1
노트북 다운로드
교육생용 IPYNB를 내려받습니다. 정답 노트북은 공개 자료에 포함되지 않습니다.
Ocean Freight ML Practice
1년치 해상운임으로
예측부터 통관까지
Google Colab에서 데이터 품질, 누출 방지, 시간순 검증, 운임 회귀, 딥러닝 시각화, 선적 지연과 통관보류 분류를 순서대로 학습합니다.
10개 실습 데이터약 5시간 35분초급-중급교육용 가상 데이터
Quick Start
3단계로 실습 시작
노트북과 공개용 실습 패키지만 있으면 됩니다. 셀은 반드시 위에서 아래로 실행하고, 런타임을 다시 시작했다면 처음부터 전체 실행하세요.
2
Colab에 업로드
Colab의 파일 > 노트 업로드에서 IPYNB를 선택한 뒤 Drive에 사본을 저장합니다.
3
Setup부터 순차 실행
Setup 셀이 데이터를 찾지 못하면 공개용 ZIP을 압축하지 않은 상태로 업로드합니다.
Google 계정 준비
PC Chrome 권장
Colab CPU 런타임
약 5시간 35분 확보
실제 업무 데이터가 아닙니다
모든 값은 SEED 20260722로 만든 교육용 가상 데이터입니다. 실제 견적, 계약, 투자, 통관 판정에 사용하지 말고 회사·고객·개인정보를 Colab이나 이 사이트에 업로드하지 마세요.
Curriculum
10단계 학습 로드맵
01부터 10까지 번호는 CSV 파일과 노트북 섹션 번호에 맞춰져 있습니다. 각 단계의 완료 기준을 확인한 뒤 다음 단계로 이동하세요.
01
문제와 스키마 이해
목표, 단위, 기간, 예측시점과 컬럼을 정의하고 선적ID 유일성을 확인합니다.
01_ocean_freight_raw.csv
02
데이터 품질 진단
결측·중복·논리오류·IQR 이상치를 구분하고 업무 근거가 있는 정제 규칙을 만듭니다.
02_freight_quality_challenge.csv
03
EDA와 파생변수
항로·월·규격·계약별 운임을 비교하고 차트 2개와 업무 해석 3문장을 작성합니다.
03_freight_eda_features.csv
04
데이터 누출 실험
견적 시점 사용 가능 여부를 분류하고 사후정보 포함·제외 성능 차이를 확인합니다.
04_freight_leakage_trap.csv
05
시간순 70/15/15 분할
같은 날짜를 한 구간에 유지하고 무작위 분할의 낙관적 성능과 비교합니다.
05_freight_time_split_drift.csv
06
업무 중앙값 기준선
Training 그룹 중앙값과 전체 중앙값 fallback으로 ML이 이겨야 할 기준을 만듭니다.
06_freight_baseline.csv
07
Ridge·Random Forest 비교
Validation에서 모델과 트리 수를 확정하고 Train+Validation 재학습 뒤 Test를 한 번 평가합니다.
07_freight_regression.csv
08
5개 견적 시나리오
유가, 혼잡, 우회, 계약, 복합 악화의 ΔUSD와 Δ%를 조건부 추정으로 해석합니다.
08_freight_scenarios.csv
09
선적 지연 분류
Precision, Recall, F1, PR-AUC와 FN/FP 비용으로 3일 이상 지연 임계값을 고릅니다.
09_shipment_delay_classification.csv
10
B/L OCR·통관보류
원문 대조와 보류 Recall로 사람 검토 큐를 설계하고 HS 후보는 전문가 확인으로 남깁니다.
10_customs_hold_bl_ocr.csv
Evaluation Rule
Test는 딱 1회
특징, 전처리, 하이퍼파라미터, 분류 임계값, 최종 모델을 Validation에서 모두 잠근 뒤에만 Test를 엽니다.
Train학습·전처리 적합
→
Validation반복 비교·튜닝
→
Lock모델과 규칙 고정
→
Test × 1최종 평가
Test를 보고 다시 바꾸면 그 점수는 최종 성능이 아닙니다
그 순간 Test도 튜닝에 사용된 데이터가 됩니다. 다시 객관적인 성능을 말하려면 더 미래의 새로운 홀드아웃이 필요합니다. RF_TREE_COUNT는 50~1000 범위에서 Validation으로 조절하지만 Test 실행 횟수는 1로 고정합니다.
Optional Deep Learning
신경망을 눈으로 이해
약 1,600행의 혼합형 표 데이터에서는 딥러닝 우위가 보장되지 않습니다. 기준선·Ridge·트리 모델이 주과정이고 MLP는 구조와 학습 과정을 이해하는 선택 실습입니다.
입력층 → 은닉층 2개 → 운임 출력
범주형 인코딩과 수치 표준화 뒤, 두 은닉층이 비선형 관계를 학습합니다.
손실곡선과 45도 기준선
Early stopping 지점, Validation 오차, 과적합 신호를 Random Forest와 비교합니다.
최대 학습 반복50~500 epoch
기본 epoch250
은닉층 18~128 노드
은닉층 24~64 노드
Interpretation
결과를 업무 언어로
정확도 하나로 끝내지 않습니다. 회귀·분류·시나리오 지표를 함께 읽고 관찰, 한계, 행동의 3문장으로 보고합니다.
MAPE / RMSE운임 오차의 비율과 USD 규모
R² / WAPE전체 설명력과 물량가중 오차
Recall / PR-AUC불균형 분류의 양성 탐지력
ΔUSD / Δ%조건부 시나리오 변화량
업무 해석 3문장
관찰: 어떤 수치와 패턴이 나타났는가? 한계: 조건부 추정, 표본 범위, 누출·오분류 위험은 무엇인가? 행동: 예산, 계약, surcharge, 조기 부킹, 사람 검토 중 무엇을 제안할 것인가?
Download Center
교육생 공개 자료
한글 파일명 호환 문제를 줄이기 위해 실제 다운로드 파일명은 영문으로 제공합니다. 강사용 정답과 내부 검증자료는 공개 자산에 포함하지 않았습니다.
필수 · IPYNB
교육생용 Colab 노트북
10단계 TODO와 딥러닝 시각화를 포함한 메인 실습 파일입니다.
노트북 다운로드권장 · ZIP
학생용 전체 패키지
노트북, 10개 CSV, 가이드, 데이터사전과 실행 안내를 한 번에 받습니다.
전체 패키지 다운로드안내 · PDF
순차 실습 가이드
Colab 업로드부터 Test 1회, 제출 체크리스트까지 정리한 A4 9쪽 안내서입니다.
PDF 다운로드참고 · MD
데이터사전
컬럼 의미, 단위, 예측시점 사용 가능 여부와 누출 주의사항을 확인합니다.
데이터사전 받기환경 · TXT
Colab 패키지 목록
실습에서 사용하는 Python 라이브러리와 검증 버전 범위를 확인합니다.
requirements 받기검증 · TXT
SHA-256 체크섬
다운로드 파일이 손상되거나 바뀌지 않았는지 해시로 확인할 수 있습니다.
체크섬 받기10개 CSV 개별 다운로드
다운로드 버전 v1 · 최종 갱신 2026-08-11 · CSV는 UTF-8-SIG로 제공됩니다.
FAQ
자주 묻는 질문
오류가 나면 현재 셀만 반복하기보다 변수 생성 순서를 먼저 확인하세요.
reg_train is not defined 오류가 나요
앞의 시간순 분할 TODO가 실행되지 않았습니다. 5단계부터 순서대로 실행하고, 계속되면 이 사이트의 최신 교육생용 노트북을 다시 받으세요.
데이터 폴더를 찾지 못해요
Setup 셀의 업로드 창에서 학생용 전체 패키지 ZIP을 압축하지 않은 상태로 선택하세요. 코드가 /content 아래에 자동으로 풉니다.
딥러닝 epoch가 설정값보다 작아요
Early stopping이 개선 정체를 감지한 정상 결과입니다. 설정한 최대 epoch와 실제 종료 epoch를 함께 기록하세요.
마지막 보고서가 생성되지 않아요
Checks 셀이 알려준 미완료 TODO를 먼저 해결하세요. 미완성 상태에서 보고서를 건너뛰는 것은 오류가 아니라 보호 동작입니다.
정확도만 보면 안 되나요?
지연과 통관보류는 불균형 데이터입니다. Precision, Recall, F1, PR-AUC, 혼동행렬과 FN/FP 업무 비용을 함께 봐야 합니다.
시나리오 결과가 실제 인상 효과인가요?
아닙니다. 학습 데이터 관계에 기반한 조건부 추정입니다. 확정 견적이나 인과효과로 해석하지 마세요.