빅데이터의이해와활용 시계열 데이터를 분석하기 위한 기법을 3가지 이상 선택해 그 장단점을

목차

1. 시계열 데이터를 분석하기 위한 기법을 3가지 이상 선택해 그 장단점을 설명하되, 예시를 포함하시오.
1) 이동 평균(Moving Average, MA)
2) 자기회귀 통합 이동 평균(ARIMA, AutoRegressive Integrated Moving Average)
3) Long Short-Term Memory (LSTM)

2. A/B 검증에 대해 설명하시오.

3. 20대 여성과 40대 여성의 취미생활 차이를 분석하시오.
1) 검색 키워드 선정
2) 데이터 수집 및 시각화
3) 결과 분석

4. 데이터를 이용해 기후 위기 부정론자를 설득해야 하는 상황이라고 가정. The beauty of data visualization 시청 후 해당 강연에서 나오는 시각화 방법 중 하나를 선택하여, 어떤 데이터를 해당 방법으로 시각화할 것인지를 자세히 설명하시오.
1) 스몰 멀티플(Small Multiples) 기법이란?
2) 선택한 데이터: 글로벌 온도 변화 추이
3) 시각화의 구성
4) 시각화의 목적과 기대 효과
5) 설득 포인트

5. 참고문헌

본문내용

1) 이동 평균(Moving Average, MA)
이동 평균은 특정 시점의 데이터에 대해 일정 기간의 평균을 계산하여, 시간에 따른 변동을 부드럽게 만들어 트렌드를 파악하는 기법이다. 이동 평균은 데이터의 노이즈를 줄이고, 데이터의 전반적인 경향을 쉽게 파악할 수 있도록 도와준다.
장점: -단순하고 이해하기 쉬운 기법이다. -이상치(Outlier)나 노이즈를 제거하여 데이터의 전체적인 추세를 쉽게 볼 수 있다.
단점: -장기적인 트렌드 변화를 반영하지 못할 수 있다. -예측을 위한 모델로 활용하기에는 한계가 있다.
예시: 만약 주식 가격이 다음과 같다고 하자: [100, 105, 102, 107, 110, 115, 118]. 이때 3일 이동 평균을 구하면 다음과 같다: 첫 3일 이동 평균: (100 + 105 + 102) / 3 = 102.3
다음 3일 이동 평균: (105 + 102 + 107) / 3 = 104.7
이러한 방식으로 전체 데이터를 부드럽게 만들어 트렌드를 분석할 수 있다.
2) 자기회귀 통합 이동 평균(ARIMA, AutoRegressive Integrated Moving Average)
ARIMA 모델은 시계열 데이터에서 자기회귀(AR), 이동평균(MA), 그리고 차분(differencing)을 결합하여 데이터를 모델링하는 기법이다. 일반적으로 비정상(non-stationary) 시계열 데이터를 안정적인 상태로 변환한 후, 예측 모델을 구축하는 데 사용된다.

참고자료

· The beauty of data visualization – David McCandless
· (https://www.youtube.com/watch?v=pLqjQ55tz-U)
· Naver Datalab (https://datalab.naver.com/)