데이터 분석 · AI 기초집 전체 커리큘럼

22-LESSON CURRICULUM전체 강의 공개

데이터 분석 · AI 전체 커리큘럼

질문과 데이터 사전에서 시작해 품질·탐색·시각화·예측·평가·편향 점검을 하나의 보고서로 완성합니다.

#강의 수22강

◆난이도초급

◎최종 결과물재현 가능한 게임 데이터 분석·예측 보고서

강	주제	핵심 결과
01	데이터 분석과 AI의 역할: 게임 개발자는 왜 데이터를 읽어야 할까?	분석은 질문을 근거로 바꾸고, AI는 과거 패턴을 이용해 제한된 예측을 돕습니다
02	데이터 분석 전체 흐름: 질문 설정부터 결과 공유까지	질문과 완료 기준이 도구 선택보다 먼저입니다
03	Python 분석 환경 준비: 가상환경, Jupyter Notebook, 라이브러리	프로젝트별 venv와 명시적인 Python 경로가 분석 환경 충돌을 막습니다
04	CSV·JSON·표 데이터 구조 이해하기	분석은 파일 확장자가 아니라 관찰 단위와 스키마에서 시작합니다
05	NumPy 기초: 배열과 벡터 연산	NumPy는 같은 형태의 수치 데이터에 벡터 계산을 적용합니다
06	pandas DataFrame 기초: 데이터 불러오기와 구조 확인	DataFrame 분석의 첫 단계는 head가 아니라 크기·타입·결측·요약의 동시 점검입니다
07	데이터 품질 점검: 결측치, 중복, 이상치 찾기	품질 문제는 삭제 대상이 아니라 확인 대상입니다
08	데이터 정제: 타입 변환, 결측치 처리, 중복 제거	정제는 명시적 타입, 근거 있는 규칙, 전후 검증으로 수행합니다
09	조건 필터링과 정렬: 필요한 게임 기록만 추출하기	필터는 분석 모집단을 정의하는 코드입니다
10	그룹화와 집계: 모드·캐릭터·날짜별 성과 비교	그룹화는 전체 요약을 맥락별 비교로 바꿉니다
11	데이터 결합: 여러 기록 파일을 하나의 분석 표로 만들기	결합은 키 관계와 행 수를 검증하는 분석 단계입니다
12	기술 통계: 평균, 중앙값, 최솟값, 최댓값, 분산	중심은 평균과 중앙값으로, 퍼짐은 범위와 표준편차로 함께 봅니다
13	분포와 이상치 해석: 히스토그램과 박스플롯	분포는 중심 통계가 숨기는 치우침과 꼬리를 보여 줍니다
14	데이터 시각화: 막대·선·산점도 그래프를 올바르게 읽기	그래프는 질문에 맞는 형태, 정직한 축, 표본 수와 해석 한계가 함께 있어야 합니다
15	상관관계와 인과관계: 함께 변하는 값의 함정	상관은 함께 변하는 선형 패턴을 요약할 뿐 원인을 증명하지 않습니다
16	분석 결과를 게임 의사결정으로 연결하는 법	분석은 자동 결론이 아니라 더 안전한 실험의 근거입니다
17	머신러닝의 기본 구조: 특성, 레이블, 학습, 예측	머신러닝은 X에서 y를 예측하는 제한된 문제입니다
18	지도학습 기초: 게임 승패 또는 점수 예측 문제 만들기	지도학습은 예측 시점·특성·레이블을 먼저 정의합니다
19	학습·검증·테스트 데이터 분리와 데이터 누수	평가는 분할에서 시작합니다
20	모델 평가 기초: 정확도, 정밀도, 재현율, MAE 해석	평가 지표는 오류 비용을 수치화합니다
21	과적합·편향·윤리: AI 결과를 그대로 믿으면 안 되는 이유	좋은 테스트 점수도 영구적 안전을 보장하지 않습니다
22	최종 실습: 게임 플레이 데이터 분석과 간단한 예측 모델 보고서 완성	최종 프로젝트는 가상 CSV, 데이터 사전, 품질 근거, 두 집계표·두 그래프, 개선 제안, 누수 없는 평가와 기준선, 편향·개인정보 한계를 하나의 재현 가능한 보고서로 묶습니다.

✎권장 학습 방법

1. C:\dev\game-data-lab 안에서 원본·processed·reports를 분리합니다.
2. 예제를 실행한 뒤 행 수, dtype, 결측·중복과 출력 파일을 직접 확인합니다.
3. 각 표와 그래프에 관찰 한 문장, 가능한 해석 한 문장, 한계 한 문장을 씁니다.
4. 모델링 전에 데이터를 분리하고 기준선과 같은 테스트 세트에서 비교합니다.
5. 실제 개인정보 없이 가상 데이터로 진행하고 마지막 강의에서 전체 흐름을 재실행합니다.