[KT AIVLE] 11주차 정리(5차 미니프로젝트, 6차 미니프로젝트)

0. 개요

---

이번주에는 시각지능 딥러닝 학습을 진행하였습니다.

월	화	수	목	금
5차 미니프로젝트	5차 미니프로젝트	6차 미니프로젝트(1차)	6차 미니프로젝트(1차)	6차 미니프로젝트(1차)

1. 5차 미니프로젝트

---

5차 미니프로젝트는 ASSO대비 문제풀이를 진행하였습니다.

이를통해 시험유형을 사전에 확인해 볼 수 있었으며 약한 부분을 확인할 수 있었습니다.

본 실습코드는 보안상 업로드 불가능합니다.

2. 6차 미니프로젝트(1차)

---

crisp-dm을 활용하여 시계열 데이터 모델링, 상품별 판매량 예측을 진행하였습니다. 현시점 대비 2일 뒤 특정 물품들의 판매량을 예측하는 모델을 만들었습니다.

1. 데이터 준비

• 데이터는 sales_test, orders_test, oil_price_test, products, stores로 구성.
• 데이터 전처리:
  • 날짜 관련 파생변수 생성 (요일, 월, 계절 등).
  • 카테고리별 판매량 및 방문객 수 통계 생성.
  • LeadTime 기반 판매량 타겟 변수 생성.

2. 모델링

(1) 모델 생성

• 모델 사용: LSTM과 CNN.
• LSTM 모델 구성:
  • 여러 층의 LSTM과 Dropout, Dense 레이어로 구성.
  • 각 상품별로 적절한 파라미터 설정.
• CNN 모델 구성:
  • 아직 구체화되지 않았으나, 이미지와 시계열 데이터를 활용할 예정.

(2) 주요 성능 평가 지표

• MAE: 평균 절대 오차.
• MAPE: 평균 절대 백분율 오차.
• R2: 결정계수로 예측 모델의 설명력을 측정.

3. 데이터 파이프라인 구축

• 파이프라인 함수:
  • 입력: raw data.
  • 출력: x_test, y_test.
  • 예측값 생성:
    • 각 Product_ID별 모델을 선택해 테스트 데이터에 적용.
  • 결과물: 실제값과 예측값을 포함한 데이터프레임 생성.

4. 비즈니스 평가

(1) 재고 평가 시뮬레이터

• 목적: 평균 재고 금액을 산출하고, 재고 회전율 및 기회 손실을 분석.
• 평가 메트릭:
  • 일평균 재고량 및 재고 금액.
  • 재고 회전율.
  • 기회손실 수량.
• 로직:
  • 기초재고 = 입고량 + 전날 기말재고.
  • 기말재고 = 기초재고 - 판매량.
  • 발주량 = 예측값 + 안전재고 - 기말재고.

(2) 예측 결과 평가

• 시뮬레이터를 통해 실제값과 예측값을 기반으로 재고금액, 재고회전율, 기회손실 수량 확인.

3. 느낀점

---

상품별로 LSTM을 이용한 판매량 예측은 성능이 적절한 수준으로 나오는것을 확인하였습니다. 또한 과거의 데이터 분석시 상호 연관성이 높은 칼럼을 연결하면 높은 수준의 정확도를 보이는것을 마지막 날 발표를 통해 확인할 수 있었습니다.

4. 실습 코드

---

6차 미니프로젝트(1차) 실습 코드는 아래 링크에서 확인 가능합니다.
언어지능 딥러닝