[내일배움캠프 QAQC 부트캠프] 절차탁마[切磋琢磨](34일차, 260629)

---

1. 오늘 학습 키워드:

라이브세션 복습

 

---

2. 오늘 학습 한 내용을 나만의 언어로 정리하기:

코드카타

알고리즘

 

78 - 피보나치 수 def solution(n):     i = 2     FA = 0     FB = 1     while i <= n:         FC = FA + FB         FA = FB         FB = FC         i+=1     return (FC%1234567)

SQL

개념추가: COALESCE(): 값들 중 NULL이 아닌 첫 번째 값을 반환

75 - 자동차 대여 기록 별 대여 금액 구하기 SELECT A.HISTORY_ID, ROUND(DATEDIFF(A.END_DATE, A.START_DATE) + 1) * B.DAILY_FEE * (1 - COALESCE(C.DISCOUNT_RATE, 0) / 100) AS FEE FROM CAR_RENTAL_COMPANY_RENTAL_HISTORY AS A INNER JOIN CAR_RENTAL_COMPANY_CAR AS B  ON A.CAR_ID = B.CAR_ID AND B.CAR_TYPE = '트럭' LEFT JOIN CAR_RENTAL_COMPANY_DISCOUNT_PLAN AS C  ON B.CAR_TYPE = C.CAR_TYPE  AND C.DURATION_TYPE = CASE      WHEN DATEDIFF(A.END_DATE, A.START_DATE) + 1 >= 90 THEN '90일 이상'     WHEN DATEDIFF(A.END_DATE, A.START_DATE) + 1 >= 30 THEN '30일 이상'     WHEN DATEDIFF(A.END_DATE, A.START_DATE) + 1 >= 7 THEN '7일 이상'     ELSE NULL  END ORDER BY FEE DESC, A.HISTORY_ID DESC

76 - 상품을 구매한 회원 비율 구하기 SELECT  YEAR(B.SALES_DATE) AS YEAR,  MONTH(B.SALES_DATE) AS MONTH,  COUNT(DISTINCT B.USER_ID) AS PURCHASED_USERS,  ROUND(     COUNT(DISTINCT B.USER_ID) / (     SELECT COUNT(*)      FROM USER_INFO      WHERE YEAR(JOINED) = 2021)      , 1)      AS PUCHASED_RATIO FROM USER_INFO AS A INNER JOIN ONLINE_SALE AS B ON A.USER_ID = B.USER_ID WHERE YEAR(A.JOINED) = 2021 GROUP BY YEAR, MONTH ORDER BY YEAR ASC, MONTH ASC

SQL PART 完?  To be continued....

 

 

 

 

기초 통계 라이브 세션

1회차 데이터는 답이 하나가 있는게 아님 - 소거 등으로 깎아내는 과정 통계 - 패턴을 객관적 수치화 -> 핵심 판단 데이터(vs감): 수치에 기반한 정확한 진단과 근거를 도출 제조업 예: 압연 공정의 제품 두께 편차 샘플 예측: 인장 강도 시험, 비교, 가설검정, 분산 분석(아노바) 데이터 종류 크게 수치형/범주형 작게 연속형, 이산형, 명목형, 순서형으로 분류 도수분포표 도수, 상대도수, 누적도수, 최대/최소값, 계급, 구간의 수, 구간의 폭 등 히스토그램화 관련 코드 s = pd.Series(data) plt.figure(figsize=(8, 5)) plt.hist(s, bins=10, edgecolor='black') plt.title('') plt.xlabel('') plt.ylabel('') plt.grid(True) plt.show() 대표값 평균의 함정: 마이클 조던(이상치)과 평균연봉(평균) 대표값 종류: 평균, 중앙값(이상치 존재시), 최빈값(데이터가 범주형이면) (산술)평균: mean, 총합을 평균으로 나눈 값(이상치의 영향 O) mean_value = np.mean(data) 중앙값: median, 오름차순, 데이터의 50%에 해당하는 값(이상치의 영향X) median_value = np.median(data) 최빈값: mode, 가장 자주 등장하는 값, 2개 이상 존재 가능 mode_value = stats.mode(data, keepdims=False) 메서드 함수로는? df["test"].mean() df["test"].median() df["test"].mode() 산포도 편차: 평균과의 차,  개별값과 평균 간의 거리 분산: 편차 제곱 평균,  데이터의 전체적 퍼짐 정도 표준편차: 분산 제곱근,  실제 변동성 해석 변동계수: 표준편차/평균,  다른 단위의 데이터 비교 산포도 코드 deviations = data - mean_value variance = np.mean(deviations ** 2) std_dev = np.sqrt(variance) cv = std_dev / mean_value 사분위수: 4등분했을 때 각각 25%, 50%, 75% 해당값 사분위 범위(IQR):  Q3-Q1, 주로 이상치 탐지에 활용 사분위 코드 Q1 = np.percentile(data, 25)  # 제1분위수 (Q1) Q2 = np.percentile(data, 50)  # 제2분위수 (Q2, 중앙값) Q3 = np.percentile(data, 75)  # 제3분위수 (Q3) IQR = Q3 - Q1 왜도: 분포의 좌우 비대칭성, 평균을 중심으로 좌우로 치우친 정도 - 양수(+): 우측 꼬리 길음, right skew - 0: 대칭적 (정규분포와 유사) - 음수(-): 좌측 꼬리 길음, left skew 첨도: 분포의 뾰족한 정도, 데이터의 분포가 정규분포보다 더 뾰족한지 기본 값은 3이며, 엑셀이나 파이썬에서는 편의를 위해 0을 기준 - 초과 첨도 양수(+): 정규분포보다 뾰족함 ( 첨도 > 3) - 초과 첨도 0: 정규분포와 유사 ( 첨도 =3 ) - 초과 첨도 음수(-): 정규분포보다 평평함 ( 첨도 < 3) 정규분포:  평균을 중심으로 좌우 대칭 곡선은 각 확률값을 나타내며, 모두 더하면 1 평균 0, 분산 1을 가지는 경우, 표준정규분포 코드 계산 skewness = skew(data) kurt = kurtosis(data) koreanize maplotlib 라이브러리 --> 별도로 폰트 설정할 필요X -------------------------- #!pip install koreanize-matplotlib import numpy as np import koreanize_matplotlib import matplotlib.pyplot as plt import seaborn as sns # KDE 그래프 그리기 (histplot 활용) plt.figure(figsize=(10, 6)) sns.kdeplot(data, color='red', linewidth=2, label="KDE (Estimated PDF)") # 그래프 설정/출력 plt.title("KDE (Kernel Density Estimation)", fontsize=14) plt.xlabel("값", fontsize=12) plt.ylabel("밀도", fontsize=12) plt.legend() plt.grid() plt.show() -----------------------------------

2회차 .describe() 기초통계량 .describe(include = 'all') 범주형까지 전부 경우의수 -> 확률변수와 확률 모든 확률은 더했을 때 1이 되어야 함 PMF: 확률 질량 함수 - 이산형 확률변수 PDF: 확률 밀도 함수 - 연속형 확률변수 KDE(커널밀도추정): 데이터 기반 PDF 근사, kdeplot() 베르누이 시행: 결과가 두 개뿐인 실험 포아송분포: 일정한 단위 시간, 공간에서 발생하는 이벤트의 수의 확률분포 정규분포: 연속형 변수의 대표, 품질 특성 대부분 SPC에서 관리도(USL, LSL)와 Z-점수 해석, 3시그마 개념 -> 정규분포 기반 3시그마 법칙 - 68 -95 -99.7 규칙이라고도 함 6시그마는 불량률 3.4ppm 목표, zero defects 등 CP(공정 능력 지수): 공정이 주어진 공차 내에서 얼마나 일관된 생산? Cp = (USL -LSL) / (6*시그마), > 1.33이면 안정 Cp는 정규분포 가정, 3시그마 범위를 기준으로 계산 Cpk(공정 성능 지수) Cpk = min((뮤 -LSL) / (3*시그마), (HSL - 뮤) / (3*시그마)) 즉, Cp 와 다르게 Cpk는 공정의 평균이 중심에서 얼마나 치우쳐 있는지 Cp >1.33이면 적정, 2.0이면 6-sigma 수준 Cp Cpk는 큰게 좋음, 1.33 Cp는 중심에서 얼마나 벗어났는지 고려X but Cpk는 이를 고려 표준정규분포: 평균이 0이고 표준편차가 1인 정규분포 Z -score: 실측값(x)을 평균(μ)에서 얼마나 떨어져 있는지를 표준편차(σ) 단위로 환산한 값 Z - 정규화: 모든 값을 평균 0, 표준편차 1로 변환 // 서로 다른 단위를 가진 변수들을 같은 스케일로 통일, 비교 정규화: 데이터의 범위를 0과 1 사이로 압축하는 스케일링 기법, 이상치에 매우 민감 표준화: 데이터의 평균(μ)을 0, 표준편차(σ)를 1로 맞추는 스케일링 기법, 이상치에 상대적으로 강건함 이상치: 데이터 분석의 왜곡, 하지만 무조건 지우는 것은 옳지 않음 히스토그램, 박스플롯, 바이올린플롯 등 파이썬 시각화 방법은 많이 알수록 좋음

3회차 모수: 모집단의 특성(전수조사) 통계량: 표본의 특성(표본조사) 표본이 모집단을 대표하기 위해선 '대표성'을 가져야 함 제조업의 표본검사 파괴 검사(인장강도, 파단 에너지 등)의 특성 -검사 자체가 제품을 폐기시키므로 전수 측정이 불가능 로트 단위 품질 관리의 원리 -동일한 조건에서 생산된 제품 묶음(로트)에 대해 품질을 대표하는 샘플만을 검사 정량적 리스크 기반 의사결정 - 95%~99% 수준의 신뢰도로도 충분 -> 일부 샘플링 + 통계기법 표본 추출방법 중 층화 추출:  집단 내 동질적, 집단 간 이질적 표본분포: 같은 모집단에서 동일한 크기의 표본을 여러 번 추출할 때 계산되는 통계량(예: 평균)의 분포 충분한 표본 수가 있을 경우 표본 평균은 정규분포 (중심극한정리) 중심극한정리: 표본의 크기가 충분히 크다면 '표본평균들의 분포'가 정규분포에 근사 큰 수의 법칙: 표본의 크기(n)가 커질수록, 표본평균이 모평균에 가까워짐 표준오차: 동일한 모집단에서 동일한 크기의 표본을 반복해서 추출할 때, 그 표본 평균들의 분포(표본분포)의 표준편차 동일한 모집단에서 동일한 크기의 표본을 반복해서 추출할 때, 그 표본 평균들의 분포(표본분포)의 표준편차 신뢰 구간: 모집단의 실제 값(모평균 등)이 포함될 범위 추정 구간 표본 데이터로부터 모집단의 평균이나 비율을 추정 표본이 클수록, 신뢰구간(CI)가 좁을수록, 모집단 평균 추정치가 정확해짐 신뢰수준이 95%일 경우 남은 5%의 확률(양쪽 꼬리 부분)이 바로 유의수준(α) 가설 검정:  표본 데이터를 기반으로 모집단에 대한 주장을 통계적으로 판단 귀무가설: 차이가 없다는 것을 전제로 한 기본 가설. 대립가설: 증명하고 싶은 가설 유의수준 (α): 귀무가설이 참인데도 실수로 기각할 확률의 상한선. (5% 이하의 가능성으로만 귀무가설을 기각) p-value(p): 귀무가설(H₀)이 참일 때, 지금처럼 극단적인 데이터를 관측할 확률(p < 0.05 → 귀무가설을 기각) 단측검정, 양측검정, 1종 오류, 2종 오류는 생략 모수 검정: 모집단 분포에 대한 전제를 가지는 검정 방법 t-test, z-test, ANOVA t-test: 모집단의 분산(표준편차)를 모를 때, 작은 표본(n < 30) 기반,  두 평균 간의 차이가 통계적으로 유의한지를 판단하는 평균 차이 검정 방법 단일표본 t 검정 한 집단의 평균이 특정값과 다른지 확인 시 사용 독립표본 t-검정 서로 다른 두 그룹 간 평균 차이를 비교 시 사용 대응표본 t 검정 동일한 대상에서 전/후 값을 비교할 때 사용 영향도 분석 p-value의 함정 표본 크기(n)의 영향: 표본 크기(n)가 매우 크면, 아주 미세하고 사소한 차이조차 통계적으로 유의미(p < 0.05)하게 나옵니다. p-value 효과 크기(Effect Size) 차이의 존재 여부(p-value), 차이의 실질적 영향력(Cohen's d) 정규성 검정: 독립성(연구 설계), 등분산(기본값), 정규성 따라서 실무에서는 정규성 검정 정도만 수행 정규성 검정 - 필요성: 데이터가 정규분포를 따른다는 전제를 확인 Shapiro-Wilk Test: 가장 널리 사용되는 정규성 검정 귀무가설: 데이터가 정규분포를 따른다 p < 0.05 → 정규성을 만족하지 않음 → 비모수 검정 사용 Q-Q 플롯: 데이터가 정규분포를 따르는지를 시각적 확인 45도 직선에 가까우면 정규성 만족, 멀리 떨어진 점이 많다면 정규성 위배 비모수 검정:  평균 대신 '순위(rank)' 기반으로 차이를 비교 데이터 수가 적어 정규성을 판단하기 어려울 때 사용 Mann-Whitney U Test: 두 독립 집단 간의 중앙값 차이 또는 분포 차이를 비교 Wilcoxon Test: 사전-사후 변화 등 쌍으로 대응되는 데이터의 차이를 비교 Kruskal-Wallis H Test: 세 개 이상의 독립 집단 간에 중앙값 또는 분포 차이가 있는지를 비교 Chi-square Test: 범주형 변수 간의 독립성을 검정 비모수 검정은 마이너한 영역, 외우지 말고 필요하면 찾을 것.

4회차 분산분석(ANOVA): 세 개 이상의 집단 간의 평균에 통계적으로 유의미한 차이가 있는지를 검증 여러 번의 t-검정→ 1종 오류 증가 문제→대신 ANOVA 사용 분산의 두 가지 종류를 비교 집단 간 분산: 그룹 평균들 사이의 "차이" 집단 내 분산: 같은 그룹 안에서의 "오차"나 "잡음" F-값: 집단 간 분산/집단 내 분산 F-값이 클수록 그룹 간 평균 차이가 통계적으로 유의 ANOVA의 기본 가정: 정규성, 등분산성, 독립성 전제 조건이 충족되지 않는다면 비모수 검정인 Kruskal-Wallis 검정 일원 분산분석:  하나의 범주형 독립변수(예: 생산라인), 하나의 연속형 종속변수 ANOVA 분석 결과 p-value가 유의수준보다 작아서 "그룹 간에 차이가 있다"는 결론 but 정확히 어느 그룹과 어느 그룹 사이에 차이가 있는지 알려주지 않음 사후분석:  ANOVA 이후에 구체적으로 어떤 그룹 쌍이 다른지를 알아보기 투키의 HSD , 던 검정 등등 공분산: 두 변수의 변동 방향을 함께 계산한 값 상관계수: 공분산을 정규화한 값 종류: 피어슨 상관계수(연속형),스피어만 순위 상관계수(서열형, 비선형),켄달 타우(소규모 데이터) 상관관계: 두 변수 간의 관계를 수치화 인과관계를 위해선 인과추론이 필요함 A/B 테스트, 회귀 분석,  DiD, RDD, 도구변수법 등 회귀 분석: 종속변수를 독립변수로 예측, 설명 단순 선형회귀: 독립변수 1개, 종속변수 1개 잔차: 관측값과 예측값 사이의 차 R² (결정계수): 회귀모형의 설명력 (0~1) 다중 회귀분석: 독립변수가 2개 이상인 회귀분석 다중공선성: if 독립변수들 간에 강한 상관관계 -> 회귀계수 신뢰성 down VIF > 10  → 다중공선성 의심 다중공선성 해결법 3가지: 변수 정규화, 변수 제거, 차원 축소(PCA)  통계는 해석 머신러닝은 예측 어디에 초점을 두느냐에 따라 통계 공부 / 머신러닝 공부로 이어가면 됨

 

머신러닝 심화 라이브세션

1회차 머신러닝 프로젝트 팁 Waterfall 학습(이론 중심)보단 Agile(문제 해결) 학습 방식 권장: 일단 그래프 하나 그려봐라 '우선 실행 - 사후 분석'의 방식으로 일단 해보기 팀 공유드라이브/환경 구축하기 협업: '모두가 동일한 경로에서 동일한 파일을 보는 것' 결과물 중심의 대시보드 구축: 프로젝트가 어디까지 왔나 확인 가능 진척율 관리 - 노션 기능 적극 활용 ex. 마일스톤 설정으로 진척률 가시화(타임라인 뷰, 보드 뷰) 실무적인 면에서 결과물 중심의 기록: 객관적 소통, 데이터 기반 피드백, 포트폴리오 자산화 등에서 우수 학습: 모델이 '정답'을 찾아가는 과정 손실 함수: 현재 모델이 얼마나 틀렸나(예측한 값과 정답 사이의 차) 경사 하강법: 손실 함수의 값을 최소화하기 위해 모델의 파라미터(가중치)를 조금씩 업데이트하는 알고리즘 피처 엔지니어링: 모델이 잘 학습할 수 있도록 데이터를 가공하는 것 (스케일링, 생성 등) 하이퍼파라미터: 모델이 학습을 시작하기 전에 '사용자(사람)'가 직접 설정해 주는 설정값 그리드 서치: 사람이 직접 설정해야 하는 값들을 격자(Grid) 형태의 후보군으로 미리 정해두고, 하나씩 대입하며 최상의 결과를 찾는 방식 시계열 데이터 등은 테스트 등에서 주의를 해야 함 과적합: 복잡한 모델을 사용했을 때 등 과소적합: 학습 데이터가 부족하거나, 데이터의 다양성이 떨어질 때  과적합 방지를 위해서 L1, L2 규제 등 교차 검증: 데이터 여러 번 쪼개어 번갈아 가며 학습과 검증 K-Fold 교차 검증 등 드롭아웃: 딥러닝에서 학습할 때 일부 '뉴런(신경망)'을 무작위로 쉬게 하는 것 머신러닝을 배우는 이유 사람이 놓치는 복잡한 패턴의 발견, '사후 처리'에서 '사전 예방'으로의 전환, 비정형 데이터의 활용 (시각적 검사의 자동화) 등 문제 정의, 목표 설정 데이터 수집, 전처리(정제, 변환 등) EDA 모델 유형 선택 및 학습: 일단 '베이스라인 모델' 생성 모델 평가 방법 하이퍼 파라미터 튜닝 모델 배포 및 유지 보수

2회차  비지도학습: 지도학습과 다르게 정답이 없음 군집화(클러스터링): 비슷한 애들끼리 묶어주는 것 큰 데이터를 소수의 균일한 범주로 단순화 하고 싶을 때나 이상치가 있을 때 사용 문제 정의 - 특징 추출 - 클러스터링 수행 - 결과 해석 데이터 요약/시각화, 데이터 이해, 전략 수립 등을 위해 클러스터링이 사용되기도 함 클러스터링된 후에는 꼭 왜 이런 결과가 나왔는지 해석이 필요 다양한 거리의 지표: 유클리디안 거리(대각선)가 대표적 but 이상치에 민감 맨하탄 거리(차원별 절대값 차의 합) 등등 프로세스: 문제정의 - 데이터 수집/전처리(특히 스케일) - 학습 & K설정 - 평가&해석&활용 계층적 군집화: 대표적으로 덴드로그램: 나무처럼 여러번 나눠서 분류하는 방법, K를 사후에 결정 통합 계층& 분할 계층 등등 여러가지 방법 있음 K-means 알고리즘:  대표적인 클러스터링 알고리즘,  K 값 초기 선정, 각 K별로 초기 중심 설정, 군집화, 중심점 이동, 반복 최적의 k(하이퍼파라미터)? 엘보 메소드, 실루엣 스코어 등으로 판단 빠르고 단순하다는 장점 아웃라이어에 취약, 구 외에 다른 형태의 데이터에서 성능저하, 초기 중심점의 영향, 초기 k개수 선정 등의 단점 밀도 기반 알고리즘: 대표적으로 DB-SCAN: 밀도 높은 곳을 클러스터, 낮은 곳을 노이즈로 처리 K-means 알고리즘으로 잘 안 되면 이걸로 시도하면 됨 차원축소: 고차원 데이터의 복잡성을 줄이는 것 고차원 데이터의 문제: 차원의 저주 등 대표적으로 PCA(주성분 분석): 여러 센서데이터를 중요한 몇개로 줄이는 것 데이터가 잘 퍼져있는 방향과 수직인 방향을 찾고 변환 실시 그 외에 t-SNE의 방법도 있음

3회차  이상탐지: 다른 매커니즘에 의해 생성되었다고 의심되는 관측치 이상의 통계적 의미: 아웃라이어 // 실무적 정의: 평상시와 다른 특이징후 이상: 새로운 형태나 패턴 // 비정상: 정상의 기준을 벗어난 상태 점 이상치: 일반적. 혼자 툭 튀어나온 값 상황적 이상치: 값 자체는 정상이지만 상황에선 이상한 값 ex. 겨울 야외 온도 25도 집단 이상치: 여러개가 무리 지어 이상한 흐름을 만들 때 정확도의 함정: 불량을 하나도 잡지 못했는데 99퍼의 정확도가 가능 이상 데이터의 부족, 다수파 편향(소수의 무시) 등도 포함 해결법: 정밀도와 재현율 도입 정확도: 전체 중 정답 정밀도: 예측한 불량 중 실제 불량 재현율(민감도): 실제 불량 중 불량을 맞춘 수 지도학습 데이터 조정 기법: 샘플링, 데이터 증강 샘플링: 불량에 집중할 수 있게 데이터 양을 인위적 조정 언더샘플링: 정상 데이터를 줄여 불량 데이터의 개수와 맞추기, 정상 데이터를 버리는 단점 오버샘플링(SMOTE): 가상의 불량 데이터를 만드는 방법, 원리: KNN으로 찾은 이웃과의 직선 상, 새 가짜 데이터 생성 알고리즘 자체 해결법: 가중치 조절: 불량 데이터(소수)에 더 높은 가중치 비지도학습 이상치 탐지 주요 알고리즘 아이솔레이션 포레스트: 데이터를 반으로 가르며 이상치를 고립시키는 방법 LOF : 데이터 밀도 기반 이상치 판단 오토인코더: 딥러닝 기반, 압축과 복원으로 이상치(오차) 탐지 이상 탐지 모델 평가 지표 정확도의 함정 - 컨퓨젼 매트릭스 재현율, 정밀도, F1 score 등의 개념 ROC AUC 등의 지표도 있음 배포 및 모니터링: 모델은 만드는 것보다 유지하는게 더 어려움 실시간 시스템 통합, 개념 표류 감지, 재학습 루프 등 실무에서 겪을 법한 예외 상황 데이터 유실, 결측치:  단기 유실(선형 보간법), 장기 유실(시스템 이상으로 처리), 도메인 활용이 중요 개념 표류: 학습 데이터의 통계적 특성의 변화 - 성능 저하: 적응형 임계값, 주기적 재학습, 컨텍스트 변수 추가 센서노이즈&데이터오염: 강건한 스케일링, 오염도 파라미터 설정 AutoML: 머신러닝 전 과정 자동화(머신러닝을 배우는 입장인 현재 쓰는건 비추) 데이터만 넣으면 최적의 모델을 OUTPUT해줌(최적의 베이스라인 모델) 대표적으로 Pycaret: 수백 줄의 머신러닝 코드를 단 몇 줄로 줄여주는 도구 그 외에 FLAML 등의 다양한 AutoML이 있음 결측치, 이상치, 스케일링/정규화를 자동으로 해줌 모델 탐색, 하이퍼파라미터 설정 등 피쳐 엔지니어링과 앙상블도 자동으로 해줌 모델 평가 및 해석: XAI AutoML가 왜 그런 선택을 했는지 설명해줌 특성 중요도, SHAP 등으로 얻은 수치 인과관계가 아니라 상관관계를 얻어낸 것 당연하지만 실무 적용 시 현장 언어로 번역 필요 AutoML을 돌려도 데이터가 쓰레기면 안 됨: GIGO, 도메인 지식 등을 최대한 활용 Qucik WIn 전략

 

---

3. 학습하며 겪었던 문제점& 에러 + 회고

3-1 문제점& 에러: X

                           

3-2 회고:

1. SQL 영문으로 추가 문제들이 있던데 더 진행할지는 아직 정하지 못했다.(동기부족)

2. 나의 방향성: 머신러닝은 기초만 쌓고 '통계' 기반으로 공부할 계획이다.

---

4. 내일 학습할 것은 무엇인지(기본적인 AI 진단퀴즈, 코드카타, TIL 제외)

- 화요일(30일): 개인과제, 아티클스터디, 개인공부

 

AI 시대를 돌파할 취업 솔루션 | 내일배움캠프