터 기반 문제 해결 역량 (다변량 분석, 시계열 분석, 근본 원인 분석(RCA))

예방 중심의 품질관리 역량 (통계적 공정관리(SPC) 고도화, FMEA, DoE(실험계획법))

AI 도구 활용 역량 (AI 결과 해석, 모델 성능 관리, AI 라벨링 사용)

 

AI는 딥러닝을 통해 학습 후 불량을 검출하기 때문에, 더욱 정확한 불량 검수를 위해서 더욱 고도로 학습된 AI의 수요가 높아질 것으로 보인다.

 

주요 포인트 :

기존의 품질 관리 체계에서 AI의 발전으로 변화한 품질 엔지니어의 역할과, 이러한 변화 속에서 찾을 수 있는 발전 방향성에 대해 알 수 있었다.

 

핵심 개념 및 용어 정리

핵심 개념 :

- SPC : Statistical Process Control, 통계적 공정관리. 제조 과정에서의 품질 향상을 위해 활용되는 모니터링 기법. 제품이 완성되고 나서 사후검사를 하는 것이 아닌 생산 공정 자체를 지속적으로 감시하는 데 집중하는 방법이다.

 

용어 정리 :

RCA : Root Cause Analysis, 근본 원인 분석. 품질 문제나 사건의 표면적 증상이 아닌, 재발을 막기 위해 숨겨진 근본적인 발생 원인을 체계적으로 찾아내는 조사 과정.

FMEA : Failure Mode and Effects Analysis, 고장형태 영향 분석. 제품개발 및 생산 공정에서 발생할 수 있는 잠재적 고장의 형태, 원인, 그리고 그 영향을 미리 분석하여 위험을 사전에 방지하는 구조화된 예방 품질 관리 기법.

DoE : Design of Experiments, 실험계획법. 최소한의 비용과 노력으로 제품 및 공정의 최적 조건을 찾기 위해 인자를 체계적으로 변경하여 분석하는 통계적 기법.