2nd/10_Wiki/Topics/AI_and_ML/Data Cleaning Algorithms.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by	tech_stack
wiki-2026-0508-data-cleaning-algorithms	Data Cleaning Algorithms	10_Wiki/Topics	needs_review	self	P-Reinforce-AUTO-DCAL-001	none	A	0.92	auto-reinforced data-cleaning data-preProcessing algorithms outliers duplicate-detection		2026-04-20	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)	language framework unspecified unspecified

Data Cleaning Algorithms

📌 한 줄 통찰 (The Karpathy Summary)

"지식의 필터링: 'Garbage In, Garbage Out'의 저주를 막기 위해, 데이터 속의 노이즈, 중복, 오류를 자동으로 식별하고 교정하여 AI가 오직 '정수(Essence)'만을 배울 수 있도록 닦고 조이는 지적 세척 공정."

📖 구조화된 지식 (Synthesized Content)

데이터 정제 알고리즘(Data Cleaning Algorithms)은 데이터셋의 품질을 높이기 위해 오류를 수정하고 일관성을 확보하는 기법들입니다.

1. 주요 태스크 및 알고리즘:
   • Missing Value Imputation: 평균, 최빈값 혹은 KNN/회귀 모델을 이용해 비어있는 값 채우기.
   • Outlier Detection: Z-Score, Isolation Forest 등을 이용해 정상 범위를 크게 벗어난 이상치 제거. (Anomaly-Detection과 연결)
   • Deduplication (중복 제거): 해시 매칭이나 편집 거리(Levenshtein Distance)를 이용해 겹치는 데이터 제거.
   • Standardization: 단위나 형식을 통일 (예: 날짜 포맷 통일).
2. 왜 중요한가?:
   • 전체 AI 프로젝트 시간의 80%를 차지하며, 모델의 성능 상한선을 결정짓는 가장 실무적인 영역임.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 과거에는 사람이 엑셀로 '눈대중 정제'를 하는 정책이었으나, 현대 정책은 수십억 개의 데이터를 직접 처리하는 '확률적 데이터 정제 정책'과 'AI를 이용한 AI 데이터 정제 정책'으로 자동화됨(RL Update).
• 정책 변화(RL Update): 거대 언어 모델 학습 시, 저품질 웹 텍스트를 걸러내기 위해 '지능형 분류기(Classifier)'를 통한 고품질 데이터 선별 정책이 모델의 성능을 결정하는 핵심 기밀 정책이 됨.

🔗 지식 연결 (Graph)

• Anomaly-Detection, Statistics & Data Analysis, Optimization, Quality Gates, Signal in Noise
• Modern Tech/Tools: Pandas, Scikit-learn, Great Expectations, DVC.

---

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A

💻 코드 패턴 (Code Patterns)

패턴 1: (TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)

# TODO

🤔 의사결정 기준 (Decision Criteria)

선택 A를 써야 할 때:

• (TODO)

선택 B를 써야 할 때:

• (TODO)

기본값:

(TODO)

❌ 안티패턴 (Anti-Patterns)

• [안티패턴]: (TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)