Antigravity Agent
2.3 KiB
2.3 KiB
id: P-Reinforce-AUTO-DCAL-001 category: "10_Wiki/💡 Topics/AI" confidence_score: 0.92 tags: [auto-reinforced, data-cleaning, data-preProcessing, algorithms, outliers, duplicate-detection] last_reinforced: 2026-04-20
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.
- 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).
- 왜 중요한가?:
- 전체 AI 프로젝트 시간의 80%를 차지하며, 모델의 성능 상한선을 결정짓는 가장 실무적인 영역임.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 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.