blog63677 님의 블로그

[내일배움캠프] 로지스틱회귀가 뭔데요..... 세번 들어도 이해하기 어려운,,

blog63677 — Fri, 26 Jun 2026 20:08:13 +0900

학습 내용

오늘은 범주형 데이터를 예측하는 로지스틱 회귀(Logistic Regression) 와 분류 모델을 평가하는 방법을 배웠다.

기존의 선형회귀는 집값이나 키처럼 연속적인 숫자를 예측하는 데 적합하지만, 합격/불합격, 암/정상처럼 결과가 0 또는 1인 분류 문제에는 적합하지 않다. 선형회귀는 예측값이 1보다 크거나 0보다 작아질 수도 있기 때문이다.

예를 들어 시험 합격 확률을 예측한다고 했을 때, 선형회귀는 120%나 -30% 같은 말이 안 되는 확률을 예측할 수도 있다. 실제 확률은 반드시 0~1 사이여야 하므로 다른 방법이 필요하다.

그래서 등장한 것이 로지스틱 회귀이다.

로지스틱 회귀는 먼저 오즈(Odds) 와 로짓(Logit) 이라는 개념을 이용한다.

확률(P) : 어떤 사건이 일어날 가능성
오즈(Odds) : 성공확률 ÷ 실패확률
로짓(Logit) : 오즈에 로그를 취한 값

오즈는 확률이 커질수록 값이 너무 빠르게 증가하기 때문에 그대로 사용하기 어렵다. 그래서 로그를 씌워 증가 속도를 완만하게 만든 것이 로짓이다. 로짓은 직선 형태와 비슷해져 기존 선형회귀의 식을 적용할 수 있다.

이렇게 계산한 로짓 값을 다시 시그모이드(Sigmoid) 함수에 넣으면 항상 0~1 사이의 확률이 나온다.

즉,

X → 선형식 계산
선형식 → 로짓 값
로짓 → 시그모이드 함수
최종적으로 0~1 사이의 확률 출력

이라는 흐름으로 동작한다.

예를 들어 고객의 나이와 구매 이력을 입력하면 "구매할 확률이 83%"처럼 결과를 얻을 수 있고, 보통 0.5 이상이면 1(구매), 미만이면 0(미구매) 로 분류한다.

또 하나 새롭게 이해한 부분은 가중치(w)의 의미였다.

식에서 (w_1)은 X가 결과에 얼마나 영향을 주는지를 나타낸다.

양수이면 X가 커질수록 사건이 발생할 확률이 증가한다.
음수이면 X가 커질수록 사건이 발생할 확률이 감소한다.
절댓값이 클수록 영향력이 크다.

즉, 로지스틱 회귀도 결국 어떤 변수들이 결과에 얼마나 영향을 미치는지를 찾는 모델이라는 점은 선형회귀와 비슷했다.

추가로 다중 로지스틱 회귀도 배웠다.

단순 로지스틱 회귀는 하나의 변수만 사용하지만,

공부시간 → 합격 여부

처럼 하나의 X만 사용하는 반면,

다중 로지스틱 회귀는 여러 개의 변수를 함께 사용한다.

예를 들면

공부시간
출석률
과제 제출률
모의고사 점수

를 모두 이용해서 합격 여부를 예측하는 것이다.

식으로는

Logit = w₀ + w₁X₁ + w₂X₂ + w₃X₃ + ...

처럼 여러 변수의 영향을 모두 더해 하나의 확률을 계산한다.

실제 데이터 분석에서는 대부분 여러 요인이 함께 결과에 영향을 주기 때문에 단순 로지스틱 회귀보다 다중 로지스틱 회귀가 훨씬 많이 사용된다는 점도 알게 되었다.

분류 모델을 평가하는 방법도 배웠다.

처음에는 정확도(Accuracy) 만 높으면 좋은 모델이라고 생각했지만, 그렇지 않은 경우도 있다는 것을 알게 되었다.

예를 들어 환자 100명 중

정상 95명
암 환자 5명

이 있을 때,

모든 사람을 정상이라고 예측해도 정확도는 **95%**가 된다.

하지만 정작 암 환자는 한 명도 찾지 못했기 때문에 좋은 모델이라고 볼 수 없다.

이처럼 데이터가 한쪽으로 치우친 불균형 데이터(Imbalanced Data) 에서는 정확도만으로 모델을 평가하면 위험하다는 것을 이해했다.

그래서 사용하는 것이 혼동행렬(Confusion Matrix) 이다.

혼동행렬은 예측 결과를

TP : 실제 양성을 맞춤
FP : 실제 음성을 양성으로 잘못 예측
FN : 실제 양성을 음성으로 놓침
TN : 실제 음성을 맞춤

으로 나누어 모델이 어떤 실수를 했는지 확인할 수 있게 해준다.

이 값을 이용해 다음과 같은 평가 지표를 계산한다.

정밀도(Precision) : 양성이라고 예측한 것 중 실제 양성의 비율
재현율(Recall) : 실제 양성 중에서 찾아낸 비율
F1-Score : 정밀도와 재현율을 함께 고려한 지표
정확도(Accuracy) : 전체 데이터 중 맞춘 비율

특히 의료 분야처럼 암 환자를 놓치면 큰 문제가 되는 경우에는 재현율이 중요하고,

스팸 메일처럼 정상 메일을 스팸으로 잘못 분류하면 안 되는 경우에는 정밀도가 더 중요하다는 점도 이해했다.

그리고 정밀도와 재현율은 서로 반대로 움직이는 경우가 많기 때문에 둘을 균형 있게 평가하는 F1-Score가 많이 사용된다는 것도 알게 되었다.

처음에는 오즈, 오즈비, 로짓이 각각 무엇인지 헷갈렸다. 모두 확률과 관련된 값이라 비슷하게 느껴졌지만, 확률을 선형적으로 표현하기 위해 중간 단계로 사용하는 개념이라는 흐름을 이해하고 나니 조금씩 정리되었다.

또 로지스틱 회귀인데 왜 회귀라는 이름을 사용하는지도 의문이었는데, 로짓 값 자체는 선형회귀처럼 직선 식으로 계산하기 때문에 붙은 이름이라는 점을 이해할 수 있었다.

이번 내용을 배우면서 단순히 모델을 사용하는 것보다 왜 이런 함수가 필요한지를 이해하는 것이 훨씬 중요하다는 것을 느꼈다.

또 정확도가 높다고 반드시 좋은 모델은 아니라는 점이 가장 인상 깊었다. 실제 서비스에서는 어떤 오류를 더 줄여야 하는지에 따라 평가 지표도 달라진다는 사실을 알게 되었고, 앞으로는 Accuracy만 보지 않고 Precision, Recall, F1-Score까지 함께 확인하는 습관을 가져야겠다고 생각했다.

오늘 배운 로지스틱 회귀는 이후 머신러닝 분류 모델들의 기본 개념이 되는 만큼, 시그모이드 함수와 혼동행렬의 의미를 충분히 복습해서 확실하게 이해해 두고 싶다.

[내일배움캠프] 통계학

blog63677 — Thu, 25 Jun 2026 20:57:05 +0900

통계학 심화: 가설검정부터 회귀분석까지

오늘 강의에서는 A/B 테스트와 가설검정의 기본 흐름부터 시작해서, t검정 / 다중검정 / 카이제곱검정, 그리고 **회귀분석(단순선형회귀, 다중선형회귀, 다항회귀, 스플라인회귀)**까지 꽤 넓은 범위를 한 번에 다뤘다.
처음에는 각각이 별개의 개념처럼 보였는데, 정리해보니 결국은 “데이터를 보고 차이가 있는지 판단하거나, 관계를 설명하고 예측하는 방법들”이라는 큰 흐름 안에 연결되어 있었다.

특히 A/B 테스트는 단순히 두 버전을 비교하는 실험이 아니라, “관찰된 차이가 우연인지 실제 효과인지 검정하는 과정”이라는 점이 핵심이었다. 이 과정에서 자연스럽게 귀무가설과 대립가설, 유의수준, p-value, 제1종 오류와 제2종 오류 같은 개념이 함께 등장했다.
예를 들어 실제로 차이가 없는데 차이가 있다고 잘못 판단하면 제1종 오류, 반대로 실제 차이가 있는데도 없다고 판단하면 제2종 오류가 된다. 가설검정은 단순 계산보다도, 이런 오류 가능성을 감안하면서 결론을 내리는 과정이라는 점이 인상적이었다.

검정 방법도 데이터 형태에 따라 달라진다는 점을 배웠다. t검정은 주로 두 집단 평균 차이를 비교할 때 사용하고, 카이제곱검정은 범주형 데이터에서 변수 간 관련성이나 분포 차이를 볼 때 사용한다. 또 한 번의 검정이 아니라 여러 가설을 동시에 검정하면 우연히 유의한 결과가 나올 가능성이 커지기 때문에, 다중검정 문제와 이를 보정해야 하는 이유도 함께 배웠다.
이 부분에서 “검정을 많이 하면 좋은 것 아닌가?”라고 막연히 생각했는데, 오히려 검정 횟수가 늘수록 잘못된 결론을 낼 위험도 커진다는 점이 중요하게 느껴졌다.

회귀분석 파트에서는 독립변수와 종속변수의 관계를 수식으로 표현하는 방법을 배웠다. 단순선형회귀는 하나의 독립변수로 결과를 설명하는 가장 기본적인 형태이고, 다중선형회귀는 여러 변수의 영향을 함께 반영한다. 여기에 범주형 변수가 들어오면 숫자형 변수처럼 그대로 넣는 것이 아니라 더미 변수 형태로 변환해 모델에 반영해야 한다는 점도 알게 됐다.
또 관계가 직선으로 설명되지 않을 때는 다항회귀처럼 곡선 형태를 만들 수도 있고, 구간별로 더 유연하게 관계를 잡아주는 스플라인 회귀도 사용할 수 있다는 점에서, 회귀모델도 생각보다 훨씬 다양한 방식으로 확장된다는 걸 느꼈다.

어려웠던 점은 크게 두 가지였다.
첫 번째는 검정 방법들의 사용 기준을 구분하는 것이었다. 평균 비교면 t검정, 범주형이면 카이제곱검정이라는 큰 틀은 이해되지만, 실제 문제를 보면 어떤 검정을 써야 하는지 바로 떠오르지는 않았다.
두 번째는 회귀분석 종류가 많아질수록 각각의 차이를 머릿속에서 정리하는 것이었다. 단순선형회귀, 다중선형회귀까지는 비교적 직관적이었지만, 다항회귀와 스플라인 회귀는 “둘 다 곡선을 그리는 건가?” 정도로만 느껴져서 아직 완전히 구분되지는 않았다. 이 부분은 직접 그래프를 보면서 복습해야 더 확실히 잡힐 것 같다.

오늘 강의를 들으면서 느낀 건, 통계는 단순히 공식을 외우는 과목이 아니라 “이 데이터에서 어떤 질문을 하고, 그 질문에 맞는 도구를 고르는 과정”에 가깝다는 점이다. 같은 데이터라도 평균 차이를 보고 싶은지, 범주 간 관련성을 보고 싶은지, 특정 변수들이 결과에 어떤 영향을 주는지에 따라 접근 방식이 완전히 달라진다.
그래서 앞으로는 개별 개념을 따로 외우기보다, 이 기법이 어떤 상황에서 필요한지, 입력 데이터가 수치형인지 범주형인지, 내가 알고 싶은 게 차이인지 관계인지 예측인지를 먼저 구분하면서 정리해야겠다고 느꼈다. 오늘 배운 내용은 양이 많았지만, 통계학이 실제 데이터 분석에서 어떻게 쓰이는지 큰 그림을 보는 데 도움이 된 시간이었다.

[내일배움캠프] QAQC_6기 어렵다 어려워 머신러닝 ㅠ

blog63677 — Wed, 24 Jun 2026 20:26:27 +0900

이상치 탐지와 머신러닝 실무 핵심 요약

개요

이 강의는 이상치(Outlier) 탐지와 불균형 데이터 처리, 평가 지표, 모델 배포 및 유지보수, AutoML 및 XAI까지 머신러닝 전 과정을 실무 중심으로 설명한다. 특히 제조/품질 관리(QA/QC) 환경에서 흔히 마주치는 상황과 해결책을 사례와 함께 제시한다.

주요 개념

개념정의실무 적용 예시

점 이상치 (Point Outlier)	전체 분포에서 단일 데이터가 크게 벗어남	센서 오작동으로 5000 °C 기록
상황적 이상치 (Contextual Outlier)	값은 정상 범위에 있으나 상황(시간, 기후 등)에서 비정상	겨울 새벽 30 °C
집단 이상치 (Collective Outlier)	개별은 정상이지만 특정 패턴·집합에서 비정상	모터 센서 데이터가 갑작스럽게 하락
불균형 데이터 (Class Imbalance)	정상 데이터 >> 이상(불량) 데이터	정상 99 % / 이상 1 %
평가 지표	정밀도 (Precision), 재현율 (Recall), F1‑score, ROC‑AUC	불량 탐지 모델에서 Precision이 낮으면 작업자 피로, Recall가 낮으면 누락 위험
샘플링 기법	언더샘플링(데이터 감소), 오버샘플링(데이터 증가)	정상 10 k, 이상 1 k → 언더: 정상 1 k
SMOTE	가상의 이상 샘플을 생성	K‑최근접이웃 기반 선형 보간
Isolation Forest	트리 기반 분리 과정에서 빠르게 격리되는 데이터 판단	99.99 %는 ‘아니오’, 1 %는 ‘예오’
LOF (Local Outlier Factor)	주변 밀도 차이로 이상치 판별	데이터 밀도 0.1 → 이상치
Autoencoder	입력 → 압축 → 재구성 차이(오차)로 이상치 판별	복원 오차가 큰 점을 이상치로 표시
AutoML	데이터 전처리·모델 선택·하이퍼파라미터 튜닝까지 자동화	PyCaret, H2O 등
XAI (Explainable AI)	모델 해석·특성 중요도·SHAP 값	“온도가 150 °C 이상이면 불량 확률 30 % 상승”

상세 내용

1. 이상치 탐지 종류

점 이상치: 시각화(선, 산점도)로 한눈에 식별.

상황적 이상치: 시계열·컨텍스트(계절, 온도 등)를 고려해 판단.

집단 이상치: 패턴/시퀀스가 정상과 차이 발생 시 탐지(예: 모터 주파수 급락).

2. 불균형 데이터 문제

**정확도(Accuracy)**는 편향된 평가 지표 → Precision / Recall / F1 / ROC‑AUC 활용 필요.

학습 정보 부족: 1 % 이상 데이터는 모델이 제대로 학습하지 못함.

다수파 편향: 모델이 정상 클래스를 과도하게 맞춤.

3. 해결 방법

방법장점단점

평가 지표 교체	정밀도·재현율·F1로 실질적 성능 평가	구현 복잡성 증가
샘플링	데이터 균형 조정	언더샘플링: 데이터 손실 오버샘플링: 과적합 위험
SMOTE	가상의 이상 샘플 생성	실제 분포와 차이 발생 가능
모델 가중치 조정	손실 함수에 가중치 부여	가중치 설정 주관적
Algorithmic 솔루션	Isolation Forest, LOF, Autoencoder 등	데이터 특성에 따라 성능 차이
재학습 주기	컨셉트 드리프트 대응	리소스 소모

4. 모델 평가

Confusion Matrix → Precision, Recall, F1 계산.

ROC‑AUC: 임계값 변화에 따른 성능 시각화.

시뮬레이션: 임계값 조정 시 지표 변화 확인.

5. 모델 배포·유지보수

실시간 시스템 통합: Jupyter → 운영 환경 변환.

컨셉트 드리프트: 주기적 재학습 (3–6 개월, 성능 저하 시).

데이터 품질 관리: 결측치(선형 보간, 모델 기반 채우기), 노이즈(스케일링, 정규화).

6. AutoML 활용

PyCaret 등 로우코드 툴: 데이터 전처리, 모델 학습, 하이퍼파라미터 자동 튜닝.

장점: 빠른 베이스라인 모델 확보, 도메인 지식 부족 시 유용.

주의: 결과 해석과 도메인 검증은 여전히 수동 필요.

7. Explainable AI (XAI)

Feature Importance: 전반적 변수 영향도.

SHAP / LIME: 개별 데이터 포인트의 예측 이유 상세 설명.

비즈니스 인사이트 도출: “온도 > 150 °C → 불량률 30 %” 등 실질적 개선 제시.

실무에서 꼭 기억할 점

불균형 데이터는 정확도만 보고 판단하면 안 된다. 정밀도·재현율·F1·ROC‑AUC를 함께 확인.

이상치는 점·상황·집단으로 구분해 탐지 전략을 세워야 함.

데이터 품질이 가장 중요. 결측치, 노이즈 처리에 시간을 투자.

모델 배포 후에는 컨셉트 드리프트 대응과 주기적 재학습이 필수.

AutoML은 편리하지만 인간 해석(XAI)과 도메인 검증은 반드시 병행.

핵심 Takeaway 제조/품질 관리 환경에서는 불균형 데이터와 다양한 이상치가 공통적인 과제이므로, 다양한 알고리즘·샘플링 기법·정확한 평가 지표를 조합해 균형 잡힌 모델을 만들고, 지속적인 모니터링과 도메인 기반 해석으로 운영에 적용해야 한다.

오늘 머신러닝 심화 라이브 세션에서는 이상치 탐지부터 불균형 데이터 처리, 모델 평가, 그리고 실제 운영 단계까지 머신러닝 전체 흐름을 실무 관점에서 다시 정리하는 내용이었다.

이상치는 단순히 “튀는 값”이 아니라 발생 상황에 따라 점 이상치, 상황적 이상치, 집단 이상치로 나뉘고 각각 접근 방식이 다르다는 점이 핵심이었다. 예를 들어 센서 하나가 비정상적으로 높은 값을 찍는 경우는 점 이상치지만, 시간이나 환경 조건에 따라 정상처럼 보이지만 비정상인 경우는 상황적 이상치로 판단해야 한다는 점이 중요했다.
또한 제조/품질관리 환경에서 자주 발생하는 문제인 불균형 데이터(정상 99%, 이상 1%)에서는 Accuracy 하나만으로 모델을 평가하면 의미가 왜곡된다는 점을 강조했다. 그래서 Precision, Recall, F1-score, ROC-AUC 같은 지표를 함께 봐야 실제 성능을 판단할 수 있었다.
해결 방법으로는 언더샘플링, 오버샘플링, SMOTE 같은 데이터 재구성 방법과 함께 Isolation Forest, LOF, Autoencoder 같은 이상치 탐지 알고리즘이 소개됐다.
이후에는 모델 평가(Confusion Matrix 기반 지표 해석), 운영 단계에서의 컨셉트 드리프트 대응, 결측치/노이즈 처리 같은 데이터 품질 관리, 그리고 AutoML과 XAI까지 이어지면서 “모델을 만드는 것보다 운영하는 과정이 더 중요하다”는 흐름으로 정리됐다.

가장 헷갈렸던 부분은 평가 지표의 의미를 상황에 맞게 해석하는 부분이었다. 특히 Precision과 Recall은 서로 trade-off 관계인데, 제조 불량 탐지에서는 어떤 지표를 더 중요하게 봐야 하는지 상황별 판단이 필요해서 단순 암기가 아니라 맥락 이해가 요구됐다.
또 Isolation Forest, LOF, Autoencoder 같은 이상치 탐지 모델들이 각각 “어떤 데이터 구조에서 강한지”를 직관적으로 연결하는 것이 쉽지 않았다. 단순히 알고리즘 이름과 정의만 보면 비슷하게 느껴져서 실제 적용 상황과 연결하는 데 시간이 걸렸다.
컨셉트 드리프트처럼 모델 성능이 시간이 지나면서 왜 떨어지는지에 대한 개념도 처음에는 추상적으로 느껴졌다.

머신러닝은 모델 자체보다 “데이터 상태와 운영 환경”이 성능을 결정한다는 점이 더 중요하게 느껴졌다. 특히 품질관리 관점에서는 정답률 높은 모델보다 “놓치지 않는 모델”이나 “이상 징후를 빠르게 잡는 구조”가 더 현실적이라는 생각이 들었다.
또 AutoML이나 XAI 같은 도구는 모델링을 자동화해주지만, 결국 결과를 해석하고 의사결정으로 연결하는 부분은 사람이 해야 한다는 점이 명확해졌다.
전체적으로 머신러닝을 하나의 모델링 작업이 아니라, 데이터 수집부터 배포·모니터링·재학습까지 이어지는 “운영 시스템”으로 봐야 한다는 관점이 잡힌 세션이었다.

[내일배움캠프] 머신러닝 심화,,,,, 뭐예요ㅕ 이거

blog63677 — Tue, 23 Jun 2026 20:33:49 +0900

오늘은 통계학 강의와 머신러닝 심화 세션을 통해, 데이터를 해석할 때 어떤 기준으로 접근해야 하는지에 대한 기본 틀을 배웠다.
통계에서는 상황에 따라 어떤 분포를 써야 하는지를 익혔고, 머신러닝에서는 정답이 없는 데이터에서 구조를 찾는 비지도학습의 개념을 배웠다.
하루 내용을 쭉 돌아보면, 결국 핵심은 하나였다.
“데이터를 그냥 보는 게 아니라, 데이터의 형태와 목적에 맞는 도구를 골라서 해석해야 한다”는 점이다.

1. 통계학 강의 — 상황에 맞는 분포를 고르는 기준 정리

오늘 통계학에서는 여러 분포를 한 번에 배웠다.
처음에는 이름이 너무 많아서 헷갈렸는데, 하나씩 뜯어보니 결국 **“어떤 상황의 데이터를 설명하려는가”**에 따라 분포를 고르는 문제였다.

정리하면 이런 느낌이다.

데이터 수가 충분히 많으면 정규분포에 근사해서 생각할 수 있다.
표본 수가 작으면 정규분포 대신 스튜던트 t 분포를 사용한다.
일부 큰 값이 전체에 강한 영향을 주는 구조라면 **롱테일 분포(파레토 분포)**를 떠올릴 수 있다.
범주형 데이터의 독립성이나 적합도 검정에는 카이제곱분포를 사용한다.
성공/실패처럼 결과가 둘 중 하나인 경우는 이항분포가 מתאים한다.
특정 시간이나 공간 안에서 사건이 몇 번 발생하는지를 볼 때는 푸아송분포를 사용한다.

이걸 외우려고만 하면 잘 안 들어오는데, 오늘은 각 분포를 “쓰는 상황” 기준으로 묶으니까 훨씬 덜 복잡하게 느껴졌다.
예를 들어 동전 던지기는 결과가 앞면/뒷면 둘 중 하나니까 이항분포, 병원 1시간 방문 환자 수처럼 **‘일정 시간 동안 몇 번 일어났는가’**를 보는 건 푸아송분포라는 식이다.
이렇게 보면 분포는 그냥 수학 공식이 아니라, 현상을 설명하기 위한 틀이라는 게 조금 보였다.

2. 연습문제를 통해 다시 잡은 기본 개념

오늘 연습문제에서는 분포뿐 아니라 통계의 기초 개념도 같이 점검했다.
특히 다시 확인한 개념은 아래와 같다.

모집단과 표본

모집단은 조사하고 싶은 전체 대상
표본은 그 모집단에서 뽑은 일부 데이터

이건 이미 여러 번 들었지만, 실제로 통계 분석은 대부분 모집단 전체를 다 보는 게 아니라 표본으로 추정하는 방식이라는 점에서 계속 중요하게 느껴진다.

신뢰구간

표본 평균 하나만 보고 “모집단 평균이 딱 이 값이다”라고 말할 수는 없기 때문에,
이 정도 범위 안에 있을 가능성이 높다는 식으로 구간을 제시하는 개념이다.

예를 들어 95% 신뢰구간은, 같은 방식으로 표본을 반복해서 뽑았을 때 만들어지는 구간들 중 약 95%가 실제 모집단 평균을 포함한다는 의미로 이해해야 한다.
예전에는 “모평균이 95% 확률로 이 구간 안에 있다”라고 단순하게 받아들였는데, 사실은 표본추출과 추정 과정 전체를 포함한 개념이라는 점을 다시 확인했다.

정규분포와 표준편차

정규분포는 평균을 중심으로 좌우 대칭인 종 모양 분포이고,
표준편차는 데이터가 평균 주변에 얼마나 퍼져 있는지를 보여준다.

평균은 “중심이 어디냐”를 말해주고, 표준편차는 “얼마나 흩어져 있냐”를 말해준다는 점이 조금 더 명확해졌다.
숫자만 따로 외울 때보다, 그래프 모양과 함께 연결해서 보니까 이해가 더 잘 됐다.

3. 머신러닝 심화 세션 — 비지도학습은 “정답 없이 구조를 찾는 일”

오후에는 비지도학습을 배웠다.
지도학습은 정답(Y)이 있어서 입력(X)과 정답(Y)의 관계를 학습하는 방식이라면, 비지도학습은 정답 없이 데이터 자체의 구조를 파악하는 방식이다.

즉, 비지도학습은 “맞혔냐 틀렸냐”보다
이 데이터 안에 어떤 패턴이 숨어 있는지,
비슷한 것끼리 묶을 수 있는지,
차원을 줄여서 더 잘 볼 수 있는지를 탐색하는 데 가깝다.

실무 예시로는 고객 세분화, 이상치 탐지, 데이터 시각화 등이 있었는데, 듣다 보니 품질관리 쪽에서도 꽤 연결될 수 있겠다는 생각이 들었다.
예를 들어 불량 데이터를 그냥 하나로 묶는 게 아니라, 불량 유형별로 군집을 나눠보는 작업도 결국 비지도학습의 관점으로 볼 수 있기 때문이다.

4. 군집화 — 라벨 없는 데이터를 묶는 방법

오늘 비지도학습에서 가장 중심이 된 건 군집화(Clustering)였다.
군집화는 쉽게 말하면 비슷한 데이터끼리 묶는 작업이다.
정답 라벨이 없기 때문에, 알고리즘은 데이터 간 거리나 밀도를 기준으로 “이것들끼리는 비슷하다”고 판단해 그룹을 만든다.

군집화에서 중요한 기준은 두 가지였다.

동질성: 같은 클러스터 안의 데이터들은 서로 가까워야 한다.
분리성: 다른 클러스터끼리는 서로 멀어야 한다.

이 두 조건이 잘 만족될수록 군집이 잘 나뉘었다고 볼 수 있다.

오늘 배운 대표 알고리즘

1) K-Means

가장 기본적인 군집화 알고리즘이다.
클러스터 중심점을 정하고, 각 데이터를 가장 가까운 중심점에 할당한 뒤 중심점을 다시 업데이트하는 과정을 반복한다.

장점은 빠르고 직관적이라는 점이다.
하지만 단점도 분명했다.

K값(클러스터 수)을 미리 정해야 함
초기 중심점에 따라 결과가 달라질 수 있음
이상치에 취약함
동그란 형태처럼 비교적 단순한 군집에 더 잘 맞음

2) Hierarchical Clustering

계층적으로 묶어 올라가면서 군집 구조를 만드는 방식이다.
결과를 덴드로그램으로 확인할 수 있어서, 데이터가 어떤 구조로 묶이는지 시각적으로 볼 수 있다는 점이 인상적이었다.

다만 데이터가 많아지면 계산량이 커져서 대용량 데이터에는 부담이 될 수 있다.

3) DBSCAN

밀도를 기준으로 군집을 찾는 방식이다.
K-Means처럼 클러스터 수를 미리 정하지 않아도 되고, 이상치를 노이즈로 분리해낼 수 있다는 점이 강점이다.

특히 데이터가 꼭 둥근 모양으로 뭉쳐 있지 않아도 군집을 잡을 수 있다는 점이 장점인데,
반대로 ε(엡실론)이나 minPts 같은 파라미터를 잘 잡는 게 어렵다는 한계도 있다.

5. 군집화 결과를 어떻게 평가할까?

비지도학습은 정답이 없기 때문에, 지도학습처럼 정확도를 바로 계산할 수 없다.
그래서 오늘은 군집화 결과를 평가할 때 주로 쓰는 기준도 같이 배웠다.

실루엣 스코어

각 데이터가 자기 클러스터 안에서는 얼마나 잘 어울리고,
다른 클러스터와는 얼마나 떨어져 있는지를 수치화한 지표다.

값이 높을수록 군집이 잘 나뉘었다고 해석할 수 있다.
결국 동질성과 분리성을 동시에 보는 지표라고 이해하면 될 것 같다.

엘보 방법

K-Means에서 클러스터 수 K를 몇 개로 정할지 고민할 때 사용하는 방법이다.
K를 늘려가면서 inertia(클러스터 내부 변동)를 그려보고, 감소 폭이 급격히 꺾이는 지점을 찾는 방식이다.

이름 그대로 그래프가 팔꿈치처럼 꺾이는 지점을 찾는 건데,
이 부분이 “너무 적지도 너무 많지도 않은 K”의 후보가 된다.

6. 차원축소 — 정보를 너무 잃지 않으면서 단순하게 만들기

군집화와 함께 배운 또 하나의 축은 차원축소였다.
데이터의 특성이 너무 많아지면 계산 비용이 커지고, 시각화도 어려워지고, 오히려 모델 성능이 떨어질 수 있다.
이걸 흔히 차원의 저주라고 부른다.

그래서 차원축소는 말 그대로 변수 수를 줄이되, 중요한 정보는 최대한 유지하는 것이 목적이다.

PCA

오늘 배운 대표적인 차원축소 기법 중 하나는 PCA(주성분 분석)였다.
핵심은 데이터의 분산이 가장 큰 방향을 새로운 축으로 잡아서, 정보가 많이 담긴 방향부터 남기는 것이다.

처음에는 “축을 새로 만든다”는 말이 추상적으로 느껴졌는데,
여러 변수들이 복잡하게 얽혀 있을 때 핵심 패턴을 잘 설명하는 새로운 요약 축을 만든다고 생각하니 조금 이해가 됐다.

예를 들어 센서 데이터처럼 변수 수가 많을 때, 원래 변수 전체를 다 쓰는 대신 몇 개의 주성분으로 압축해서 전체 구조를 볼 수 있는 식이다.

t-SNE

t-SNE는 PCA와 달리 비선형 차원축소 기법으로,
원래 가까운 데이터는 가깝게, 먼 데이터는 멀게 보이도록 2차원이나 3차원 공간에 배치하는 데 강점이 있다.

그래서 성능 좋은 예측 모델을 만들기 위한 전처리보다는,
시각적으로 군집이 어떻게 형성되는지 확인하는 용도에 더 가깝다고 이해했다.

7. 오늘 특히 중요하다고 느낀 포인트 — 스케일링

오늘 내용에서 계속 반복해서 나온 게 스케일링의 중요성이었다.
K-Means, PCA, t-SNE처럼 거리나 분산을 기반으로 움직이는 알고리즘은 변수의 단위 차이에 민감하다.

예를 들어 어떤 변수는 값이 0~1 사이이고, 어떤 변수는 0~10000 사이면
큰 스케일의 변수가 계산에 훨씬 더 큰 영향을 주게 된다.
그러면 데이터의 진짜 구조보다 “숫자 크기가 큰 변수”가 알고리즘을 끌고 가버릴 수 있다.

그래서 표준화나 정규화를 통해 스케일을 맞춰주는 전처리가 사실상 필수라는 점이 인상적이었다.
아직은 모델보다 개념을 배우는 단계지만, 전처리가 괜히 앞단에 있는 게 아니라는 걸 다시 느꼈다.

8. 어려웠던 점

오늘 가장 어렵게 느껴졌던 건 개념 하나하나는 이해되는데, 서로 어떻게 연결되는지까지 한 번에 잡는 것이었다.

통계 파트에서는 정규분포, t분포, 이항분포, 푸아송분포, 카이제곱분포처럼 이름이 한꺼번에 많이 나왔다.
각각 정의만 보면 이해가 되는 것 같다가도, 문제에서 상황이 조금만 바뀌면 “이건 어떤 분포를 써야 하지?”에서 멈칫하게 된다.
결국 아직은 분포 이름을 외우는 단계라기보다, 문제 상황을 보고 적절한 분포로 연결하는 감각이 덜 잡힌 상태인 것 같다.

머신러닝 파트에서는 군집화와 차원축소의 차이가 처음엔 약간 헷갈렸다.
둘 다 데이터 구조를 단순화하거나 정리하는 느낌이 있어서 비슷하게 보였는데,
군집화는 비슷한 것끼리 그룹을 나누는 것이고, 차원축소는 변수 수를 줄여서 구조를 더 잘 보이게 만드는 것이라는 차이를 분리해서 이해해야 했다.

또 하나는 평가 지표였다.
지도학습은 정답이 있으니 정확도 같은 걸 떠올리면 되는데, 비지도학습은 정답이 없으니까 실루엣 스코어나 엘보 방법처럼 “이 결과가 괜찮은가”를 우회적으로 판단하는 기준을 써야 한다는 점이 아직 완전히 익숙하진 않다.

오늘 배운 내용을 정리하면서 든 생각은, 통계와 머신러닝이 완전히 다른 얘기가 아니라는 점이다.
통계에서 분포를 배우는 것도 결국 데이터를 어떻게 해석할지 정하는 과정이고,
비지도학습에서 군집화나 차원축소를 배우는 것도 결국 데이터 안의 구조를 읽어내는 과정이다.

특히 품질관리 관점에서 생각해보면,
불량률이나 결함 발생 횟수를 볼 때는 푸아송분포 같은 통계 개념이 연결될 수 있고,
불량 유형을 세분화하거나 이상 패턴을 찾을 때는 군집화 같은 비지도학습이 연결될 수 있다.
아직은 각각이 따로따로 보이지만, 나중에는 이런 개념들이 실제 데이터 분석 과정 안에서 같이 쓰일 것 같다는 느낌이 들었다.

그리고 오늘은 “모델을 돌리는 법”보다도
왜 이 방법을 쓰는지, 어떤 상황에서 이 개념이 필요한지를 이해하는 게 더 중요하다는 걸 다시 느꼈다.
아직 모든 개념이 완전히 손에 익은 건 아니지만, 적어도 오늘은 분포와 비지도학습을 처음보다 훨씬 덜 낯설게 보게 된 하루였다.

내일 복습할 때는 아래 3가지를 다시 보면 좋을 것 같다.

분포 선택 기준 다시 정리하기
정규분포 / t분포 / 이항분포 / 푸아송분포 / 카이제곱분포를 “언제 쓰는지” 중심으로 표로 정리해보기
군집화 알고리즘 차이 비교하기
K-Means, Hierarchical, DBSCAN의 장단점과 사용 상황 비교해보기
차원축소와 스케일링 연결해서 이해하기
PCA 전에 왜 스케일링이 필요한지, t-SNE는 왜 시각화용으로 많이 쓰는지 다시 정리해보기

오늘은 개념 양이 꽤 많았지만,
그만큼 “데이터를 어떤 틀로 바라봐야 하는지”를 넓게 배운 하루였다.
이제는 그냥 용어를 외우는 데서 끝내지 말고, 문제를 보면 어떤 분포를 떠올려야 하는지 / 어떤 알고리즘이 맞을지 연결하는 연습을 계속 해야겠다.

[내일배움캠프] QAQC_6기 라이브 세션! 통계는 왜....

blog63677 — Mon, 22 Jun 2026 20:17:11 +0900

오늘은 품질관리에서 자주 쓰이는 통계 개념들을 한 번에 정리하는 시간을 가졌다.
사실 “통계”라고 하면 평균, 분산, 정규분포 정도만 막연하게 떠올랐는데, 오늘은 그걸 품질관리 상황에 어떻게 연결해서 해석해야 하는지를 조금 더 구체적으로 배운 느낌이었다.

특히 좋았던 건 단순히 개념만 외우는 게 아니라,

어떤 상황에서 어떤 분포를 써야 하는지
공정이 규격 안에 안정적으로 들어오는지 어떻게 판단하는지
이상치가 나왔을 때 그냥 지나가면 안 되는 이유가 뭔지
두 공정/두 집단/여러 집단을 비교할 때 어떤 검정을 써야 하는지

이걸 전부 품질관리 시나리오에 대입해서 생각해볼 수 있었다는 점이다.
그리고 마지막에는 실제 인장강도 데이터를 가지고 시각화, 정규성 확인, 검정까지 이어지는 실습도 해봤는데, 이 부분이 오늘 배운 내용들을 연결해주는 역할을 했다.

1. 오늘 배운 핵심 개념 정리

1) 포아송분포: “드물게 발생하는 사건의 횟수”를 다루는 분포

오늘 문제 중 반도체 클린룸에서 시간당 먼지 입자 발견 수를 어떤 분포로 모델링할지 묻는 문제가 있었는데, 정답은 포아송분포(Poisson Distribution)였다.

처음엔 “먼지 개수”라고 하니까 그냥 개수를 세는 거니까 다 비슷해 보였는데, 포아송분포는 아무 개수 데이터에 다 쓰는 게 아니라 조건이 있었다.

정해진 단위 시간 / 단위 공간 안에서
어떤 사건이 드물게 발생하고
그 발생 횟수를 다룰 때

이럴 때 포아송분포를 쓴다.

품질관리 쪽으로 연결하면 생각보다 예시가 많다.

일정 시간 동안 발생한 불량 개수
웨이퍼 표면에서 발견된 결함 수
클린룸 내 오염 입자 수
특정 길이의 필름에서 발견된 스크래치 개수

즉, **“얼마나 자주 생기지 않아야 하는 문제가 실제로 몇 번 발생했는가”**를 보는 데 적합한 분포라고 이해하면 될 것 같다.

2) Cp와 Cpk: 공정이 규격을 얼마나 잘 만족하는지 보는 지표

오늘은 공정능력지수 문제도 풀었다.
스마트폰 카메라 렌즈 코팅 두께 예시였는데, 여기서 핵심은 Cp와 Cpk를 구분해서 보는 것이었다.

처음에는 둘 다 규격 안에 잘 들어오는지 보는 지표라는 점에서 비슷하게 느껴졌는데, 실제로는 보는 관점이 조금 다르다.

Cp

공정의 산포(흩어짐)만 본다.
즉, 공정 평균이 어디에 있든 일단 퍼지는 정도만 보고 “잠재적으로 규격을 맞출 수 있는 공정인가?”를 본다.

Cpk

공정의 산포 + 평균의 치우침까지 같이 본다.
실제로 공정 평균이 규격 중심에서 벗어나 있으면, 한쪽 규격에 가까워져서 불량 위험이 커진다.
그래서 실무적으로는 Cpk가 더 현실적인 지표에 가깝다.

오늘 예시에서는 공정 평균이 규격 중심이 아니라 상한(USL) 쪽으로 치우쳐 있었기 때문에,
Cp는 좋아 보여도 Cpk는 낮아질 수 있다는 점이 중요했다.

이 부분이 꽤 인상적이었다.
처음엔 “표준편차도 작고 산포도 안정적인데 왜 문제가 되지?” 싶었는데, 평균이 중심에서 밀려 있으면 결국 한쪽 규격에 너무 가까워질 수 있다는 걸 알게 됐다.
즉, 공정이 단순히 “안정적이냐”만 볼 게 아니라, **“어디를 중심으로 안정적이냐”**도 같이 봐야 한다는 뜻이다.

3) Z-score와 이상치 판단: 숫자 하나가 이상하다고 느껴질 때, 근거를 만드는 방법

배터리 셀 전압 문제에서는 평균 3.7V, 표준편차 0.05V인 공정에서 3.9V가 측정됐을 때 어떻게 해석해야 하는지를 다뤘다.

여기서 사용한 개념이 Z-score였다.

Z-score는 아주 간단하게 말하면,

“이 값이 평균에서 표준편차 몇 칸 떨어져 있는가?”

를 숫자로 바꿔주는 도구다.

계산해보면,

Z=3.9−3.70.05=4Z = \frac{3.9 - 3.7}{0.05} = 4

즉, 평균에서 4σ 떨어진 값이라는 뜻이다.
정규분포를 따른다고 가정하면 3σ를 넘어가는 값은 매우 드물기 때문에, 이건 그냥 “조금 큰 값” 정도가 아니라 통계적으로 매우 이례적인 값, 즉 이상치(Outlier) 후보로 봐야 한다.

품질관리 관점에서 이게 중요한 이유는, 이상치를 발견했을 때 할 일이 분명해지기 때문이다.

측정 장비 이상은 없는지
특정 시점의 공정 조건이 흔들리진 않았는지
해당 셀 생산 이력에 특이사항은 없는지

즉, “값이 튀었네”에서 끝나는 게 아니라, 공정 이상인지 측정 오류인지 추적해야 하는 신호로 받아들여야 한다는 걸 배웠다.

4) 어떤 검정을 써야 할까? — 비교 대상 수와 데이터 특성이 중요했다

오늘 문제들에서 가장 많이 헷갈렸던 부분 중 하나가 검정 방법 선택이었다.
이름은 많이 봤는데, 막상 문제에서 “이 상황엔 뭘 써야 하지?” 하면 순간 멈칫하게 됐다.

오늘 정리한 기준은 아래처럼 잡아두면 될 것 같다.

(1) 두 집단 평균 비교 → 독립표본 t-검정

예: 공급업체 A와 B 원자재로 만든 완제품의 평균 인장강도 차이 비교

집단 수: 2개
서로 다른 집단
비교 대상: 평균

이럴 때는 독립표본 t-검정을 고려한다.

(2) 세 집단 이상 평균 비교 → ANOVA

예: 생산라인 1, 2, 3의 평균 두께 비교

집단 수: 3개 이상
비교 대상: 평균

이럴 때는 기본적으로 일원분산분석(ANOVA)를 쓴다.

(3) 그런데 정규성 가정이 깨지면? → 비모수 검정

오늘 문제에서는 3개 생산라인 중 3번 라인의 데이터가 정규분포를 따르지 않았다.
이 경우 ANOVA의 기본 가정이 깨지기 때문에, 대안으로 크루스칼-월리스 검정(Kruskal-Wallis test)을 사용한다.

이 부분에서 느낀 건, 검정법 이름만 외우는 건 별 의미가 없고
결국은 아래 순서로 생각해야 한다는 점이다.

몇 개 집단을 비교하는가?
비교하려는 게 평균인가, 비율인가, 범주형 관계인가?
정규성 같은 가정을 만족하는가?
가정이 깨지면 비모수 검정으로 갈 것인가?

이 흐름으로 정리하니까 그나마 머릿속이 조금 덜 복잡해졌다.

5) 1종 오류(Type I Error): “효과 없는데 있다고 믿는 실수”의 무서움

신규 공정이 불순물을 줄이는지 검정하는 문제에서는 1종 오류가 나왔다.

처음엔 1종 오류, 2종 오류가 늘 헷갈렸다.
이름도 비슷하고, 둘 다 “틀리는 경우”라서 더 그랬다.
그래서 오늘은 아예 품질관리 의사결정 관점으로 외우는 쪽이 훨씬 이해가 잘 됐다.

1종 오류(Type I Error)

실제로는 효과가 없는데
검정 결과 효과가 있다고 잘못 판단하는 것

오늘 문제에 대입하면,

사실 신규 공정은 불순물을 줄이지 못하는데
“효과 있다”고 결론 내리고
회사가 막대한 설비 투자나 공정 전환 비용을 써버리는 상황이다.

이렇게 생각하니까 1종 오류는 그냥 통계 개념이 아니라,
잘못된 투자 의사결정으로 이어질 수 있는 리스크라는 점이 더 크게 다가왔다.

통계 검정이 단순히 숫자 계산이 아니라,
결국은 **“이 결과를 믿고 회사가 어떤 결정을 내릴 것인가”**와 연결된다는 걸 다시 느꼈다.

2. 실습: 인장강도 데이터로 정규성 확인과 가설검정 준비하기

오늘 실습에서는 철강 회사의 QA팀 데이터 분석가라는 시나리오로,
새로운 자동차용 초고장력강판의 평균 인장강도 목표가 1550 MPa와 통계적으로 동일한지 검증하는 흐름을 따라갔다.

주어진 데이터는 시범 생산된 강판 50개의 인장강도 값이었고, 여기서 한 작업은 크게 두 가지였다.

데이터 분포를 시각적으로 확인하기
정규성을 만족하는지 검정하기

1) 히스토그램 + KDE Plot으로 분포 확인

먼저 히스토그램과 KDE plot을 그려서 데이터가 어느 구간에 몰려 있는지 확인했다.

sns.histplot(data=df, x='Tensile_Strength', kde=True)

plt.title("인장강도 데이터 분포")
plt.xlabel('인장강도 (MPa)')
plt.ylabel('빈도')
plt.show()

이 단계는 단순히 그래프 예쁘게 그리는 작업이 아니라,
데이터가 대체로 어느 중심값 근처에 모여 있는지,
한쪽으로 심하게 치우치지는 않는지,
튀는 값이 있는지를 먼저 감으로 확인하는 과정이라고 이해했다.

품질 데이터는 숫자만 보면 감이 잘 안 오는데, 그래프로 보면 확실히 분포가 한눈에 들어온다.
특히 뒤에서 정규성 검정이나 평균 비교를 하려면, 이런 기본 시각화가 먼저 필요하다는 걸 느꼈다.

2) Q-Q Plot + 샤피로-윌크 검정으로 정규성 확인

그다음은 이 데이터가 정규분포를 따르는지 확인하는 단계였다.

from scipy import stats

# Q-Q Plot
stats.probplot(df['Tensile_Strength'], dist="norm", plot=plt)
plt.title('인장강도에 대한 Q-Q Plot')
plt.grid(True)
plt.show()

# Shapiro-Wilk Test
shapiro_stat, shapiro_p_value = stats.shapiro(df['Tensile_Strength'])
print(f"Shapiro-Wilk Test Statistic: {shapiro_stat:.4f}")
print(f"P-value: {shapiro_p_value:.4f}")

여기서 배운 핵심은 정규성은 그래프와 검정을 같이 보는 게 좋다는 점이다.

Q-Q Plot

Q-Q Plot은 데이터가 정규분포를 따른다면 점들이 대체로 직선 위에 놓이는 형태를 보인다.
즉, “우리 데이터의 분위수와 정규분포의 분위수가 얼마나 비슷한가”를 시각적으로 비교하는 그래프다.

Shapiro-Wilk 검정

샤피로-윌크 검정은 정규성을 통계적으로 확인하는 방법이다.

귀무가설(H₀): 데이터는 정규분포를 따른다
p-value > 0.05 → 귀무가설 기각 못함 → 정규성을 크게 의심할 근거 없음
p-value < 0.05 → 귀무가설 기각 → 정규분포를 따른다고 보기 어려움

즉, 이 실습에서는 단순히 “정규분포 같아 보인다”가 아니라,
시각적 확인 + 통계적 검정을 같이 써서 이후 분석의 전제를 점검하는 흐름을 연습한 셈이다.

오늘 가장 헷갈렸던 부분은...

1) Cp와 Cpk 차이

둘 다 공정능력지수라서 처음엔 거의 같은 개념처럼 느껴졌다.
근데 오늘 문제를 풀면서 Cp는 산포만, Cpk는 산포 + 평균 치우침까지 반영한다는 차이를 조금은 잡은 것 같다.

특히 공정 평균이 중심에서 벗어나 있으면,
겉보기엔 분산이 작아도 실제 불량 위험은 커질 수 있다는 점이 중요했다.

2) 검정 방법 선택 기준

독립표본 t-검정, ANOVA, 크루스칼-월리스 검정이 한 번에 나오니까 머릿속이 좀 섞였다.
특히 “평균 비교”라는 공통점이 있으니까 더 헷갈렸다.

그래서 오늘은 아래처럼 기준을 따로 정리해봤다.

두 집단 평균 비교 → 독립표본 t-검정
세 집단 이상 평균 비교 → ANOVA
세 집단 이상인데 정규성 가정이 깨짐 → 크루스칼-월리스 검정

이렇게 “집단 수 + 정규성 만족 여부” 기준으로 정리하니까 훨씬 낫다.

3) 정규성 검정 해석

샤피로-윌크 검정에서 늘 헷갈리는 부분이 있었다.
p-value가 크면 좋은 건지, 작으면 좋은 건지 매번 잠깐 멈칫했다.

그래서 오늘은 아예 문장으로 외우려고 했다.

샤피로-윌크의 귀무가설은 ‘데이터가 정규분포를 따른다’이다.
그래서 p-value가 크면, 정규성을 깨뜨릴 만한 근거가 부족하다고 해석한다.

이렇게 귀무가설 문장 자체를 먼저 붙들고 보니까 해석이 훨씬 수월했다.

오늘은 솔직히 개념 하나하나가 어려운 것보다, 비슷한 개념들을 구분해서 써야 하는 부분이 더 어렵게 느껴졌다.

예를 들어,

포아송분포 vs 정규분포
Cp vs Cpk
t-검정 vs ANOVA vs 크루스칼-월리스
이상치 판단 vs 정규성 판단

이런 것들이 전부 “데이터를 분석하는 도구”라는 공통점이 있으니까 한꺼번에 보면 섞이기 쉬웠다.

그래서 그냥 정의를 외우기보다는,
**“이 도구는 어떤 질문에 답하려고 쓰는가?”**로 바꿔서 정리해봤다.

예를 들면:

포아송분포 → 드물게 발생하는 사건의 횟수를 보고 싶을 때
Cp/Cpk → 공정이 규격을 얼마나 안정적으로 만족하는지 보고 싶을 때
Z-score → 특정 값이 평균에서 얼마나 벗어났는지 보고 싶을 때
t-검정 / ANOVA → 집단 간 평균 차이가 우연인지 아닌지 보고 싶을 때
샤피로-윌크 검정 → 정규성 가정을 만족하는지 확인하고 싶을 때

이렇게 질문 중심으로 정리하니까, 적어도 “이 상황에서 뭘 꺼내야 하는지”는 조금 더 선명해졌다.

오늘 공부하면서 가장 크게 느낀 건,
품질관리에서 통계는 그냥 보고서에 숫자 예쁘게 넣기 위한 도구가 아니라는 점이다.

같은 데이터라도

이게 정상 범위 안의 흔들림인지
공정 평균이 한쪽으로 밀린 건지
정말 이상치라서 바로 원인 분석이 필요한 건지
공정 변경 효과가 실제로 있는 건지
비용을 들여 공정을 바꿔도 되는지

이런 판단을 해야 하니까, 통계가 거의 의사결정의 근거 역할을 한다는 느낌이 들었다.

특히 오늘 1종 오류 문제를 보면서,
“통계적으로 유의하다/유의하지 않다”가 단순한 문장이 아니라
실제로는 투자 여부, 공정 전환 여부, 품질 리스크 관리까지 연결되는 문제라는 걸 다시 느꼈다.

아직은 검정 이름이랑 조건들이 완전히 자연스럽게 떠오르진 않지만,
문제를 품질관리 시나리오에 연결해서 보니까 왜 배우는지는 확실히 보였다.
앞으로는 단순히 공식만 보는 게 아니라,
이 분석 결과가 현업에서 어떤 판단으로 이어질지까지 같이 생각하면서 공부해야겠다는 생각이 들었다.

내일 복습할 때는 아래 4가지를 다시 보면 좋을 것 같다.

Cp / Cpk 계산식과 해석 차이
- Cp는 산포만, Cpk는 중심 치우침까지 반영
검정 방법 선택 기준 표로 정리하기
- 두 집단 / 세 집단 이상
- 정규성 만족 / 불만족
- 평균 비교 / 범주형 비교
정규성 검정 해석 익숙해지기
- 샤피로-윌크 검정의 귀무가설이 무엇인지 먼저 떠올리기
실습 이어서 실제 가설검정까지 해보기
- 오늘은 정규성 확인까지 했으니, 다음엔 평균 1550 MPa와 통계적으로 같은지 실제 검정까지 연결해보면 좋을 것 같다.

[내일배움캠프] QAQC_6기 통계학 킵 고잉,,

blog63677 — Fri, 19 Jun 2026 19:52:17 +0900

오늘은 통계학의 가장 기본이 되는 개념인 모집단과 표본, 표본오차와 신뢰구간, 정규분포에 대해 학습했다.

처음에는 용어들이 비슷하게 느껴졌지만, 실제 데이터를 모두 조사하기 어려운 현실적인 문제를 해결하기 위해 통계가 어떤 방식으로 활용되는지 이해할 수 있었다.

(그리고 사실 고등학생 때랑 대학생 때 배웠긴 했음 ㅎㅎ..)

1. 모집단(Population)과 표본(Sample)

통계 분석의 시작은 모집단과 표본을 구분하는 것이다.

모집단 : 조사하고 싶은 전체 대상
표본 : 모집단 중 일부를 추출한 데이터

예를 들어 대한민국 성인의 평균 키를 알고 싶다고 가정해보자.

대한민국 성인 모두를 조사하는 것은 시간과 비용이 너무 많이 들기 때문에 일부 사람들을 추출하여 조사한다.

이때

대한민국 성인 전체 = 모집단
조사에 참여한 사람들 = 표본

이 된다.

즉, 통계는 표본을 통해 모집단의 특성을 추정하는 학문이라고 볼 수 있다.

2. 표본오차(Sampling Error)

표본은 모집단의 일부이기 때문에 항상 모집단과 완전히 같을 수는 없다.

예를 들어 모집단의 실제 평균 키가 170cm라고 하더라도,

어떤 표본에서는 171cm
다른 표본에서는 168cm

처럼 결과가 달라질 수 있다.

이처럼 표본 통계량과 모집단 실제 값 사이에 발생하는 차이를 표본오차라고 한다.

오늘 배운 내용을 통해 표본을 아무리 잘 뽑더라도 어느 정도 오차는 발생할 수밖에 없다는 점을 이해했다.

중요한 것은 오차를 완전히 없애는 것이 아니라, 오차를 최소화할 수 있도록 대표성 있는 표본을 추출하는 것이다.

3. 신뢰구간(Confidence Interval)

표본을 통해 모집단의 평균을 추정할 때 단일 값만 제시하는 것보다 범위로 제시하는 것이 더 신뢰성이 높다.

예를 들어 표본 조사 결과 평균 키가 170cm라고 나왔다고 해서 실제 모집단 평균이 정확히 170cm라고 단정할 수는 없다.

그래서 통계에서는 다음과 같이 표현한다.

모집단 평균은 168cm ~ 172cm 사이에 있을 것으로 예상된다.

이 범위를 신뢰구간이라고 한다.

특히 95% 신뢰구간은 동일한 방식으로 표본 추출을 여러 번 반복했을 때, 계산된 구간의 약 95%가 실제 모집단 평균을 포함한다는 의미이다.

처음에는 "95% 확률로 포함된다"라고 이해했는데, 정확히는 반복 추출 관점에서 해석해야 한다는 점이 인상적이었다.

4. 정규분포(Normal Distribution)

정규분포는 통계에서 가장 많이 사용되는 확률분포 중 하나이다.

그래프 형태가 종(bell) 모양처럼 생겨서 흔히 종 모양 곡선이라고 부른다.

정규분포의 특징은 다음과 같다.

평균을 중심으로 좌우 대칭이다.
평균, 중앙값, 최빈값이 모두 같다.
평균 주변에 데이터가 가장 많이 몰려 있다.
평균에서 멀어질수록 데이터 수가 감소한다.

예를 들어 시험 점수, 키, 몸무게 등 많은 자연 현상이 정규분포와 비슷한 형태를 보인다.

또한 정규분포에서는 유명한 68-95-99.7 법칙이 존재한다.

평균 ± 1표준편차 → 약 68%
평균 ± 2표준편차 → 약 95%
평균 ± 3표준편차 → 약 99.7%

즉, 대부분의 데이터는 평균 주변에 모여 있다는 의미이다.

오늘의 느낀 점

오늘 배운 내용들은 단순한 통계 용어가 아니라 데이터 분석의 기초가 되는 개념들이었다.

특히 모집단 전체를 조사하는 것이 현실적으로 어렵기 때문에 표본을 활용하고, 그 과정에서 발생하는 표본오차를 고려하여 신뢰구간으로 결과를 해석한다는 흐름이 연결되면서 이해가 쉬워졌다.

또한 정규분포는 앞으로 배우게 될 가설검정, 상관분석, 회귀분석 등 다양한 통계 기법의 기반이 되는 개념이기 때문에 개념을 확실히 이해하고 넘어가는 것이 중요하다고 느꼈다.

한 줄 정리

통계는 모집단을 직접 조사하기 어려운 상황에서 표본을 활용해 모집단을 추정하는 학문이며, 그 과정에서 발생하는 불확실성을 표본오차와 신뢰구간으로 설명하고, 데이터의 분포는 정규분포를 통해 이해할 수 있다.

[내일배움캠프] QAQC_6기 통계학 강의 수강

blog63677 — Thu, 18 Jun 2026 20:21:06 +0900

오전부터 바쁘게 라이브 세션 수강하고 통계학 강의도 듣고,,, 점점 바빠지는 붙캠의 하루다

통계학 녹화 강의에서는!

데이터 분석의 기초라고 할 수 있는 통계 개념을 학습했다. 지금까지는 데이터를 불러오고 전처리하는 과정에 집중했다면, 오늘은 데이터를 어떻게 이해하고 해석하는지에 대한 방법을 배웠다.

특히 기술통계와 추론통계의 차이, 그리고 데이터의 분포와 변수 간 관계를 확인하는 여러 분석 방법들을 정리할 수 있었다.

처음에는 기술통계와 추론통계 둘 다 데이터를 분석하는 방법이라 비슷하게 느껴졌는데, 핵심 목적이 다르다는 점을 이해하게 됐다.

기술통계

기술통계는 데이터를 요약하고 설명하는 방법이다.

예를 들어 처음 만난 사람을 볼 때 외모, 나이, 직업, MBTI 같은 정보로 그 사람을 대략적으로 파악하는 것과 비슷하다.

데이터에서도 평균, 중앙값, 분산, 표준편차 등을 이용해 전체 데이터를 대표하는 특징을 확인한다.

오늘 다시 정리한 개념은 다음과 같다.

평균 : 데이터의 대표값
중앙값 : 데이터를 정렬했을 때 가운데 위치한 값
분산 : 데이터가 평균으로부터 얼마나 퍼져 있는지
표준편차 : 분산의 제곱근으로, 실제 데이터 단위로 변동성을 표현

특히 분산과 표준편차는 자주 헷갈렸는데, 둘 다 데이터의 흩어진 정도를 나타낸다는 점은 같지만 표준편차가 실제 데이터와 같은 단위를 사용하기 때문에 해석이 더 쉽다는 점을 알게 됐다.

추론통계

추론통계는 일부 데이터를 가지고 전체를 추정하는 방법이다.

예를 들어 한 사람의 인생 전체를 알 수는 없지만 대화를 하면서 얻은 정보로 그 사람이 어떤 사람인지 추측하는 것과 비슷하다.

대표적인 개념으로는

신뢰구간
가설검정

이 있다.

특히 가설검정에서 등장하는 귀무가설(H0)과 대립가설(H1)은 앞으로 데이터 분석 프로젝트를 진행하면서 자주 보게 될 것 같다.

오늘은 개념 위주로 학습했지만 나중에는 실제 데이터를 이용해 p-value를 해석하는 단계까지 연결될 것 같다.

데이터를 탐색하는 다양한 방법

통계를 단순히 계산하는 것뿐만 아니라 데이터를 여러 관점에서 바라보는 방법도 배웠다.

1. 위치추정

데이터의 중심을 확인하는 방법이다.

대표적으로 평균과 중앙값을 사용한다.

np.mean(data)
np.median(data)

2. 변이추정

데이터가 얼마나 퍼져 있는지를 확인하는 방법이다.

주요 지표는 분산, 표준편차, 범위(Range) 이다.

범위는 단순히 최대값 - 최소값 으로 계산된다.

계산은 쉽지만 중간 데이터의 분포는 반영하지 못한다는 한계도 있다.

3. 데이터 분포 확인

데이터 분석을 하다 보면 숫자만 보는 것보다 시각화가 훨씬 이해하기 쉽다.

오늘은 대표적으로

히스토그램
박스플롯(Box Plot)

을 사용했다.

히스토그램은 데이터가 어떤 구간에 많이 몰려 있는지 확인할 수 있고, 박스플롯은 중앙값, 사분위수, 이상치 등을 한 번에 파악할 수 있다.

특히 박스플롯은 앞으로 데이터 전처리 과정에서 이상치를 찾을 때 자주 사용할 것 같다.

4. 범주형 데이터 탐색

만족/불만족처럼 값의 종류가 정해져 있는 데이터를 분석하는 방법도 배웠다.

이때는 최빈값과 빈도수를 확인하고, 주로 막대그래프나 파이차트를 사용한다.

실제 설문조사 데이터 분석에서도 많이 활용될 것 같다.

5. 상관관계 분석

오늘 배운 내용 중 가장 흥미로웠던 부분이다.

상관계수는 두 변수의 관계를 숫자로 표현한다.

1에 가까움 → 강한 양의 상관관계
-1에 가까움 → 강한 음의 상관관계
0에 가까움 → 상관관계 거의 없음

예를 들어 공부 시간이 늘어날수록 시험 점수가 올라간다면 양의 상관관계를 가진다.

np.corrcoef(x, y)

이렇게 한 줄로 계산할 수 있다는 점도 인상적이었다!! 매우 간단.

상관관계와 인과관계는 다르다

오늘 학습하면서 가장 중요하게 느낀 부분이다.

상관관계가 있다고 해서 반드시 원인과 결과 관계인 것은 아니다.

예시로 아이스크림 판매량과 익사 사고 수는 함께 증가하는 경향이 있지만,

아이스크림이 익사 사고를 발생시키는 것은 아니다.

실제로는 여름이라는 공통 원인이 존재한다.

이 부분은 앞으로 프로젝트를 진행하면서도 꼭 기억해야 할 것 같다.

상관계수가 높다고 해서 함부로 "영향을 준다"라고 결론을 내리면 안 된다.

오늘의 느낀 점

오늘은 단순히 통계 용어를 외우는 시간이 아니라 데이터를 바라보는 기본적인 시각을 배우는 시간이었다.

특히 지금 진행했던 흡연 데이터 프로젝트를 떠올려보니, 그동안 사용했던 평균, 상관계수, 분포 그래프들이 모두 오늘 배운 개념들 위에서 만들어졌다는 것을 알 수 있었다.

또한 상관관계와 인과관계의 차이는 앞으로 데이터 분석을 하면서 계속 주의해야 할 부분이라고 느꼈다. 데이터에서 어떤 관계가 발견되더라도 그것이 곧 원인과 결과를 의미하는 것은 아니기 때문이다.

오늘 배운 통계 개념들은 앞으로 EDA와 가설 검정, 머신러닝 모델 해석까지 이어질 기초 체력 같은 내용이라 생각한다. 지금은 개념 위주로 이해하는 단계지만, 실제 데이터 분석 프로젝트에 적용하면서 더 익숙해져야겠다.

[내일배움캠프] QAQC_6기 새로운 조 오벤져스

blog63677 — Wed, 17 Jun 2026 20:09:34 +0900

오늘은 새로운 팀원들과 팀을 편성하여 데이터 분석 심화 주차를 시작했습니당

저희 조 이름은 오벤져스! 기념으로 캐릭터 같이 꾸미면서 화기애애하게 시작하여쑴ㅎ

제 닥터스트레인지 대박이지 않습니까? 완전 똑같애 ㅋㅋㅋㅋㅋㅋㅋ

그리고 새로운 내용도 배우게 되었는데요 익숙한듯 먼 통계학,,,,,,

데이터 분석에서 가장 기본이 되는 통계 개념들을 학습하는 시간입니당 데이터를 통해서 객관적인 근거를 만들고 의사결정을 돕는 것이 바로 통계의 역할...

1. 데이터의 종류

크게 두가지로 나누어서,

수치형

- 연속형: 온도, 압력, 키, 몸무게

- 이산형: 불량품 개수, 생산 횟수

범주형

- 순서형: 품질 등급, 위험도 등급

- 명목형: 설비 ID, 제품 종류

데이터는 각 이름을 아는 것이 아니라 어떤 것들이 어디에 해당하는지, 즉 온도 데이터는 연속형 데이터다 라고 말할 수 있을 정도로 이해하는 것이 중요하다고 해요 물론 당연한 말이긴 해요

2. 도수와 히스토그램

도수, 상대도수, 누적도수, 계급 등 각 의미를 알고 있으면 될 듯!

전 주차에서도 많이 다뤘던 히스토그램은 데이터가 어떤 구간에 집중되어 있는지, 분포가 치우쳐있는지 등을 직관적으로 확인할 수 있는 도구라고합니다.

3. 대표값 (평균, 중앙값, 최빈값)

데이터를 대표하는 값으로 평균, 중앙값, 최빈값이 있습니다.ㅇ

평균(mean): 전체 데이터의 평균값 (이상치에 영향을 많이 받음)
중앙값(median): 데이터를 정렬했을 때 가운데 값 (이상치에 영향을 받지 않음)
최빈값(mode): 가장 많이 등장하는 값 (2개 이상 존재 가능)

특히 평균은 이상치의 영향을 크게 받기 때문에 항상 신뢰할 수 있는 것은 아니라고 해여!

4. 산포도와 데이터의 퍼짐 정도

평균만으로 데이터의 특성을 ㅁ모두 설명할 수 없습ㄴㅣ다. 왜?

같은 평균을 가진 데이터이더라도 퍼져 있는 정도는 다를 수 있기 때문이지여

고등학교, 대학교 때 통계 열심히 배웠던 것 같은데 오랜만에 보니 처음 보는 것 같은 이 기분 뭘까요..,....

그리고 사분위수(Q1, Q2, Q3)와 IQR(사분위 범위)을 이용해 이상치를 탐지하는 방법도 배웠어요

데이터를 4등분했을 때 각각 25%, 50%, 75% 위치에 해당하는 값들로 이 친구들은 익숙하네용

5. 왜도와 첨도

데이터 분포의 형태를 파악하기 위한 지표도 학습했습니당

왜도(Skewness)

분포가 어느 방향으로 치우쳐 있는지 나타낸다.

왜도 > 0 : 오른쪽 꼬리가 김
왜도 = 0 : 대칭 분포
왜도 < 0 : 왼쪽 꼬리가 김

첨도(Kurtosis)

분포가 얼마나 뾰족한지를 나타낸다.

첨도 > 0 : 정규분포보다 뾰족함
첨도 = 0 : 정규분포와 유사
첨도 < 0 : 정규분포보다 평평함

이전 팀 프로젝트를 진행하며 질리도록 봤던 왜도와 첨도,,,,,,,, ㅎㅎ,,,,,,

오늘 학습한 내용은 데이터 분석을 진행할 때 계속 활용될 기본 개념들로 익숙한 친구들이 대부분이어서 세션 따라가는게 어렵지는 않았지만 정확하게 머리속에 넣어놓아야겠다는 생각을 했습니다@!

이전 프로젝트에는 통계학 개념을 적극적으로 사용하기 어려웠으니 이번에는 잘 공부해서 쉽게 잘! 사용하는 것을 목표로 하겠어용

[내일배움캠프] QAQC_6기 커리어 상담!

blog63677 — Tue, 16 Jun 2026 19:26:33 +0900

오늘은 커리어 상담을 진행했습니다..

최근 취업 준비를 하면서 가장 고민이 많았던 부분은 어떤 도메인으로 진출할 것인가였는데요, 품질관리 직무를 목표로 하고 있지만, 품질관리는 제조업 전반에 걸쳐 존재하는 직무이다 보니 특정 산업을 먼저 정해야 하는지에 대한 고민이 있었다.

생명화학공학화 전공으로, 주변 친구들의 진로를 보면 제약, 화장품, 식품 분야로 진출하는 경우가 많다. 자연스럽게 나 역시 해당 분야를 우선적으로 생각해왔지만, 한편으로는 내가 살고 있는 창원 지역의 산업 구조도 무시할 수 없었다.

창원에는 자동차, 모빌리티, 방산, 기계 제조업 관련 기업들이 많이 위치해 있다. 최근에는 반도체 분야에도 관심이 생기면서 오히려 선택지가 많아졌고, 그만큼 어떤 분야를 선택해야 할지 더 고민하게 되었다.

이번 상담에서 가장 인상 깊었던 부분은 굳이 처음부터 도메인을 하나로 좁게 설정할 필요는 없다는 점이었다.

오히려 "제조업 품질관리"라는 큰 범위로 접근한 뒤 실제 지원을 진행하면서 어떤 산업군에서 연락이 오는지, 어떤 분야에 흥미를 느끼는지를 확인하며 방향을 조정해 나가는 것도 좋은 방법이라는 조언을 들었다.

생각해보면 품질관리 직무 자체는 공정 관리, 품질 개선, 데이터 분석, 문제 해결과 같은 공통 역량을 기반으로 한다. 물론 산업별 특성은 존재하지만, 처음부터 특정 도메인만 고집하기보다 품질관리 직무 역량을 먼저 쌓는 것이 더 현실적인 접근일 수 있다는 생각이 들었다.

또한 새로운 산업에 대한 이해를 높이기 위해 온라인 교육이나 관련 경험을 추가로 쌓아보는 것도 추천받았다. 도메인 지식이 부족하다고 해서 처음부터 포기할 것이 아니라, 관심 있는 분야에 대해 꾸준히 학습하며 이해도를 높여가는 과정이 필요하다는 점도 다시 한번 느꼈다.

자소서에 대한 이야기도 나눴다.

짧게 확인해 주셨지만 현재까지의 경험 자체는 부족해 보이지 않는다는 의견을 들었다. 다만 졸업논문이나 연구 경험을 작성할 때 단순히 결과만 적기보다 어떤 프로젝트였는지, 어떤 목표를 가지고 진행했는지를 조금 더 구체적으로 설명하면 이해하기 쉬울 것 같다는 피드백을 받았다.

그리고 앞으로는 품질경영기사와 같은 직무 관련 자격증 취득에도 힘을 써보자는 이야기를 들었다. 직무 공통 역량을 보여줄 수 있는 자격증은 산업 분야와 관계없이 활용할 수 있기 때문이다.

오늘 상담을 통해 얻은 결론은 명확하다.

당장은 특정 산업 하나를 선택하기보다 제조업 품질관리라는 큰 방향성을 유지하면서 준비를 이어가기로 했다. 이후 실제 지원 과정과 기업들의 반응을 보며 나에게 맞는 도메인을 점차 좁혀 나갈 계획이다.

취업 준비를 하다 보면 정답을 먼저 찾으려고 하는 경우가 많다. 하지만 오늘 상담을 통해 꼭 처음부터 완벽하게 정해둘 필요는 없다는 것을 알게 되었다. 지금은 다양한 가능성을 열어두고 품질관리 직무 역량을 쌓는 데 집중하는 것이 더 중요하다고 느꼈다.

[내일배움캠프] QAQC_6기 기초 프로젝트 발표와 절거운 밍글데이!

blog63677 — Mon, 15 Jun 2026 20:44:59 +0900

오늘 역대급.... 정신없고 자괴감 드는 하루였습니다. 프로젝트를 진행하며 마감 기한을 지키지 못하는 날이 올줄이야 누가 상상이나 했겠어요......./ 해야할 일을 제대로 마무리하지 않고 주말을 보낸 자 매를 맞으세요 근데 나임..

팀장으로서 매우 죄송하고 후회되고.... 아쉬운 점만 많습ㄴㅣ다

열시까지 그것도 모르고 코드카타랑 진단문제 신나게 풀고 있었잖아요ㅠㅠ

일단,, 오늘 오전 내내 진행한 프로젝트 마무리에 대해 간단히 기록해보고자 합니다 저의 반성을 담아..

ppt 최종검토, 발표 대본 작성, 발표 녹화본 제작 이걸 세시간만에 했다...? 그것도 마지막날에..?

주요 작업 내용

① PPT 마감 및 데이터 검토

결국 저희 ppt에서 말하고자 하는 내용은 아래와 같습니다.

분석에 활용한 데이터는 약 3.8만 개의 건강검진 데이터셋(train_dataset.csv)이다. 3시그마 기준을 적용해 결측치와 이상치를 걷어내고 최종 30,492개의 데이터를 가지고 분석을 전개했다. 연령별(청년·중년·노년), BMI별(저체중·정상·과체중·비만) 파생변수를 추가하여 흡연의 독립적인 영향력을 입증하고자 했다.

② 발표 대본 작성 및 논리 구조화

단순히 "흡연이 몸에 나쁘다"라는 뻔한 소리를 하려는 게 아니다. 의학 논문 자료를 기반으로 세운 세 가지 가설을 검증하는 데 초점을 맞췄다.

분석 결과: GTP(간 기능 지표), 헤모글로빈, 중성지방 등은 흡연 여부와 뚜렷한 관련성을 보였다. 반면 ALT나 공복혈당 같은 지표는 흡연보다 BMI나 연령의 영향을 더 크게 받는다는 다변량 관점의 핵심 인사이트를 도출해 대본에 녹여냈다.

③ 녹화 발표본 제작

대본을 토대로 최종 발표 영상을 녹화했다. 시각화된 그래프(GTP 79.1% 차이 등)를 직관적으로 설명하면서, 이 데이터 분석 결과가 향후 금연 캠페인이나 건강검진 결과 안내에 실질적으로 활용될 수 있다는 기대효과를 강조하며 마무리했다.

솔직하게 오늘 프로젝트를 마무리하면서 반성해보자면...

가장 큰건 마감 시간 내에 최종 결과물을 제출하지 못한 것,,, 그리고 ppt를 급하게 작성하다 보니 퀄리티가 많이 부족했던 것.,,

튜터님이 정확하게 알아보시고 지적해주셨어요 뼈 맞아서 아프다 아파

팀장으로서의 실책이 너무 큰 거 저도 알고 있습니다..

시간 관리 실패로 프로젝트 전반적으로 너무 쳐졌고 (사실 신체 데이터라는게 너무 고려할 조건도 많고 결과 내기도 쉽지 않긴 했지만 변명입니다. 예.)

녹화 및 편집을 주말 내에 끝냈어야 했는데 이를 팀장으로서 확인하지도 못하고,,, 발등에 불 떨어져서야 부랴부랴 한 점....

팀원 관리도 리더쉽 발휘도 실격입니다 예.. 다시 한 번 팀장의 중요성을 배웠어요

프로젝트의 내용이나 분석 퀄리티와 무관하게 마감시간을 지키지 못 한 결과물은 의미가 없다는 것을 알고 있습니다

다음은 절대 시간 엄수하고, 일정 관리에 보다 힘쓸 것을 다짐하며.. 스스로의 작업 속도 조절에 매우 실망하였지만 그래도 다음 프로젝트에서는 성장한 모습 보이도록 하겠습니다.

그래도 미안한 마음 품고 즐거운 밍글데이 컨텐츠를 즐기며 팀원들과 잘 풀어냈으니 또 한번 우리 팀원들에게 감사를 전하며,,,,

내일이 마지막이니까 인사 잘 하고 헤어져볼게요 안녕!