728x90 반응형 자격증 공부/빅데이터분석기사41 빅데이터분석기사 6회 실기 합격 후기 - 사전점수 발표 안녕하세요, 해모해모입니다. 오늘은 희망고문으로 저를 2주 동안 괴롭혔던 빅데이터분석기사 6회 실기 결과를 가져왔습니다. 새로이 바뀐 작업형 3유형으로 수험생들을 처음으로 당황시켰고, 예시문제와 다른 3유형의 실제 출제 문제로 두번째 당황시켰던 아주 말도많고 탈도많던 시험이었던 것 같습니다. 시험시간 3시간을 꽉꽉 채우고도 빈 답변과 노가다 문제풀이로 인해 불합격을 당연하게 예상했었는데, 수험생들의 적극적인 이의제기로 "패키지 누락으로 인한 전원정답처리" 라는 답변과 함께 10점을 거저먹을 수 있었습니다. 그로 인해, 저에겐 당연한 불합격이 아닌 혹시?라는 마음을 품고 희망고문 당하는 2주가 되었지만요... 그래서 결과는? 두근두근,,, 합격했습니다..! 심지어 전원정답처리 10점을 제외하고도 합격권에 .. 2023. 7. 9. 빅데이터 분석기사 6회 실기 작업형 1-3 추가답변 데이터자격검정센터에서 작업형 1-3에 대한 추가 답변이 올라왔다. 작업형 3유형 소문항 2, 3번은 전원정답 처리에는 변함이 없고, 작업형 1유형 3번 문제는 명확하다는 답변이 돌아왔다. 2023.06.26 - [IT/빅데이터분석기사] - 빅데이터 분석기사 6회 실기 전원정답 문제정보 빅데이터 분석기사 6회 실기 전원정답 문제정보 데이터자격검정센터에서의 빅데이터분석기사 6회 실기 관련 공지사항 이번에 문제 해석에 혼란을 주었던 작업형 1유형과, 공지했던 패키지에 누락이 있어 어려움을 겪었던 작업형 3유형의 2번( haemo-dev.tistory.com 6월 26일에 업로드 했던 전원정답 문제정보 게시글에서는 "전문가 검토중"이라는 답변이 왔었고, 내 해석 중 제일 첫번째의 해석이 맞았다. 사실 저 답변을.. 2023. 7. 3. 빅데이터 분석기사 6회 실기 전원정답 문제정보 데이터자격검정센터에서의 빅데이터분석기사 6회 실기 관련 공지사항 이번에 문제 해석에 혼란을 주었던 작업형 1유형과, 공지했던 패키지에 누락이 있어 어려움을 겪었던 작업형 3유형의 2번(그 중 소문항 2, 3번)에 대한 공식적인 답변이 왔다. 작업형 3유형의 경우 일단 깔끔하게 처리된 3유형의 경우, 다중 선형 회귀(?) 나는 초면이라 아예 정답을 적어서 내지도 못했는데 패키지 누락으로 소문항 2, 3번이 전원 정답처리 된다고 한다. 사실 패키지 누락은 R이 아닌 Python에서 일어난 일인데 전원정답이라는 거는 언어에 관계 없이라는 말일 것 같다. 이로써 10점은 거저먹고 들어가게 되었다. 나는 문제조차 이해하지 못해서 이의제기는 커녕 그냥 내가 모르는구나 했는데 역시 공부하신 분들은 어떻게 딱 알아채고.. 2023. 6. 26. 빅데이터 분석기사 6회 실기시험 후기 예상하지 못했고 많이 당황했던 시험 고사장 들어가서 태블릿으로 대충 요약정리 해 놓은 거 보다가 9시 30분부터 전자기기 다 전원 끄고 시험환경 마우스 키보드 확인 및 시험환경 로그인, 그리고 테스트 환경에서 테스트를 한 다음 10시부터 시험 시작. 시험시간 : 10시~13시(10시 30분부터 화장실 고사실 당 1명씩 이용 가능, 11시 30분부터 퇴실 가능) 작업형 1유형 작업형 1유형은 일단 문제 해석에 굉장히 어려움이 있었다. 문제를 읽으면서 항상 소설을 달고 사는 난데 왜 해석이 안되지 해서 띠용 했던,,, 작업형 1유형 1번문제부터 3번문제까지 문제가 하나같이 한눈에 들어오지 않아서 당황했다. 그래서 문제를 몇 마디씩 토막내서 주석으로 이해해보려 했으나 해석되는거 반 안되는거 반,,,, 2유형은.. 2023. 6. 25. 빅데이터 분석기사 실기 작업형 3유형 요약정리 p-value = 유의수준 0.05 : 귀무가설을 채택한다. from scipy import stats #1 표본평균 : after - before의 평균 귀무가설 : 표본평균 >= 0 대립가설 : 표본평균 < 0 검정통계량, p-value = stats.ttrest_rel(after 데이터, before 데이터, alternative='less') // 대립가설 기준 // alternative : 대립가설 기준으로 크면 greater, 작으면 less, 같으면 X(또는 two-sided) #2 A그룹, B그룹이 나뉘어져 있음 귀무가설 : A그룹과 B그룹이 차이가 없다. 대립가설 : A그룹과 B그룹이 차이가 있다. 검정통계량,.. 2023. 6. 24. 빅데이터 분석기사 실기 2회 기출 # 작업형 1유형 # 1. 범죄율 컬럼인 Crim 항목의 상위에서 10번째 값으로 상위 10개의 값을 변환한 후, age가 80이상인 데이터를 추출하여 crim의 평균값 추출 # print(df.head()) df = df.sort_values('CRIM', ascending = False) # print(df['CRIM'].head(20)) # print(df['CRIM'].iloc[9]) # print(df['CRIM'].iloc[:10]) df['CRIM'].iloc[:10] = df['CRIM'].iloc[9] # print(df['CRIM'].head(20)) cond = df['AGE'] >= 80 df = df[cond] # print(df.head()) print(df['CRIM'].mea.. 2023. 6. 23. 빅데이터 분석기사 실기 3회 기출 # 작업형 1유형 # 1. 데이터 중 결측치가 있는 경우 해당 데이터의 행을 모두 제거하고, 첫번째 행부터 순서대로 70%까지의 데이터를 훈련 데이터로 추출한 데이터 세트를 구성한다. # 변수 중 'housing_median_age'의 Q1(제1사분위수) 값을 정수로 계산하시오. # print(df.shape) # print(df.isnull().sum()) # 결측치 제거 df = df.dropna() # print(df.isnull().sum()) # print(df.shape) # print(len(df)) # 첫번째 행부터 순서대로 70%까지의 데이터 추출 # print(len(df)) # print(len(df)*0.7) train = df.iloc[:int(len(df)*0.7)] # prin.. 2023. 6. 23. 빅데이터 분석기사 실기 4회 기출 # 작업형 1유형 list = [2, 3, 3.2, 5, 7.5, 10, 11.8, 12, 23, 25, 31.5, 34] import pandas as pd df = pd.DataFrame({ 'value' : list }) # print(df) # 1-1. 제1사분위수와 제3사분위수 구하기 q1 = df['value'].quantile(.25) q3 = df['value'].quantile(.75) # print(q1, q3) # 정답 : 제1사분위수 = 4.55, 제3사분위수 = 23.5 # 1-2. 제1사분위수와 제3사분위수 차이의 절대값 구하기 # print(abs(q1-q3)) # 정답 : 18.95 # 1-3. 그 값의 소수점을 버린 후 정수로 출력 result = abs(q1-q3) pri.. 2023. 6. 23. 빅데이터 분석기사 실기 5회 기출 # 작업형 1유형 # 가격 컬럼 중 종량제 봉투가 존재하면 값이 0 # 1. 용도 : 음식물쓰레기, 사용대상 : 가정용, 2L 가격의 평균을 소수점 버린 후 정수로 출력 cond1 = df['용도'] == '음식물쓰레기' cond2 = df['사용대상'] == '가정용' cond3 = df['2L가격'] != 0 df = df[cond1&cond2&cond3] # print(df.head()) # print(df['2L가격'].mean()) print(round(df['2L가격'].mean())) # 정답 : 119 # 작업형 1유형 # BMI지수 = 몸무게(kg) / 키(m)의 제곱 # 2. 비만도가 정상에 속하는 인원수와 과체중에 속하는 인원수의 차이를 정수로 출력 df['BMI'] = (df['We.. 2023. 6. 23. 빅데이터 분석기사 실기 통계함수 # 컬럼별 결측치 확인 .isnull().sum() # 절대값 .abs() # 최대 .max() # 최소 .min() # 평균 .mean() # 중앙 .median() # 최빈 .mode()[0] # 합 .sum() #개수 .count() # 1분위수 3분위수 .quantile(.25) .quantile(.75) # 분산 .var() # 표준편자 .std() # 왜도 .skew() # 첨도 .kurt() # 누적합 .cumsum()[:1] # 누적곱 .sumprod()[:1] # 누적 최대 .cummax()[:1] # 누적 최소 .cummin()[:1] # 평균 표준 오차 .sum() # 평균 절대 편차 .mad() # 열 곱 .prod() 2023. 6. 23. 이전 1 2 3 4 5 다음 728x90 반응형
