머신러닝 프로젝트 주제 추천

취준생을 위한 머신러닝 프로젝트 주제 추천

취업을 위한 머신러닝 프로젝트 주제 예시, 오픈 데이터 활용한 머신러닝 프로젝트

Chapter 1.

머신러닝이란?

머신러닝은 컴퓨터 시스템에게 데이터로부터 학습하고 패턴을 인식하며, 예측, 결정, 문제 해결 등의 작업을 수행할 수 있는 인공지능 분야입니다.

기본적으로 머신러닝은 알고리즘과 모델을 사용하여 데이터에서 패턴을 학습하고, 이를 기반으로 새로운 데이터에 대한 예측이나 의사 결정을 수행합니다. 머신러닝은 대량의 데이터와 수학적인 모델링을 통해 컴퓨터가 스스로 학습하고 지식을 추출하는 능력을 갖게 합니다. 학습된 모델은 새로운 데이터에 대해 예측을 수행하거나 분류, 클러스터링 등의 작업을 수행할 수 있습니다.

머신러닝은 다양한 분야에서 활용되며, 이미지 및 음성 인식, 자연어 처리, 추천 시스템, 예측 분석, 이상 탐지 등 다양한 응용 분야에서 성공적으로 적용되고 있습니다. 머신러닝을 통해 데이터에서 가치 있는 인사이트를 도출하고, 결정적인 결과를 얻을 수 있으며, 더 나아가 인간의 지능에 가까운 작업도 수행할 수 있게 됩니다.

머신러닝 프로젝트

머신러닝 기법과 알고리즘을 사용하여 주어진 문제나 목표를 해결하는 일련의 과정을 의미합니다. 일반적으로, 머신러닝 프로젝트는 다음과 같은 단계로 진행합니다.

머신러닝 프로젝트 1단계. 문제 정의

머신러닝 프로젝트를 시작하며, 프로젝트의 목표와 해결하고자 하는 문제를 명확하게 정의합니다. 머신러닝 프로젝트를 예시로 들자면 ‘수어 이미지 인식을 통해 한글로 타이핑해주는 수어 인식 키보드 플랫폼’ 을 목표로 설정할 수 있어요. 해당 머신러닝 프로젝트에서 정의한 문제는 수어 이미지 인식 및 분류 였어요.

머신러닝 프로젝트 2단계. 데이터 수집

머신러닝 프로젝트로 정의한 문제를 해결하는 데에 필요한 데이터를 수집합니다. 데이터는 프로젝트의 목표와 관련된 정보를 포함하고 있어야 하며 오픈 데이터셋, 사내 데이터, 웹 스크래핑 등 다양한 방법으로 수집할 수 있습니다.

다만 취업 준비 단계에서 프로젝트에 필요한 데이터를 손쉽게 구하긴 어려워요. 앞서 이야기 드린 수어 이미지 인식처럼요. 수어 인식 키보드 프로젝트의 경우 자음, 모음 하나씩 영상, 이미지 촬영하여 데이터를 직접 수집했습니다.

머신러닝 프로젝트 3단계 : 데이터 전처리

수집한 데이터를 정제하고 가공하여 모델에 적합한 형태로 변환합니다. 이 단계에서는 결측치 처리, 이상치 제거, 데이터 정규화, 피처 선택 등의 작업을 수행합니다.

머신러닝 프로젝트 4단계 : 모델 선택 및 훈련

프로젝트의 목표에 맞는 머신러닝 모델을 선택하고, 수집한 데이터를 사용하여 모델을 훈련시킵니다. 이 단계에서는 모델의 구조를 정의하고, 학습 알고리즘을 설정하여 모델을 최적화합니다.

머신러닝 프로젝트 5단계 : 모델 평가

훈련된 모델을 테스트 데이터에 적용하여 성능을 평가합니다. 이를 통해 모델의 정확도, 정밀도, 재현율 등을 평가하고 개선할 수 있는 방법을 찾습니다.

머신러닝 프로젝트 6단계 : 결과 시각화

프로젝트의 결과를 시각화하여 해석 가능한 형태로 제공합니다. 시각화는 모델의 성능, 예측 결과, 특징 중요도 등을 이해하기 쉽게 전달하는 데 도움을 줍니다.

머신러닝 프로젝트 7단계 배포 및 유지보수

모델을 실제 환경에 배포하고 필요에 따라 유지보수 작업을 수행합니다. 이 단계에서는 모델의 성능 모니터링, 업데이트, 새로운 데이터로의 재훈련 등을 포함할 수 있습니다.

Chapter 2.

데이터 직군 취업 준비생을 위한 머신러닝 프로젝트 주제 예시

쿠팡, 카카오 자회사를 합격한 데이터 취업 스쿨 졸업생이 진행한 머신러닝 프로젝트에 대해 소개드리고자 합니다. 주제 선정부터 모델링, 성능 평가/개선까지 일련의 과정을 모두 수강생 본인이 진행하였습니다.

OCR 모델을 활용한 한글 문자 인식 프로젝트

난이도: ★★★☆☆

OCR 모델을 활용한 한글 문자 인식 프로젝트 개요

OCR 모델을 활용한 한글 문자 인식 프로젝트는 한글 문자를 디지털 텍스트로 변환하는 OCR(광학 문자 인식) 모델을 개발하는 것을 목표로 합니다. 한글은 초성, 중성, 종성이라는 구성 요소로 이루어져 있으며, 총 11,172개의 글자로 조합됩니다. 해당 프로젝트에서는 주어진 한글 이미지를 분석하여 초성, 중성, 종성을 독립적으로 인식하고 라벨링하는 방법을 사용하여 한글 문자를 인식하는 것에 목적을 두었습니다.

OCR 모델을 활용한 한글 문자 인식 프로젝트 진행 과정

1. 데이터 전처리
주어진 한글 이미지 데이터를 전처리하여 필요한 피처를 추출합니다.

2. 객체 검출
YOLO 알고리즘을 사용하여 입력된 이미지에서 한글 음절을 찾아냅니다.

3. 초성, 중성, 종성 인식
ResNet 모델을 사용하여 각각의 구성 요소를 인식합니다.

4. 모델 훈련 및 성능 개선
구축한 모델을 훈련시키고 성능을 개선하기 위해 실험과 최적화를 수행합니다.

실무 적용 사례

OCR 모델을 활용한 한글 문자 인식 프로젝트를 통해 개발한 한글 OCR 모델은 실무에서 작업자의 이름표를 인식하는 데에도 적용될 수 있습니다. 예를 들어, 공장 또는 작업 현장에서 작업자들은 자신의 이름표를 착용합니다. 이러한 상황에서 OCR 모델을 사용하여 작업 현장의 모니터링 시스템이 작업자의 이름표를 자동으로 인식하고 식별할 수 있습니다.
이를 통해 작업 현장의 출입을 관리하거나 작업자의 움직임을 추적할 수 있습니다. 또한, 작업자의 이름표를 인식하여 해당 작업자의 작업 기록이나 보고서와 연결할 수도 있습니다. 이를 통해 작업자의 업무 수행 상황을 실시간으로 파악하고 효율적인 업무 관리를 할 수 있습니다.

머신러닝 및 딥러닝 모델을 활용한 음성 감정 분석에서 과적합 방지 프로젝트

난이도: ★★★★☆

음성 감정 분석 과적합 방지 프로젝트 개요

음성 감정 분석 과적합 방지 프로젝트는 기존 음성 데이터를 활용한 감정 인식 연구의 한계점을 지적하고, 과적합 문제를 해결하기 위한 데이터 전처리 개선 방법을 제안합니다.
이를 위해 AI허브의 음성 합성 데이터를 사용하여 기쁨, 당황, 분노, 불안, 슬픔의 다섯 가지 감정으로 구성된 데이터를 분석하였습니다. MFCC와 Mel Spectrogram을 활용하여 음성 데이터의 특징을 추출하고, RNN LSTM, CNN ResNet, CNN EfficientNet, Random Forest 등 다양한 모델을 이용하여 감정을 분류하고 성능을 평가했습니다.

머신러닝 프로젝트 진행 순서

1. 데이터 수집
AI 허브의 음성 합성 데이터를 활용하여 기쁨, 당황, 분노, 불안, 슬픔의 다섯 가지 감정으로 구성된 데이터를 수집합니다.

AI허브 : https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=realm&dataSetSn=539

2. 데이터 전처리
수집한 음성 데이터를 전처리하여 필요한 피처를 추출합니다. MFCC와 Mel Spectrogram을 사용하여 음성 데이터의 특징을 추출합니다.

3. 모델 설계
RNN LSTM, CNN ResNet, CNN EfficientNet, Random Forest 등 다양한 모델을 설계합니다. 각 모델은 추출된 피처를 입력으로 받아 감정을 분류하는 역할을 수행합니다.

4. 모델 훈련 및 성능 평가
설계한 모델을 학습시키고 성능을 평가합니다. 초기 실험에서는 과적합 문제가 발생할 수 있으므로 데이터 조각 재배열 및 top_2 accuracy를 도입하여 과적합을 방지하고 성능을 향상시킵니다.

5. 결과 분석 및 개선
훈련된 모델의 결과를 분석하고 성능을 개선하기 위한 실험과 최적화를 수행합니다. 필요한 경우 모델 구조나 하이퍼파라미터를 수정하여 성능을 향상시킵니다.

실무 적용 사례

개발한 감정 인식 모델은 다양한 분야에서 활용될 수 있습니다.
1. 음성 기반 상담 서비스 : 감정 인식 모델을 음성 기반 상담 서비스에 적용하여 고객의 감정 상태를 실시간으로 인식하고 분석할 수 있습니다. 이를 통해 상담원은 고객의 감정 변화를 파악하고, 그에 맞는 적절한 응대와 해결 방안을 제시할 수 있습니다. 이는 고객 만족도 향상과 함께 효율적인 상담 서비스 제공에 도움을 줄 수 있습니다.

2. 광고 및 마케팅 분석 : 감정 인식 모델을 마케팅 분석에 활용하여 광고 캠페인의 효과를 평가하고 분석할 수 있습니다. 광고를 노출한 대상의 음성 데이터를 분석하여 기쁨, 당황, 분노, 불안, 슬픔 등의 감정 변화를 추적하고, 해당 광고에 대한 반응을 파악할 수 있습니다. 이를 통해 광고의 효과적인 타겟팅과 개선을 도모할 수 있습니다.

딥러닝을 활용한 운전자 부주의 행동 분류 프로젝트

난이도: ★★★★☆

행동 분류 프로젝트 개요

해당 프로젝트는 딥러닝을 활용하여 운전자의 부주의 행동을 분류하고자 했습니다. 이를 위해 EfficientNet과 YOLOv3를 활용하여 운전자의 졸음, 통화, 하품, 흡연 등 총 4가지 부주의 행동을 분류하였습니다.
데이터는 AI-Hub에서 제공한 운전자 상태 정보 영상 데이터를 사용하였으며, 실험 결과, EfficientNet-B3는 93.12%의 정확도를, YOLOv3는 95.99%의 객체 검출율을 기록하였습니다.
해당 모델을 활용하면 자동차 내에 설치된 카메라 등을 통해 운전자의 부주의 행동을 실시간으로 감지하고, 교통사고를 예방하는 데 도움을 줄 수 있습니다.

머신러닝 프로젝트 진행 순서

1. 데이터 수집
AI-Hub에서 제공하는 졸음운전 예방을 위한 운전자 상태 정보 영상 데이터를 수집합니다. 이 데이터는 통제환경에서 수집된 승용차량 운전 상황의 시나리오에 따라 사람의 연기를 통해 연출된 영상 데이터입니다.

AI허브 : https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=realm&dataSetSn=651

2. 모델 선택
EfficientNet과 YOLOv3를 선택하여 운전자 부주의 행동을 분류하고 객체를 검출하는 모델로 사용합니다.
EfficientNet은 이미지 분류에, YOLOv3는 객체 탐지에 효과적인 모델입니다.

3. 모델 학습
EfficientNet-B3 모델을 전이학습합니다. Compound Scaling 기법을 사용하여 최적의 조합을 찾아내고, 학습에 사용할 데이터를 준비합니다.
Coumpound Scaling 기법은 기존 Convolution Network에서 각각 따로 적용하던 방법들(신경망의 depth를 늘리는 방법, channel의 width를 늘리는 방법, 입력 이미지의 resolution을 올리는 방법)에 대한 최적의 조합을 AutoML을 통해서 찾은 기법을 의미합니다. 이후 YOLOv3를 사용하여 전체 이미지에서 운전자의 부주의 행동을 감지하도록 학습합니다.

4. 모델 평가
EfficientNet-B3 모델의 성능을 평가하기 위해 Accuracy를 사용합니다. 최종 Accuracy는 93.12%로 측정되었으며, 각 클래스별 정확도를 확인합니다.
YOLOv3 모델의 성능을 평가하기 위해 mAP(mean Average Precision)를 사용합니다. 최종 mAP는 95.99%로 측정되었으며, 각 클래스별 AP를 확인합니다.

실무 적용 사례

1. 자율주행 자동차
운전자의 부주의 행동을 감지하여 자율주행 자동차 시스템에 적용할 수 있습니다. 카메라 또는 센서를 통해 운전자의 얼굴을 실시간으로 모니터링하고, 졸음, 통화, 하품, 흡연 등의 부주의 행동을 식별합니다. 이를 통해 운전 중 발생할 수 있는 사고를 예방하고 운전 안전성을 향상시킬 수 있습니다.

2. 운전자 평가 시스템
운전자 평가 시스템에 운전자의 부주의 행동 분류 방법을 적용하여 운전자의 운전 습관 및 안전 태도를 평가할 수 있습니다. 이를 통해 운전자의 주의력, 집중력, 안전 운전에 대한 인식을 평가하고 개선할 수 있습니다. 또한, 운전자에 대한 개별적인 피드백을 제공하여 개인의 운전 습관을 개선하는 데 도움을 줄 수 있습니다.

3. 교통 정책 수립
정부나 교통 당국은 운전자의 부주의 행동을 분류하여 교통 정책 수립에 활용할 수 있습니다. 부주의 운전의 주요 원인과 패턴을 분석하여 적절한 예방 정책을 수립하고, 교통 안전 캠페인을 계획할 때 참고 자료로 활용할 수 있습니다. 이를 통해 교통사고 예방 및 교통 안전성 향상을 목표로 한 정책 수립에 기여할 수 있습니다.

XGBoost 를 이용한 한국 지문자 수어 인식 자판 시스템 구현

난이도: ★★★★☆

프로젝트 개요

이 프로젝트는 한국의 청각 장애인들을 위한 지문자 수어 인식 자판 시스템을 개발하는 것을 목표로 했습니다.
우리나라에 등록된 청각 장애인 수는 2021년을 기준으로 약 411,749명이며, 이는 전체 등록 장애인의 약 15%를 차지합니다. 이러한 상황에 청각 장애를 가지신 분들의 소통에 도움을 드리고자 하는데 의의를 가졌습니다.
본 프로젝트는 이러한 문제를 해결하기 위해 XGBoost 모델을 사용하여 한국 지문자를 인식하는 자판 시스템을 구현하고자 했습니다.

머신러닝 프로젝트 진행 순서

1. 데이터 수집
자음 18개, 모음 17개, 숫자 10개의 지문자 데이터를 카메라를 통해 수집합니다. 초당 60프레임의 비디오 중 30프레임을 선별하여 사용하며, 랜드마크 추출을 위해 MediaPipe를 활용합니다.

2. 데이터 전처리
추출된 랜드마크 데이터를 Albumentation 라이브러리를 사용하여 회전, 이동, 확대/축소 등의 변형을 적용하여 데이터셋을 구성합니다. 이 과정을 통해 데이터의 다양성을 높이고 모델의 학습을 개선합니다.

3. 모델 학습
XGBoost를 사용하여 한글 지문자를 인식하는 모델을 학습시킵니다. 해당 모델은 머신러닝을 통해 학습된 경량화된 모델로, 딥러닝 모델에 비해 비교적 빠른 속도와 높은 인식률을 가지고 있습니다.

4. 시스템 구현
인식된 한글은 PyAutoGUI를 통해 사용자가 원하는 입력창에 입력됩니다. 이를 통해 청각 장애인들은 편리하게 의사소통할 수 있는 환경을 제공받을 수 있습니다.

- MediaPipe: 영상 및 미디어 데이터에서 실시간으로 랜드마크 추출, 객체 추적, 포즈 추정 등을 수행하는 오픈소스 프레임워크
- 랜드마크: 객체나 인체의 특정 지점을 나타내는 포인트로, 주로 얼굴, 손, 관절 등의 위치를 나타내는 좌표 데이터
- PyAutoGUI: 파이썬으로 작성된 크로스 플랫폼 자동화 라이브러리로, GUI 요소를 제어하고 키보드 및 마우스 동작을 자동화하는 기능을 제공

실무 적용 사례

1. 교육 기관 : 학교나 교육 기관에서는 이러한 지문자 수어 인식 자판 시스템을 도입하여 청각 장애 학생들의 학습 및 소통을 지원할 수 있습니다. 학생들은 자신의 의견이나 질문을 시스템을 통해 편리하게 전달할 수 있으며, 교사들도 학생들과 원활한 소통을 할 수 있습니다.

2. 공공기관 : 청각 장애인들이 공공기관을 이용할 때도 이러한 자판 시스템이 도움이 될 수 있습니다. 행정 업무나 상담 등의 상황에서 청각 장애인과의 원활한 의사소통을 지원하여 서비스의 접근성을 향상시킬 수 있습니다.

3. 의료 기관 : 의료 기관에서는 이 시스템을 활용하여 의사와 환자 간의 의사소통을 원활하게 할 수 있습니다. 환자들은 증상이나 질문을 시스템을 통해 전달하고, 의사는 적절한 답변을 제공할 수 있습니다. 이를 통해 의료 서비스의 품질과 환자 만족도를 향상시킬 수 있습니다.

Chapter 3.

머신러닝 프로젝트 시작 전 꼭 알아야 하는 6가지

머신러닝 프로젝트를 시작하기 전, 어떤 주제를 어떤 데이터로, 어떻게 모델링할까에 대한 고민이 있을텐데요. 시작 전 여러분이 꼭 알아야 하는 6가지가 있습니다. 미리 알고 있으면 머신러닝 프로젝트의 효율성과 성공 확률을 높일 수 있죠.

첫 번째.

명확한 목표 설정

머신러닝 프로젝트를 시작하기 전 목표를 명확하게 설정해야 합니다. 어떤 문제를 해결하려고 하는지, 어떤 결과를 얻고자 하는지를 명확하게 이해하고 목표를 설정해야 합니다. 이렇게 하면 프로젝트를 진행하는 동안 방향을 잃지 않고 목표에 집중할 수 있습니다.

두 번째.

데이터 수집과 정제

머신러닝 프로젝트의 성공은 데이터에 크게 의존합니다. 따라서 프로젝트를 시작하기 전에 사용할 데이터의 품질과 가용성을 확인해야 합니다. 데이터가 충분하고 정확한지, 누락된 값이나 이상치가 있는지 등을 검토해야 합니다. 데이터의 품질이 좋지 않다면 추가적인 데이터 수집이나 전처리 과정이 필요할 수 있습니다. 품질 좋은 데이터가 좋은 결과를 만듭니다. 적절한 데이터를 수집하고, 결측치나 이상치와 같은 문제들을 처리하는 데이터 정제 과정이 필수적입니다.

[추천 데이터 셋]
-kaggle
-ai 허브
-Dacon
-KT 빅데이터 플랫폼
-공공 데이터 포털

세 번째.

모델 선택과 성능 평가

머신러닝 알고리즘은 다양하게 존재하며, 각각의 알고리즘은 특정한 유형의 문제에 적합합니다. 머신러닝 프로젝트에 적합한 알고리즘을 선택하기 위해 문제의 특성과 목표에 맞는 알고리즘을 탐색해야 합니다. 이를 위해 머신러닝의 기본 알고리즘과 특정 분야에 적합한 알고리즘들에 대한 이해가 필요합니다. 주어진 문제에 가장 적합한 머신러닝 모델을 선택해야 합니다. 또한, 모델의 성능 평가를 위한 적절한 지표를 선택하고 평가 과정을 신중하게 진행해야 합니다

네 번째.

모델 평가와 성능 개선

머신러닝 프로젝트의 성공은 모델의 성능에 크게 의존합니다. 모델의 성능을 정확하게 평가하기 위해 적절한 평가 지표를 선택하고 교차 검증과 같은 기법을 활용해야 합니다. 또한, 모델의 성능을 개선하기 위해 하이퍼파라미터 튜닝과 특성 선택 등의 기법을 적용해야 합니다.

다섯 번째.

과적합 방지, 하이퍼파라미터 튜닝

과적합은 모델이 학습 데이터에 지나치게 적합되어 실제 데이터에서 성능이 떨어지는 현상을 말합니다. 이를 방지하기 위해 데이터를 학습용과 검증용으로 나누거나 교차 검증을 활용해야 합니다. 머신러닝 모델에는 여러 하이퍼파라미터가 존재하며, 이를 최적화하여 모델의 성능을 향상시키는 작업이 필요합니다.

여섯 번째.

머신러닝 프로젝트 문서화

프로젝트 진행 과정과 결과를 문서화하는 것이 중요합니다. 코드와 결과를 재현 가능하도록 정리하고, 프로젝트에 대한 보고서 작성을 통해 결과를 명확하게 전달해야 합니다.

머신러닝 프로젝트 주제를 선정할 땐 자신이 가장 관심있는 분야나 역량을 고려하여 주제를 선택하세요. 예를 들어, 야구 데이터를 바탕으로 득점과 상관성있는 데이터 인사이트를 발굴하는 것처럼 머신러닝 프로젝트 진행하는 본인이 흥미있는 분야를 선택하는 게 좋습니다.

만약 취업 준비 중인 상황에서 취업을 위한 머신러닝 프로젝트를 진행하고자 한다면, 실용성과 유용성에 대해 고민해보세요. 선정한 머신러닝 프로젝트 주제가 실제로 문제를 해결하거나 실전에서 유용하게 활용될 수 있을지, 실용적인 주제일수록 결과물에 대한 가치가 높아집니다.

머신러닝 엔지니어를 비롯한 여러 데이터 직군 모두 신입으로 취업하기 쉽지 않습니다. 실무에 가까운 머신러닝 프로젝트를 진행하면면 보다 효율적으로 문제를 해결하고 성공적인 프로젝트 결과물을 얻을 수 있을 것입니다. 이외에도 프로젝트 진행 중 발생하는 문제들에 유연하게 대처하고, 동료들과의 협업과 피드백을 활용하여 지속적인 성장을 이루어 나가는 것이 중요합니다.

머신러닝 프로젝트를 수행하는 과정에서 데이터셋의 선택과 전처리, 모델의 훈련과 평가, 결과의 시각화와 해석 등 다양한 단계를 경험하게 될 것입니다. 이러한 과정을 통해 데이터에 대한 이해도와 머신러닝 기법에 대한 실전 경험을 쌓을 수 있을 것입니다.

취준생으로서 머신러닝 프로젝트에 도전하는 것은 멋진 결정입니다. 새로운 기술과 도구를 탐구하고, 문제를 해결하는 과정에서 성장하며 자신의 잠재력을 발견할 수 있을 것입니다. 가장 중요한 것은 열정을 가지고 끝까지 머신러닝 프로젝트에 임하는 것입니다.

지금도 데이터 취업 스쿨에서 열정을 가지고 머신러닝 프로젝트를 이어가고 있는 분들이 많습니다.
머신러닝 프로젝트 규모를 키워 팀 프로젝트를 하고 싶은데 함께 할 동료를 찾고 있다면, 데이터 취업 스쿨에서 현직 인공지능 개발자의 피드백과 함께 해보는 건 어떨까요?

데이터 취업 스쿨에서는 수강생이 선정한 프로젝트 주제와 취업 희망 도메인을 바탕으로 100% 취업 연계 인턴십을 운영하고 있습니다. 나이, 전공, 학력 상관없이 실제 기업에 출근하여 머신러닝 실무를 경험하고 경력 쌓아 취업에 도전하세요!

데이터 직군 취업까지 6개월.
데이터 전문 교수진이 함께합니다.
>> 데이터 취업 스쿨 바로가기

추천 컨텐츠