[광주 인공지능 사관학교 1기] 10장 워밍업 프로젝트(1)-팀빌딩, 데이터 시각화

※ 이 글은 광주 인공지능 사관학교 과정이 종료된 후 작성된 것입니다.

※ 비기숙사(광주 거주)임을 알려드립니다.

※ 일기 형식으로 적을 예정이기에 말투에 불편함 없길 바랍니다.

 

*날짜: 2020.09.10 오후09:30

0. 워밍업 프로젝트 팀 빌딩

2020.09.01 ~ 2020.09.02

 

워밍업 프로젝트는 본 프로젝트를 시작하기 전 몸을 푸는 개념으로 하는 비교적 짧은 기간의 프로젝트를 경험하는 단계이다.

워밍업 프로젝트는 총 3가지로 구성되어 있다.

 1) 데이터 시각화 (1주)

 2) 인공지능 서비스 (2주)

 3) 온라인 해커톤 (무박2일)

 

이렇게 거의 4주 동안 함께 지낼 팀원을 구성해야 하는데, 인공지능 서비스 개발 부분에서 하고 싶은 분야가 있는 사람들은 팀장을 할 수 있다. 물론 평가 점수에 +알파가 되는 것도 있다. (광.인.사는 내부 평가를 통해 우수 학생을 선발해 시상하고 있다.)

 

나는 팀장을 하고 싶은 마음 + 하고 싶은 서비스(의류 추천 시스템)가 있어서 지원을 했다.

 1) 팀장 지원 방법: 팀장을 희망하는 인원은 구글 폼에 09.01 16시까지 작성하면 되고 자기소개 부분에 하고자 하는 서비스 부분과 소개를 적으면 된다.

 2) 팀원 지원 방법: 팀장으로 지원한 인원이 작성한 자기소개 글을 보고 DM으로 소통해 팀에 합류를 결정하는 것

 

>> 자기소개 부분에 글을 올리자마자 거의 5명이 연락이 와서 당황했다. 간단한 인터뷰를 통해 4명의 팀원을 확정지었다. 그리고 우리 팀은 의류 추천 시스템을 하기로 주제를 정했다. 팀명도 그에 걸맞는 '옷마이갓'으로 결정!

 

 

1. 워밍업 프로젝트(1) - 데이터 시각화

 

2020.09.01 ~ 2020.09.09

 

 1) 주제: 인공지능을 활용한 코로나 확산 방지와 예방을 위한 인사이트/시각화 발굴

 2) 데이터: 데이콘 사이트 활용

dacon.io/competitions/official/235590/overview/

코로나 데이터 시각화 AI 경진대회

 3) 목표: 데이터 시각화 프로젝트를 통해 데이터를 바라보는 능력 기르기

 4) 결과 자료 제출: PDF, 발표 영상 2분

 

 

2. 결과

1) 지역별 확진자 변화 양상

 > 전국적으로 볼 때 20년 2월 말 신규 확진자 급증 확인

 > 수도권과 영남 지방에서 크게 증가(수도권: 구로구 콜센터, 이태원 클럽지, 영남지방: 신천지)

 > 기타 지방(호남, 호서, 관동)의 경우 변화폭이 매우 적었다

 

 

2) 키워드 검색량과 신규 검사량 비교

 > 코로나-19 바이러스가 한국에 처음으로 알려진 1월 20일 경 검색량이 급증

 > 2월 말 대구 신천지 집단 감염 발생으로 인해 검색량 급증

 > 그에 따라 검사수도 증가

 >> 코로나-19 바이러스에 대한 관심과 검사량 증가(1월 말, 2월 말)

 

 

3) 키워드 검색량과 유동 인구의 변화 분석

 > 서울의 유동 인구 분석 결과 첫 확진, 신전지, 이태원 클럽 등 집단 감염 이슈가 발생했을 때 유동 인구 감소 확인

 

 

4) 연령대별 확진자, 사망자, 사망률 변화 양상

 > 0~20대의 경우 사망자(빨간 막대 그래프)가 없으며 70~80대 사망자가 많다.

 > 반대로 확진자 수는 20대가 가장 많고, 80대가 가장 적었다.

 >> 20대는 높은 확진자, 낮은 사망자이고 80대는 낮은 확진자, 높은 사망자를 보여 고령 인원에 대해 대책이 필요

 

 

5) 연령대별 확진자, 잉여 경로 비율 분석

 > 잉여 경로 비율 = 비필수 경로 / 전체 경로 (비필수 경로 = 미용실, PC방, 클럽, 카페 등)

 > 20대: 최다 확진자, 최다 잉여 경로

 > 80대: 최소 확진자, 최소 잉여 경로

 >> 20대는 쓸데없는 곳을 많이 돌아다니면서 코로나-19 바이러스에 걸렸다. 80대는 생계에 필요한 곳만 이동했음에도 확진자가 발생해 높은 사망률을 확인

 

 

6) 결론

 > 위와 같음.

 

 

3. 느낀 점

 1) 데이터를 보고 인사이트를 발굴하는 것이 매우 중요

 2) 데이터를 다루는 스킬은 그 뒤의 문제

 3) 추가 데이터의 필요성(하지만 인사이트를 얻을 수 없다면 어떤 데이터가 필요한 지 모름)

 4) 데이터 분석 시간에 배운 내용을 실제로 사용하면서 실습의 개념에서는 큰 의미가 있었다.

 5) 스킬업을 위한 시간이 많이 필요해 인사이트를 발굴하는 데 많은 시간을 할애하지 못함

 6) 1주일동안 팀원들과 소통하며 모르는 부분을 채워나가는 소중한 시간이었다.