🌿 SeSAC_MP

'챗GPT와 랭체인을 활용한 LLM 기반 AI 앱 개발 과정'에서 수행한 미니 프로젝트

✅ Mini Project 1: 운동 미참여 이유 분석

• 목표
  • 성별/연령별/학력별 운동 미참여 이유 분석
  • 데이터 시각화
• 사용 기술
  • Python, Pandas, Plotly

✅ Mini Project 2: CCTV 설치 현황 분석

• 목표
  • 서울시 구별 CCTV 설치 수 분석
  • CCTV 인구수 비율 계산
  • 산점도 및 라인 플롯 시각화
• 사용 기술
  • Python, Pandas, Matplotlib

✅ Mini Project 3: 서울시 치킨집 분포 분석

• 목표
  • 구별 치킨집 수 분석
  • 다양한 시각화 방법 적용
• 시각화 방법
  • 막대 그래프
  • 트리맵
• 사용 기술
  • Python, Pandas, Matplotlib, Squarify

✅ Mini Project 4: 음악 사이트 크롤링

• 크롤링 대상
  • 멜론, 지니, 벅스
• 크롤링 내용
  • 1-100위 곡 정보 (사이트명, 순위, 타이틀, 가수)
• 사용 기술
  • Selenium
  • ChromeWebDriver
  • Python, Pandas

✅ Mini Project 5: 유튜브 랭크 사이트 크롤링

• 크롤링 대상
  • 유튜브 채널 구독자 수 기준 순위와 정보가 담긴 '유튜브 랭크' 사이트
• 크롤링 내용
  • 1-1000위 유튜브 채널 정보 (순위, 채널명, 카테고리, 구독자 수, view 수, 영상 수)
• 사용 기술
  • Selenium
  • ChromeWebDriver
  • Python, Pandas, Matplotlib, Seaborn

✅ Mini Project 6: username 변환 & 구구단 출력 페이지 만들기

• 사용 기술
  • Flask, python, html
• task
  • 1 : username을 입력받아 조건에 따라 대문자, 소문자로 변환하기
  • 2 : 숫자를 입력받아 구구단 출력하기

✅ Mini Project 7: 파일 서버 페이지 만들기

• 사용 기술
  • Flask, python, html
• 서버 기능
  • 파일 업로드 / 다운로드 / 삭제

✅ Mini Project 8: 비플페이 앱 DB 설계

• 사용 기술
  • Python, Graphviz
• task
  • 비플페이 앱 내부 속성들로 ERD(Entity-Relationship Diagram) 그래프 생성하기

✅ Mini Project 9: MongoDB GridFS 이미지 관리 프로그램

• 목표
  • MongoDB의 GridFS를 활용
  • 이미지 파일을 저장, 수정, 삭제 및 출력할 수 있는 Python 프로그램 작성
• 사용 기술
  • Python, MongoDB, pymongo(MongoDB연결), gridfs(파일 저장 및 관리), Pillow(이미지 출력)

✅ Mini Project 10: Heart Failure Prediction with Machine Learning

• 목표
  • 의료 데이터를 활용하여 심부전(Heart Failure) 예측 모델 개발
  • 탐색적 데이터 분석(EDA) 및 데이터 시각화 수행
  • 머신러닝 분류 모델을 학습하고 성능 비교 (Logistic Regression, Random Forest, XGBoost 등)
  • SMOTE 및 임계값 조정을 통한 모델 최적화
• 사용 기술
  • Python, Pandas, Matplotlib, Seaborn (데이터 분석 & 시각화)
  • Scikit-learn (머신러닝 모델 학습 및 평가)
  • XGBoost (고성능 분류 모델 활용)
  • Imbalanced-learn (SMOTE를 통한 클래스 불균형 처리)
  • RandomizedSearchCV (하이퍼파라미터 튜닝)

✅ Mini Project 11: xAPI-Edu-Data 분석 및 성적 예측

• 목표

  • 교육 데이터를 활용하여 학생 성적(Class) 예측 모델 개발
  • 탐색적 데이터 분석(EDA) 및 데이터 시각화를 통해 학습 행동 패턴 분석
  • 머신러닝 분류 모델을 학습하고 성능 비교 (Logistic Regression, Random Forest, XGBoost, ANN 등)
  • 하이퍼파라미터 튜닝을 통한 모델 최적화 및 성능 향상
  • 주요 Feature Importance 분석을 통해 성적 예측의 핵심 요인 파악

• 사용 기술

  • Python, Pandas, Matplotlib, Seaborn (데이터 분석 & 시각화)
  • Scikit-learn (머신러닝 모델 학습 및 평가)
  • XGBoost (고성능 트리 기반 분류 모델)
  • TensorFlow/Keras (딥러닝 기반 ANN 모델 구축)
  • GridSearchCV & RandomizedSearchCV (하이퍼파라미터 튜닝)

• 주요 인사이트

  • 학생의 학습 참여(raisedhands, VisITedResources)와 성적(Class)의 상관관계가 높음
  • 결석 횟수(StudentAbsenceDays)가 많을수록 성적이 낮아질 가능성이 큼
  • 랜덤 포레스트가 가장 높은 성능을 기록했으며, 학습 행동 패턴을 반영하는 모델로 적합