[ADsP] 제 46회 합격 후기 및 정리

1. 시험 준비

• 공부 방법 : 아답터님 유튜브 요약 강의 2개 시청 및 모의고사 풀이

 

모의고사는 미어캣 어플을 통해서 준비했다.
 

 
점수는 굉장히 초라하지만.. 이 점수로 후기를  써도 되나 싶지만ㅋ...
일단 합격은 합격이니까 ㅎㅎ^^
 

2. 필기

데이터베이스 특징 (4가지)

• 통합: 중복 데이터 최소화
• 저장: 컴퓨터가 접근 가능한 매체에 저장
• 공용: 여러 사용자가 동일 데이터 공유
• 변화: 추가/삭제/갱신 가능

 
데이터 종류

• 정형 데이터(Structured): 행/열 구조, 관계형 데이터베이스
• 반정형 데이터(Semi-structured): 메타 정보 포함, XML·JSON·HTML 등
• 비정형 데이터(Unstructured): 사진·영상·음성·텍스트

 
DIKW 피라미드

• Data(데이터): 사실 그 자체
• Information(정보): 의미 부여된 데이터
• Knowledge(지식): 경험·맥락과 결합된 정보
• Wisdom(지혜): 통찰, 의사결정

 
빅데이터 특징

• 3V: Volume(양), Variety(다양성), Velocity(속도)
• 4V: + Value(가치)

 
분석 주제 유형 (Known/Unknown 기반)

• 최적화(Optimization)
• 통찰(Insight)
• 솔루션(Solution)
• 발견(Discovery)

 
프로젝트 접근법

• 폭포수 모델: 단계별 순차 진행, 문제 발생 시 전 단계로 피드백
• 나선형 모델: 점진적 반복, 리스크 관리 포함
• 프로토타입 모델: 시제품 기반 피드백 반복

 
분석 방법론

• KDD: 데이터 선택 → 전처리 → 변환 → 마이닝 → 평가
• CRISP-DM: 업무 이해 → 데이터 이해 → 준비 → 모델링 → 평가 → 전개

 
분석 프로젝트

• 과제 정의서: 데이터, 방법, 난이도, 수행주기, 검증 기준 포함
• 과제 특징 5가지: 데이터 크기 / 복잡성 / 속도 / 분석 복잡성 / 정확도

 
조직과 거버넌스

• 조직 유형: 집중형 / 기능 중심 / 분산형
• 거버넌스 관리 대상: 마스터 데이터, 메타데이터, 데이터 사전

 
분석 성숙도 수준

• 준비형 → 정착형 → 도입형 → 확산형

 
탐색적 데이터 분석 (EDA) ★
데이터를 본격 분석하기 전 단계

• 히스토그램: 데이터 분포 확인
• 왜도(Skewness): 분포의 비대칭
  • +값: 오른쪽 꼬리 / -값: 왼쪽 꼬리
• 첨도(Kurtosis): 분포의 뾰족함
  • 정규분포 = 3
  • 3↑ → 뾰족 / 3↓ → 완만

 
기초 통계

 
 
가설 검정 ★

• H0 (귀무가설): 효과 없음, 차이 없음
• H1 (대립가설): 효과 있음, 차이 있음
• 제1종 오류(α): H0가 참인데 기각
• 제2종 오류(β): H1이 참인데 기각 못함
• p-value < 0.05 → H0 기각

 
회귀 분석 ★

분산원	제곱합(SS)	자유도(df)	평균제곱(MS)	F
회귀(Regression)	SSR	1	MSR=SSR/1	MSR/MSE
오차(Error)	SSE	n-2	MSE=SSE/(n-2)
전체(Total)	SST	n-1

 
선형 vs 비선형

• 선형 모델: 계수에 대해 선형 (선형 회귀, 로지스틱 회귀)
• 비선형 모델: 계수에 대해 비선형 (의사결정나무, 신경망 등)

 
분류 분석

• 로지스틱 회귀: 종속변수 범주형 (0/1), logit 변환 사용
• 의사결정나무: 지니지수, 엔트로피 기반 분할 / 가지치기 필요

 
차원축소
PCA (주성분 분석)

• 고차원 → 저차원 요약
• 고유값 ≥ 1, 누적기여율 70~90% 기준

 
시계열 분석

• 정상성 필요: 평균, 분산 일정해야 함
• AR(p): 자기회귀, PACF 참고
• MA(q): 이동평균, ACF 참고
• ARIMA(p,d,q): 차분 포함

 
SOM (Self-Organizing Map)

• 비지도학습 기법
• 고차원 데이터를 2차원 격자로 시각화
• 데이터 군집화·패턴 발견에 활용

 
분류 모형 평가 지표
Confusion Matrix

• TP: 정답=1, 예측=1
• FP: 정답=0, 예측=1
• FN: 정답=1, 예측=0
• TN: 정답=0, 예측=0

주요 지표

• Accuracy = (TP+TN) / (TP+FP+TN+FN)
• Precision = TP / (TP+FP)
• Recall = TP / (TP+FN)
• F1-score = 2 × (Precision × Recall) / (Precision+Recall)

기타 지표

• ROC Curve / AUC: 분류 성능 평가

 
빨간글씨 중에 별표 표시한 건 진짜 매 모의고사마다 나왔던 것 같으니 꼭 알아두기..
 
 

---

 
 

 
솔직히 게임 프로그래머를 준비하는 입장에서 ADsP 자격증이 꼭 필요하거나 취업에 직접적인 도움이 된다고 생각하지는 않는다.
그럼에도 이 자격증을 준비한 이유는
게임이 실제 서비스 단계에 들어가면 로그 수집과 데이터 구조 설계가 필수라고 생각했다.
업데이트 이후 유저 데이터를 기반으로 어떤 시스템을 유지하고 어떤 부분을 개선할지 판단하려면
회귀분석이나 분류 모델 같은 기법으로 증명하고 다루지 않을까? 라고 생각했다.
또 기획자나 데이터 분석가와 협업할 때도 통계 용어나 분석 프로세스를 이해하고 있으면 훨씬 원활하게 소통할 수 있고 업무 효율성도 높아질 거라 판단해 공부하게 되었다.
 
물론 실무에서는 어떻게 협업하고 있는지는 모르지만..
빅데이터가 중요시되는 시대에 빅데이터를 다루는 능력이 과연 없어도 될까 라는 생각이 가장 컸다!