데이터

빅데이터분석기사 공부법

Q: 빅데이터분석기사 필기 과락은 과목당 몇 문항인가요?

과목마다 20문항, 25점(문항당 1.25점)이고 과목을 100점으로 환산해 40점 미만이면 과락이에요. 문항으로는 과목당 8문항 이상 맞혀야 하고, 전 과목 평균 60점 이상, 곧 80문항 중 48문항 이상이 합격선이에요.

Q: 빅데이터분석기사 실기는 R과 Python 중 하나만 골라야 하나요?

응시 가이드에 따르면 문제별로 R 또는 Python 중 언어를 선택할 수 있어요. 다만 자동완성과 그래프 기능이 없고 패키지 추가 설치도 안 되니, 한 언어로 기본 틀을 손에 익혀 두고 다른 언어는 막힐 때의 대안으로만 생각하는 편이 시간 관리에 유리해요.

Q: 빅데이터분석기사 실기에서 작성한 코드도 채점되나요?

코드는 채점 대상이 아니에요. 제1·3유형은 답안 제출 화면에 입력한 값이, 제2유형은 마지막으로 제출한 코드가 생성한 CSV 파일이 채점돼요. 코드에 대한 부분 점수가 없어서 지시된 반올림 자릿수, 파일명, 칼럼명을 지키는 것이 점수와 직결돼요.

Q: 2027년에 빅데이터분석기사를 본다면 2026년 교재로 공부해도 되나요?

과목명과 문항 수, 시간은 같고 세부항목 상당수가 자리만 옮긴 것이라 기존 교재로도 대부분 공부할 수 있어요. 다만 개정 기준에서 새로 들어간 주성분분석(모델링), 빅데이터 기술 트랜드 분석(기획), 실기의 데이터 탐색 작업은 따로 보충하고, 삭제된 비즈니스 기여도 평가와 분석 도구 선정에는 시간을 덜 쓰세요.

Q: 빅데이터분석기사 실기장에서 메모장이나 구글 검색을 써도 되나요?

안 돼요. 시험 사이트 외 구글·네이버 같은 사이트 접속과 윈도우 메모장·계산기·엑셀 등 PC 프로그램 사용은 부정행위로 처리되고, 국가기술자격 시험 응시자격이 3년간 정지돼요. 대신 시험 화면 안에 문제별 메모장 기능이 있고, help나 dir로 함수 사용법을 찾아보는 건 허용돼요.

빅데이터분석기사는 필기 이론과 실기 코딩이 함께 요구되는 시험이라 개념과 실습을 균형 있게 준비해야 해요. 이론은 폭넓게, 실기는 코드 작성에 익숙해지는 방향으로 접근하면 좋아요.

난이도: 보통
평균 합격률: 51.5%
필기 과목 수: 4과목
연간 시행 횟수: 연 2회
예상 준비 기간: 2~3개월
시험 시간: 필기 120분(80문항) · 실기 180분(작업형)

빅데이터분석기사는 한국데이터산업진흥원이 위탁 시행하는 국가기술자격으로, 필기와 실기를 1년에 두 번 치러요. 필기는 빅데이터 분석 기획, 빅데이터 탐색, 빅데이터 모델링, 빅데이터 결과 해석 네 과목에서 20문항씩 모두 80문항을 120분 동안 풀고, 과목마다 25점(문항당 1.25점)이에요. 과목을 100점으로 환산해 40점 미만이 하나라도 있으면 과락이고, 전 과목 평균이 60점 이상이어야 해요. 문항 수로 바꾸면 과목당 8문항이 과락선, 80문항 중 48문항이 합격선이에요.

실기는 '빅데이터 분석 실무' 한 과목을 180분 동안 클라우드 기반 CBT로 치르고 100점 중 60점 이상이면 최종 합격이에요. 제12회 응시 가이드 기준으로 제1유형 3문항(각 10점), 제2유형 1문항(40점), 제3유형 2문항(각 15점)이 나오고, 문제마다 R과 Python 중 하나를 골라 코드를 짜요. 필기에 합격해도 바로 실기를 접수할 수 없고, 정해진 기간에 응시자격 서류를 내 심사를 통과해야 하는 점이 다른 데이터 자격과 다른 부분이에요.

지금 시행 중인 출제기준은 2024.1.1~2026.12.31 적용분이고, 2027.1.1부터 4년간 쓰일 개정 출제기준이 2026년 9월에 공지됐어요. 개정 기준은 제14회 필기부터 적용돼요. 과목명과 문항 수는 그대로지만 데이터 변환·품질 검증·데이터 분할이 탐색 과목으로 모이고 모델링 과목에 주성분분석이 새로 들어가며, 실기에는 '데이터 탐색 작업'이 생겨요. 2027년에 응시한다면 전처리를 탐색 과목의 중심으로, 기초통계 산출과 유의성 검정을 실기 범위로 보고 공부 순서를 짜는 게 맞아요.

빅데이터분석기사 출제기준 주요항목 (2027.1.1 ~ 2030.12.31 (제14회 필기부터 적용))

세부·세세항목은 빼고 주요항목만 옮겼습니다. 전체 기준은 출처에서 볼 수 있습니다.

필기객관식 · 80문항 · 120분

빅데이터 분석 기획(20문항): 빅데이터의 이해 · 빅데이터 기술 트랜드 분석 · 데이터 분석 계획 · 데이터 수집 및 저장 계획
빅데이터 탐색(20문항): 데이터 전처리 · 탐색적 데이터 분석 · 통계기법 이해
빅데이터 모델링(20문항): 분석기법 적용
빅데이터 결과 해석(20문항): 분석모형 평가 및 개선 · 분석결과 시각화 및 활용

실기통합형(필답형, 작업형) · 180분

빅데이터 분석실무: 데이터 수집 작업 · 데이터 전처리 작업 · 데이터 탐색 작업 · 데이터 모형 구축 작업 · 데이터 모형 평가 작업

직전 기준과 달라진 점

빅데이터 분석 기획: 주요항목 '빅데이터 기술 트랜드 분석'(빅데이터 플랫폼, 빅데이터와 인공지능)이 새로 생기고, 모델링 과목에 있던 '분석모형 설계'가 '데이터 분석 계획' 아래 세부항목으로 옮겨 와 주요항목이 3개에서 4개가 됩니다.
빅데이터 탐색: 기획 과목의 데이터 변환·데이터 품질 검증, 모델링 과목의 데이터 분할이 '데이터 전처리' 아래로 옮겨 오고, 주요항목 '데이터 탐색'은 '탐색적 데이터 분석'으로 이름이 바뀝니다.
빅데이터 모델링: 주요항목이 '분석기법 적용' 하나로 줄고, 세부항목이 '기초 분석기법'·'심화 분석기법'으로 바뀌며 기초 분석기법에 주성분분석이 신설됩니다. '분석 도구 선정'은 삭제됩니다.
빅데이터 결과 해석·실기: '분석결과 해석 및 활용'이 '분석결과 시각화 및 활용'으로 바뀌고 '비즈니스 기여도 평가'가 삭제됩니다. 실기에는 기초통계 산출, 데이터 분포 분석, 변수 간 관계 확인을 묻는 '데이터 탐색 작업'이 신설됩니다. 필기 80문항·120분, 실기 180분은 그대로입니다.

출처 한국데이터산업진흥원 빅데이터분석기사 출제기준 개정 안내(첨부 '[개정]빅데이터 분석기사 출제기준') · 확인일 2026년 10월 14일

빅데이터분석기사 추천 학습 순서

1빅데이터 분석 기획으로 분석 절차와 전체 흐름 이해하기
2빅데이터 탐색으로 데이터 전처리·통계 개념 다지기
3빅데이터 모델링으로 주요 알고리즘 원리 익히기
4빅데이터 결과 해석으로 평가 지표와 해석 정리하기
5필기 후 R 또는 Python으로 실기 작업형 코드를 반복 연습하기

빅데이터분석기사 독학으로 가능할까?

필기는 개념서와 기출로 독학이 충분히 가능하고, 실기는 통계 기초가 있으면 혼자서도 대비할 수 있어요. 다만 코딩이 낯설다면 실습 강의나 예제 코드를 따라 하며 손에 익히는 것이 안전해요.

빅데이터분석기사 추천 교재

수험생이 많이 찾는 교재를 모았어요. 링크를 눌러 최신 가격과 후기를 확인해 보세요.

기본서

2027 이기적 빅데이터분석기사 필기 기본서

이기적

쿠팡에서 보기

기본서

에듀윌 빅데이터분석기사 필기 한권끝장(핵심이론+개념체크문제)

에듀윌

쿠팡에서 보기

이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

빅데이터분석기사 과목별 공략법

빅데이터 분석 기획: 분석 절차와 방법론, 관련 용어를 흐름으로 이해하면 암기 부담을 줄일 수 있어요.
빅데이터 탐색: 결측치·이상치 처리와 기초 통계 개념이 자주 나오니 전처리 원리를 확실히 잡으세요.
빅데이터 모델링: 지도·비지도 학습 등 주요 알고리즘의 원리와 차이를 비교하며 정리하면 문제 적응이 빨라요.
빅데이터 결과 해석: 정확도·정밀도 등 평가 지표의 의미와 계산을 명확히 익혀 해석 문제에 대비하세요.

빅데이터분석기사 학습 계획표

4주 계획 — ADsP를 땄거나 통계 수업을 들은 필기 응시자

회귀분석·가설검정·혼동행렬 용어가 낯설지 않은 사람. 평일 2시간, 주말 하루 5시간으로 필기 80문항을 준비하는 기준이에요.

1주차빅데이터 분석 기획 — 용어 짝 정리
- 집중·기능·분산 조직 구조, 하향식·상향식 문제 정의, 최적화·솔루션·통찰·발견 네 분석 유형을 표 한 장에 모아요
- 가명처리·총계처리·마스킹과 k-익명성·l-다양성·t-근접성·차분 프라이버시를 '무엇을 막는 기법인지' 기준으로 나눠 적어요
- HDFS 블록 복제, 맵리듀스, YARN의 역할을 한 줄씩 구분하고 ETL과 ELT의 순서 차이를 그림으로 그려요
- 2027년 응시자는 개정 기준에서 기획 과목으로 옮겨 온 분석모형 선정·정의·구축 절차를 이 주에 함께 봐요
2주차빅데이터 탐색 — 전처리와 통계 계산
- MCAR·MAR·MNAR 정의와 평균·회귀·다중 대치법을 묶어 정리하고, IQR 경계(Q1−1.5×IQR, Q3+1.5×IQR)를 숫자로 다섯 번 계산해요
- Min-Max 정규화와 z-score 표준화를 같은 데이터로 계산해 결과 범위를 비교하고, 원-핫 인코딩 더미 개수를 세어 봐요
- 표준오차(σ/√n), p-값과 유의수준 비교, 95% 신뢰구간의 해석 문장을 그대로 외워 둘 수 있게 정리해요
- 층화·군집·계통 추출과 왜도·첨도 부호의 의미를 예시 그래프와 함께 카드로 만들어요
3주차빅데이터 모델링 — 알고리즘 비교
- 회귀(OLS, VIF, 릿지·라쏘), 로지스틱 회귀(오즈비), 의사결정나무(지니·엔트로피), SVM(마진)을 한 표에 비교해요
- 지니 불순도와 연관규칙의 지지도·신뢰도·향상도를 손으로 계산하는 문제를 하루 다섯 개씩 풀어요
- 배깅·부스팅·랜덤포레스트, K-means와 계층적 군집의 연결법, RNN·CNN·LSTM 구분을 짝으로 묶어 외워요
- 시계열의 정상성과 차분, ARIMA(p, d, q)의 d가 차분 횟수라는 점을 예제로 확인해요
4주차빅데이터 결과 해석 + 80문항 실전
- 혼동행렬에서 정확도·정밀도·재현율·특이도·F1을 같은 숫자로 모두 계산해 보고 분모를 비교해요
- ROC 곡선의 축(FPR, TPR)과 AUC 0.5의 의미, 임계값을 올릴 때 정밀도·재현율이 움직이는 방향을 정리해요
- K-fold 교차검증, 검증·평가 데이터의 역할, 그리드 서치와 랜덤 서치 차이를 한 장으로 요약해요
- 주말마다 80문항을 120분에 풀고 과목별 맞힌 수가 8문항 아래로 떨어진 과목이 있는지 표시해요

8주 계획 — 필기 합격 발표 뒤 실기 작업형을 준비하는 사람

필기는 통과했지만 pandas나 R 데이터프레임을 다뤄 본 경험이 적은 사람. 평일 1시간 30분, 주말 하루 4시간을 코드 실행에 쓰는 기준이에요. 2026년 제13회는 필기 발표(9월 23일)에서 실기(11월 28일)까지 9주 남짓이었어요.

1주차언어 선택과 시험 환경 익히기
- R과 Python 중 하나를 주 언어로 정하고, 문제마다 언어를 고를 수 있다는 점은 비상구로만 남겨 둬요
- 한국데이터산업진흥원 공지의 실기 체험 환경에 들어가 패키지 목록을 출력해 보고, 쓸 수 있는 라이브러리를 메모해요
- 자동완성·그래프·단축키가 없는 편집기를 가정하고 read_csv, head, info, describe를 손으로 쳐서 실행해요
- 응시자격 서류 제출 기간(제13회는 9월 23일~10월 7일)을 놓치지 않도록 서류부터 올려 둬요
2~3주차제1유형 — 전처리와 집계로 숫자 하나 구하기
- 결측값 처리, 조건 필터링, groupby 집계, 정렬 후 상위 n개 추출, IQR 이상치 개수 세기를 유형별로 매일 두 문제씩 풀어요
- Min-Max 정규화와 표준화를 직접 식으로 구현한 결과와 라이브러리 결과가 같은지 비교해요
- 답을 '반올림해 소수점 둘째 자리'처럼 지시된 형식으로 바꾸는 코드를 마지막 줄에 넣는 습관을 들여요
- 실행 시간이 1분을 넘으면 강제 취소되므로 반복문 대신 벡터 연산으로 다시 짜 보는 연습을 해요
4~5주차제2유형 — 예측 모형과 CSV 제출
- 학습·평가 데이터를 불러와 범주형 인코딩, 결측 처리, 모형 학습, 예측, CSV 저장까지 한 번에 도는 기본 틀을 외워서 칠 수 있게 만들어요
- 랜덤포레스트로 기준 점수를 만든 뒤 하이퍼파라미터를 바꿔 검증 점수가 오르는지 확인하고, random_state(SEED)를 꼭 고정해요
- 분류는 ROC-AUC·F1, 회귀는 RMSE·MAE·R² 등 지시된 평가지표를 검증 데이터로 직접 계산해 봐요
- 지시된 파일명과 칼럼명, index 제거, 예측 칼럼 1개, 평가용 데이터와 같은 행 수를 저장 직후 출력해 확인해요
6~7주차제3유형 — 통계 검정과 회귀 결과 읽기
- t-검정(단일·독립·대응), 카이제곱 독립성 검정, 분산분석을 함수로 실행하고 검정통계량과 p-값을 꺼내는 코드를 정리해요
- 선형회귀·로지스틱 회귀의 계수, p-값, 결정계수, 오즈비(exp(계수))를 출력 결과에서 찾아 읽는 연습을 해요
- 귀무가설 기각 여부를 p-값과 유의수준으로 판정하고, 소문항 순서대로 답을 적는 연습을 해요
- 2027년 응시자는 개정 실기의 '데이터 탐색 작업'(기초통계 산출, 분포 분석, 변수 간 관계 확인)에 맞춰 기술통계와 상관분석 코드를 함께 정리해요
8주차180분 실전 모의
- 제1유형 3문항, 제2유형 1문항, 제3유형 2문항을 180분 안에 한 번에 풀어 보고 유형별 걸린 시간을 기록해요
- 제2유형은 먼저 제출 가능한 기본 모형으로 CSV를 만든 뒤 남는 시간에 성능을 올리는 순서로 연습해요
- 제1·3유형은 답안 제출 화면에서 따로 입력해야 한다는 점을 모의 연습 때부터 똑같이 따라 해요
- 수험표에 적힌 고사장과 입실 시각(09:10~09:30)을 확인하고 실물 신분증을 챙겨 둬요

빅데이터분석기사 실기 대비

실기는 '빅데이터 분석 실무' 한 과목이에요. 소개 페이지의 검정방법은 통합형(필답형, 작업형) 180분으로 적혀 있지만, 실제 응시 가이드(제12회)를 보면 크롬 브라우저로 접속하는 클라우드 CBT에서 제1유형 3문항(각 10점), 제2유형 1문항(40점), 제3유형 2문항(각 15점) 모두 6문항을 코드로 풀어요. 100점 중 60점 이상이면 최종 합격이에요.

채점 대상은 코드가 아니라 결과예요. 제1·3유형은 별도의 답안 제출 화면에 입력한 값이 맞으면 만점, 틀리거나 형식을 어기면 0점이고, 제2유형은 제출한 코드가 만든 CSV 파일의 평가지표 구간에 따라 5점 단위로 점수가 매겨져요. 코드에 부분 점수가 없으니, 분석을 잘해 놓고 제출 형식에서 점수를 잃지 않도록 연습해야 해요.

제1유형은 형식까지 맞아야 10점: 가이드의 예시처럼 '반올림해 소수점 둘째 자리'가 지시되면 산출값 0.117에 대해 0.12만 정답이고, 0.120이나 0.117은 형식 위반으로 0점, '0.12, 0.117'처럼 두 값을 넣으면 복수 답안으로 0점이에요. 계산이 맞아도 형식 하나로 10점이 사라지니 round 처리까지 코드에 넣어 출력하세요.
제2유형 감점은 3점씩 쌓인다: 지시 파일명 미사용, 지시 칼럼명 미사용, 예측 칼럼 외 index나 다른 칼럼 포함이 각각 3점 감점이고, 겹치면 누적돼요. 가이드 예시에서는 세 가지를 모두 어기면 40점 구간을 받고도 31점이 돼요. 평가용 데이터와 예측 행 수가 다르면 평가지표를 낼 수 없어 0점이에요.
SEED를 고정하지 않으면 점수가 흔들린다: 풀이 중에 만든 CSV는 서버에 남지 않고, 마지막으로 제출한 코드를 다시 실행해 생긴 CSV가 채점돼요. 랜덤포레스트처럼 무작위성이 있는 모형에서 random_state를 정하지 않으면 확인한 결과와 채점 결과가 달라질 수 있어요.
실행 1분 제한과 없는 기능들: 코드는 줄 단위로 실행할 수 없고, 한 번 실행이 1분을 넘으면 강제 취소돼요. 그래프, 단축키, 자동완성도 없고 패키지는 추가 설치할 수 없어요. 대신 help, dir, ? 같은 함수로 사용법을 찾아보는 건 허용되니, 자주 쓰는 함수의 인자 이름을 직접 확인하는 연습을 해 두세요.
제3유형은 소문항마다 따로 채점: 제3유형 2문항은 각 15점이지만 소문항별로 정답 여부를 따져 점수를 더해요. 검정통계량, p-값, 기각 여부처럼 소문항이 나뉘어 있으면 앞 소문항을 틀려도 뒤 소문항에서 점수를 받을 수 있으니 순서대로 빠짐없이 입력하세요.
180분 배분과 퇴실 시각: 시험은 10:00~13:00이고 11:30 전에 퇴실하면 0점 처리돼요. 배점이 가장 큰 제2유형에 시간이 몰리기 쉬우니, 제출 가능한 기본 모형부터 만들어 두고 제1·3유형을 끝낸 뒤 남은 시간에 성능을 다듬는 순서를 미리 정해 두세요. 시험을 끝낼 때는 '시험 끝내기' 버튼을 눌러야 해요.

빅데이터분석기사 자주 헷갈리는 개념 TOP 10

CertHub 예상문제 100문항 가운데 비슷한 개념끼리 보기로 맞붙여 둔 문항을 골라 정리했습니다. 응시자 오답률 통계가 아니라 문항 구성을 보고 고른 목록입니다.

1정밀도와 재현율의 분모
흔한 실수 — TP=40, FP=10, FN=20일 때 두 지표의 분모를 바꿔 정밀도를 0.67, 재현율을 0.8로 답해요.
바로잡기 — 정밀도는 양성으로 예측한 것 중 맞은 비율이라 TP/(TP+FP)=40/50=0.8, 재현율은 실제 양성 중 찾아낸 비율이라 TP/(TP+FN)=40/60≈0.67이에요. 분모에 FP가 들어가면 정밀도, FN이 들어가면 재현율로 기억하세요.
2분류 임계값을 올릴 때의 변화
흔한 실수 — 임계값을 0.5에서 0.8로 올리면 더 엄격하게 고르니 정밀도와 재현율이 함께 좋아진다고 생각해요.
바로잡기 — 양성 판정이 줄어 FP가 줄면서 정밀도는 오르는 경향이 있지만, 놓치는 실제 양성(FN)이 늘어 재현율은 떨어지는 경향이 있어요. 암 진단처럼 환자를 놓치면 안 되는 문제에서는 재현율을 우선해요.
3IQR 이상치 경계 계산
흔한 실수 — Q1=10, Q3=30에서 상한을 Q3+IQR=50으로 계산하거나, IQR을 최댓값−최솟값으로 잡아요.
바로잡기 — IQR은 Q3−Q1=20이고, 상한은 Q3+1.5×IQR=30+30=60, 하한은 Q1−1.5×IQR=10−30=−20이에요. 범위(최댓값−최솟값)는 이상치 자체에 휘둘리는 값이라 IQR과 다른 개념이에요.
4MCAR·MAR·MNAR 결측 메커니즘
흔한 실수 — MCAR을 '결측 여부가 그 변수의 값에 따라 달라지는 경우'로 고르고, 어떤 결측이든 완전제거법이 무난하다고 봐요.
바로잡기 — MCAR은 결측이 완전히 무작위, MAR은 관측된 다른 변수로 설명되는 결측, MNAR은 결측값 자체에 의존하는 결측이에요. MNAR에서 단순 삭제하면 편향이 생기고, 다른 변수와의 관계로 채우는 회귀 대치나 여러 번 대치해 결과를 합치는 다중 대치법이 대안이에요.
5p-값, 제1종 오류, 신뢰구간의 해석
흔한 실수 — p-값 0.03을 '귀무가설이 참일 확률 3%'로, 95% 신뢰구간을 '이 구간에 모평균이 있을 확률 95%'로 읽어요.
바로잡기 — p-값은 귀무가설이 참이라는 가정 아래 관측값 이상으로 극단적인 결과가 나올 확률이라 0.03<0.05면 귀무가설을 기각해요. 제1종 오류는 참인 귀무가설을 기각하는 오류이고 유의수준이 그 허용 최대 확률이에요. 신뢰구간은 같은 방법을 반복하면 구간의 약 95%가 모평균을 포함한다는 뜻이에요.
6Min-Max 정규화와 z-score 표준화
흔한 실수 — 최솟값 20, 최댓값 120, x=70을 (x−평균)/표준편차 식에 넣거나, z-score 계산에 최댓값을 써요.
바로잡기 — Min-Max는 (x−최소)/(최대−최소)라 (70−20)/(120−20)=0.5로 0~1 범위가 되고, z-score는 (x−평균)/표준편차라 평균 50, 표준편차 10이면 (70−50)/10=2.0이에요. 실기의 '데이터 범위 표준화 또는 정규화' 항목도 이 두 식을 구분하는 데서 시작해요.
7릿지와 라쏘
흔한 실수 — 릿지가 계수를 정확히 0으로 만들어 변수를 자동으로 빼 준다고 고르고, 규제를 키우면 분산이 커진다고 봐요.
바로잡기 — 계수 절댓값 합(L1)에 벌점을 주는 라쏘가 일부 계수를 0으로 만들어 변수 선택 효과를 내고, 제곱합(L2)을 쓰는 릿지는 계수를 줄이기만 해요. 규제를 키우면 분산은 줄고 편향은 커져요.
8배깅·부스팅과 랜덤포레스트
흔한 실수 — 오분류 표본에 가중치를 순차적으로 높이는 방식을 배깅으로, 랜덤포레스트를 부스팅 계열로 분류해요.
바로잡기 — 배깅은 부트스트랩 표본으로 여러 모형을 병렬·독립으로 학습해 분산을 줄이고, 부스팅은 앞 모형의 오류를 순차적으로 보완해요. 랜덤포레스트는 배깅에 분기마다 무작위 특성 선택을 더해 트리 간 상관을 낮춘 방법이에요.
9연관규칙의 지지도·신뢰도·향상도
흔한 실수 — 100건 중 A 40건, A와 B 동시 20건일 때 A→B의 신뢰도를 20/100=0.2로 계산하고, 향상도가 1보다 작아도 함께 사는 경향이라고 해석해요.
바로잡기 — 0.2는 지지도이고, 신뢰도는 A를 산 거래 중 B도 산 비율이라 20/40=0.5예요. 향상도는 신뢰도를 B의 전체 구매 비율로 나눈 값이라 1보다 작으면 A를 산 사람이 오히려 B를 덜 사는 음의 관계예요.
10검증 데이터와 평가 데이터
흔한 실수 — 하이퍼파라미터를 바꿀 때마다 평가(test) 데이터로 점수를 확인하는 것이 정확하다고 생각해요.
바로잡기 — 검증 데이터는 하이퍼파라미터 선택과 모형 비교에, 평가 데이터는 마지막 성능 추정에 한 번만 써요. K-fold 교차검증은 데이터를 K개로 나눠 돌아가며 검증용으로 쓰고 성능을 평균내는 방법이에요. 실기 제2유형에서도 학습 데이터 안에서 검증 세트를 따로 떼어 점수를 확인해야 해요.

이 개념들이 나오는 빅데이터분석기사 CBT 모의고사 풀기

빅데이터분석기사 합격 전략

필기는 과목별 과락을 피하고 평균을 확보하는 방향으로 폭넓게 준비하세요.
실기는 R과 Python 중 익숙한 언어를 정해 기본 문법과 데이터 처리 코드를 반복 연습하세요.
실기 작업형은 자주 쓰는 함수와 분석 흐름을 손에 익히는 것이 핵심이에요.
기출과 예제 코드를 직접 실행해 보며 오류를 스스로 해결하는 경험을 쌓으세요.

공부한 내용을 빅데이터분석기사 예상문제 100문항으로 점검하기