모듈 7: 데이터 분석 Mini-project (16h)

학습 결과

학생은 모듈 1-6을 통합하여 데이터 수집→정제→분석→모델 배포까지 end-to-end 파이프라인을 완성할 수 있다.

ABCD 학습목표 & Bloom 수준

#	ABCD 학습목표	Bloom 수준	관련 sources	평가 방법
7-1	Behavior: 실제 공개 데이터셋(Kaggle 또는 정부 공공데이터)을 선정하고 / Condition: 모듈 2-3 학습 내용 적용 / Degree: EDA→모델 선택·최적화→평가를 문서화	Create	end-to-end-data-science-project	프로젝트 리포트
7-2	Behavior: 훈련된 모델을 FastAPI로 감싸서 REST API 엔드포인트로 제공하고 / Condition: 모듈 4 FastAPI 기술 사용 / Degree: Swagger 자동 문서가 생성되고 curl/Postman으로 테스트 가능	Create	fastapi-ml-serving	API 동작 검증
7-3	Behavior: 모델과 API를 Docker로 컨테이너화하여 / Condition: 로컬 + 클라우드(AWS/GCP 자유선택) 환경에서 / Degree: 두 환경 모두에서 동일하게 동작	Create	docker-ml-containerization	배포 환경 검증
7-4	Behavior: 프로젝트 전체를 GitHub에 버전 관리하고 / Condition: README·요구사항(requirements.txt)·실행 지침 명시 / Degree: 타인이 리포를 클론 후 5분 내 실행 가능	Create	github-documentation-standards	문서 완성도 + 재현성

📚 사용 Sources (권장 읽기 순서)

순서	Sources	학습목표	예상 학습 시간	비고
1️⃣	end-to-end-data-science-project	7-1	2h	핵심: CRISP-DM 워크플로우 & 프로젝트 구조
2️⃣	fastapi-ml-serving	7-2	1.5h	실전: 모델 API 엔드포인트 구현
3️⃣	docker-ml-containerization	7-3	1.5h	배포: 컨테이너화 & 클라우드 배포
4️⃣	github-documentation-standards	7-4	1h	문서: README 작성 & 협업 가이드
	학습 시간 합계	7-1~7-4	~6h	강의 16h 중 이론·실습 학습 부분

강의 자료 출처

• end-to-end-data-science-project — CRISP-DM 워크플로우, 프로젝트 구조, Best practices (학습목표 7-1)
• fastapi-ml-serving — FastAPI 모델 서빙, Pydantic 스키마, Swagger 자동 문서 (학습목표 7-2)
• docker-ml-containerization — Dockerfile 최적화, 레이어 캐싱, 다단계 빌드, 클라우드 배포 (학습목표 7-3)
• github-documentation-standards — README 구조, 요구사항 명시, 기여 가이드, 라이선스 (학습목표 7-4)
• exploratory-data-analysis-eda — EDA 8단계 체크리스트
• ml-pipeline — 모델 개발 및 평가 프로세스

역링크

⬅️ lecture-planning-2026에서 참조