쥬니스

(앱스토어) 출시_Billiards Pro(4구,3쿠션,미션모드,대전모드)_ver2.2.1 업데이트

일찍자요 — Mon, 20 Apr 2026 23:33:52 +0900

[업데이트 알림]

* 버전2.2.1 업데이트가 되었습니다.

* 아이패드에서 UI 또한 최적의 플레이를 위해 개선되었습니다.

※ 지속적으로 앱 개선을 진행하고 있습니다.

게임즐기시며 피드백들 있으시면 앱스토어나 이곳에 남겨주셔도 됩니다:)

앱다운로드 바로가기

BilliardsPro App - App Store

Download BilliardsPro by Yeongjun Jeon on the App Store. See screenshots, ratings and reviews, user tips, and more apps like BilliardsPro.

apps.apple.com

초정밀 물리 엔진: 공의 회전, 마찰력, 분리각을 실제 당구와 똑같이 구현했습니다.
역사적 명경기 재현: 유명 경기에서의 전설적인 샷을 직접 경험해보세요.
샌드박스 연습장: 내가 원하는 위치에 공을 자유롭게 배치하고, 어려운 배치를 무한 반복 연습할 수 있습니다.
스마트 AI 대결: 입문자부터 고수까지, 당신의 실력에 맞춰 진화하는 AI와 팽팽한 승부를 즐겨보세요.
미션모드 : 여러 미션을 도전하고 성공하여 가이드 및 치트권을 획득하세요.
멀티 및 2P 대전 : 온라인과 로컬에서 친구 또는 여러사람들과 즐겨보실 수 있습니다.

소소한 즐거움으로 당구를 즐겨보시기 바랍니다:)

나만의 'AI 코딩/배포 자동화 에이전트' 구축하기

일찍자요 — Sun, 15 Feb 2026 23:10:43 +0900

요즘 정말 바이브코딩이 핫해지다보니 AI 에이전트도 관심이 많아지는 것 같습니다.

저 역시 최근에는 바이브코딩으로 즐거운 코딩생활을 하고 있는데, 만들때 힘들었지만 에이전트를 만들고 나니 참 좋은 것 같습니다.

이것저것 재밌는거 많이 만들어서 사용하며 즐기고 있고,

자녀에게 광고없는 게임 만들어서 놀게 해주기도 하고 좋습니다.

아무튼 여러 방식으로 이미 에이전트를 활용하시는 분들이 많은데요,

제가 사용하고 있는 에이전트를 소개해봅니다.

먼저 전체 흐름을 이미지로 보면 이해가 쉬울 것 같네요.

보고 가시죠.

내 손안의 AI 비서: Telegram + Gemini API + Vercel로 에이전트 만들기

간단히 말씀드리면, Google Gemini API와 Telegram Bot을 결합하여, 나만의 지능형 에이전트를 구축하고 Vercel을 통해 24시간 중단 없이 배포하는 시스템 입니다.

️ 전체 시스템 아키텍처

우리가 만들 에이전트의 핵심 흐름은 다음과 같습니다.

제가 텔레그램으로 메시지를 보내면 AWS인스턴스에 이쓴 에이전트bot이 이를 받아 Gemini의 두뇌를 빌려 답장을 보내는 구조입니다.

1. Telegram Bot (인터페이스)

역할: 사용자와의 대화창입니다.
기능: "로그인 페이지 만들어줘" 같은 명령을 입력받고, 작업 완료 시 "배포되었습니다!"라는 결과 URL을 사용자에게 전달합니다.

2. ️ AWS EC2 인스턴스 (에이전트의 작업실)

역할: bot.py가 상주하며 실제로 돌아가는 24시간 가동 서버입니다.
기능:
- 텔레그램 메시지를 수신합니다.
- Gemini API를 호출해 사용자 요구에 맞는 코드를 생성합니다.
- 생성된 코드를 파일로 저장하고, Git 명령어를 통해 GitHub 저장소로 push합니다.

3. Gemini API (두뇌)

역할: 코드 생성 및 로직 판단.
기능: 사용자의 자연어 명령을 이해하고, 바로 실행 가능한 Next.js나 React 코드를 작성해 주는 역할을 합니다. (주로 gemini-3-pro-preview 같은 고성능 모델을 사용하면 좋겠죠? )
주의점 : 최신 google-genai 라이브러리를 활용하면 더욱 간결하고 강력한 코드를 짤 수 있는데, 이걸 지시를 잘 해줘야합니다.api자체가 여전히 과거정보에 머물러 있어서, 자기멋대로 1.5-flash 또는 2.0-flash를 추천하는 문제가 있긴 합니다

특히, 주식관련 웹앱을 구성할 경우에는 절대적으로 필요합니다.

크롤링을 해도 좋지만, 실시간 서칭을 하고싶은 경우엔 구글서치 기능이 필수이죠.

그렇지 않으면 여전히 2024년 정보를 불러오게 될겁니다....

실시간 정보를 못가져오면 코스피 5000이 아니라 코스피 2000~3000을 보게 될겁니다...

4. GitHub (매개체 & 트리거)

역할: 코드 저장소 및 배포 스위치.
기능: EC2에서 보낸 코드를 보관합니다. 코드가 업로드(push)되는 순간, 연결된 Vercel에 "새 코드가 왔으니 다시 배포해!"라고 신호를 보냅니다.

5. ⚡ Vercel (최종 배포 처)

역할: 결과물을 보여주는 호스팅 서버.
기능: GitHub의 코드를 받아 빌드한 뒤, 전 세계 사람들이 접속할 수 있는 실제 URL(예: my-app.vercel.app)을 생성합니다.

아래는 예시로 생성해본 폭탄 타이머 입니다.

자녀와 폭탄돌리기 게임을 하고 싶었는데 폭탄이 없어서 그저 텔레그램 채팅만으로 생성된 앱 입니다.

https://tickingbomb.vercel.app/

복불복 폭탄 타이머

언제 터질지 모릅니다... 시작하기 다시하기

tickingbomb.vercel.app

마치며,,

에이전트 만드는 작업이 분명 비전공자 입장에서 아무리 바이브코딩으로 구축한다고 해도 쉬운 일이 아닙니다.

오늘 글에는 마주했던 많은 에러 상황들이 생략되어 있습니다.

어려운 과정 끝에 지금은 그저 채팅으로 어떤 웹앱이든 생성이 가능해졌습니다.

비전공자도 의지만 가지면 복작한 웹앱을 만들 수 있다는 게 좋은 점인것이죠.

이걸로 어떤 수익화에 목매다는 일은 없어야겠습니다.

일부 유튜브나 강의플랫폼에서 현혹하는 사례들이 늘고 있던데, 여러분도 잘 아시잖아요.

그런게 그렇게 쉬웠으면 모두가 부자가 되었게요?

에이전트를 만들어서 웹앱이든 뭐든 만들어보면 아실겁니다.

절대 완벽하지 않습니다.

간단한 기능은 바로 사용해도 문제 없는 수준으로 나와지지만,

프론트엔드, 백엔드까지 구성하여 복잡한 기능까지 반영하기에는 오류가 많이 납니다.

따라서 저도 20번까지 코드 점검해서 에러를 자체 수정하도록 하는 기능을 넣어 그나마 기능 누락을 최소화 한다고는 하지만...

그래도 입맛대로 되는 경우가 잘 없습니다.

때문에 에이전트가 자동생성 및 배포를 완료한 이후에 별도로 업데이트하는 작업이 수반됩니다.

하고싶은 말은,,

'거저 먹을 생각하면 안된다..'

(무설치) 웹에서 바로 즐기는 '4구 당구 게임' (Fourball.pro)

일찍자요 — Sun, 15 Feb 2026 21:57:04 +0900

** 무설치버전의 웹게임이 있고, 모바일버전으로 더욱 다양하게 즐길 수 있는 버전도 있습니다.

모바일은 iOS (아이폰, 아이패드)에서만 가능하며,

웹앱에서 즐길 수 없는 3쿠션과 다양한 미션모드들 그리고 샌드박스, 대전모드 등이 추가되어 있으니,

다양한 컨텐츠를 즐겨보시기 바랍니다.

무료 앱이니 부담없이 이용해보세요~

(앱스토어) 출시_Billiards Pro(4구,3쿠션,미션모드,대전모드)_ver2.2.1 업데이트

[업데이트 알림]* 버전2.2.1 업데이트가 되었습니다.* 아이패드에서 UI 또한 최적의 플레이를 위해 개선되었습니다. ※ 지속적으로 앱 개선을 진행하고 있습니다. 게임즐기시며 피드백들 있으시면

junnys.tistory.com

앱다운로드(무료) 바로가기

BilliardsPro App - App Store

Download BilliardsPro by Yeongjun Jeon on the App Store. See screenshots, ratings and reviews, user tips, and more apps like BilliardsPro.

apps.apple.com

https://www.fourball.pro/

오늘 소개시켜드리는 게임은 '4구 당구' 게임입니다.

학창시절 당구장을 담배냄새때문에 잘 가지 못했고, 4구는 어려워서 못했는데, 그 매력은 잘 알고 있었죠.

그래서 시간이 지나 최근에 혼자 언제 어디서든 4구를 즐겨보고 연습해보기 위해 만들어보았습니다.

모바일, 데스크탑 모두 쾌적하게 진행이 가능합니다 :)

처음에는 혼자 가이드 맞춰 AI랑 대결만 구현했으나,,

하다보니 익명의 누군가와 멀티로 시합도 할 수 있게 업그레이드를 시키게 되었네요.

다른 분들은 어떨지 모르겠지만 저는 일단 재밌다는 생각이 듭니다 ㅎㅎ

Fourball.pro: 리얼한 물리 엔진의 4구 당구

단순한 플래시 게임 수준이 아닙니다.

당구공의 반사각, 마찰력, 그리고 정교한 물리 법칙을 최대한 구현하여 실제 당구대 위에서 공을 치는 듯한 느낌을 주려 노력했습니다.

마찰력과 반발력은 커스텀모드에서 얼마든 조절이 가능합니다.

이 게임의 핵심 포인트

정교한 각도 조절: 마우스나 터치로 섬세하게 조준하여 원하는 길을 설계할 수 있고, 밀어치기/끌어치기/때리기 등 공의 다양한 위치를 공략할 수 있습니다.
파워 컨트롤: 큐 스틱을 뒤로 당기는 정도에 따라 공의 세기를 조절하여 강약 조절의 묘미를 살렸습니다.
설치 없는 즉시 실행: 용량 걱정, 다운로드 번거로움 없이 링크 하나로 PC와 모바일 어디서든 접속 가능합니다.
깔끔한 UI/UX: 군더더기 없는 디자인으로 당구 그 자체에만 집중할 수 있는 환경을 만들었습니다.
난이도선택 : 동네 아저씨부터 알파고 수준까지 난이도를 선택하여 AI와 대결이 가능합니다.
가이드기능 : 가이드 On을 하게 되면 현재 설정된 기준으로 공을 쳤을 때 이동방향을 예상해볼 수 있어 손쉽게 즐길 수 있습니다.

멑티대전에서는 가이드기능이 제한됩니다.

이런 분들께 추천합니다!

당구 각 계산(시스템)을 시뮬레이션해보고 싶은 분
킬링타임으로 가볍게 4구 한 게임 즐기고 싶으신 분
복잡한 조작 대신 직관적인 당구 게임을 찾는 분 ️

지금 바로 큐를 잡아보세요!

로그인도 필요 없습니다. 바로 접속해서 여러분의 실력을 뽐내보세요!

https://www.fourball.pro/

AI 4-Ball Pro Master (Ultimate Edition)

• 목표: 내 수구(흰색/노란색)로 두 개의 적구(빨간색 2개)를 모두 맞춰야 득점입니다. • 득점: 빨간 공 2개를 동시에 맞추면 +1점이며, 공격권이 유지됩니다. • 파울: 상대방의 수구를 맞추거나

www.fourball.pro

바쁜 일상 속에서 틈틈히 짧게짧게 당구를 손쉽게 즐겨보시길 바랍니다.

피드백 언제든 환영입니다 :)

빅분기 실기 3유형 대비 연습문제_통합7문제(정답코드4~7)

일찍자요 — Sat, 15 Nov 2025 22:28:45 +0900

앞서 올려드렸던 3유형 통합7문제에 대한 정답코드입니다.(문제4~7번)

file_path는 여러분께서 사용하시는 경로로 별도 지정해주셔야합니다.

최대한 문제만 보고 직접 해보시고, 아래 코드를 참고하시면 훨씬 도움이 되실 것 같습니다.

문제를 아직 안보신 분들이라면 아래 링크에서 문제를 먼저 확인하세요!

빅분기 실기 3유형 대비 연습문제_통합7문제

이제 마지막 3유형 연습문제입니다.7개의 문제와 데이터셋을 만들어보았고, 저는 3유형은 이 7문제와 다음에 포스팅할 추가연습문제로만 공부하고 시험 응시했습니다.사실, 3유형도 다 맞을 수

junnys.tistory.com

문제4

df4 = pd.read_csv(file_path + 'mock3_type_problem4.csv')

print(df4)

treat = df4[df4['treatment'] == 1]['recovery_days']

ntreat = df4[df4['treatment'] == 0]['recovery_days']

from scipy.stats import ttest_ind,shapiro

stat,p = ttest_ind(treat,ntreat,equal_var = True)

print(stat,p)

a = df4[(df4['treatment'] == 1) & (df4['recovered']==1)].shape[0]

b = df4[(df4['treatment'] == 0) & (df4['recovered']==1)].shape[0]

c = df4[(df4['treatment'] == 1) & (df4['recovered']==0)].shape[0]

d = df4[(df4['treatment'] == 0) & (df4['recovered']==0)].shape[0]

# 각 그룹의 총 개수 계산

treated_total = df4[df4['treatment'] == 1].shape[0] # 처치군 전체 개수

control_total = df4[df4['treatment'] == 0].shape[0] # 대조군 전체 개수

# 사건 발생 확률 계산

treated_recovery_prob = a / treated_total # 처치군에서 회복한 확률

control_recovery_prob = b / control_total # 대조군에서 회복한 확률

treated_not_recovered_prob = c / treated_total # 처치군에서 회복하지 못한 확률

control_not_recovered_prob = d / control_total # 대조군에서 회복하지 못한 확률

# 오즈비 계산

odds_ratio = (treated_recovery_prob / treated_not_recovered_prob) / (control_recovery_prob / control_not_recovered_prob)

## 결국 (a/b) / (c/d) 이거다.

print(odds_ratio)

treat_normp = shapiro(treat).pvalue

ntreat_normp = shapiro(ntreat).pvalue

print(treat_normp, ntreat_normp)

문제5

df5 = pd.read_csv(file_path + 'mock3_type_problem5.csv')

print(df5)

df5['certified_dum'] = df5['certified'].map({'Y' : 1, 'N' : 0})

print(df5)

import statsmodels.api as sm

y = df5['salary']

X = df5[['experience','certified_dum']]

X_const = sm.add_constant(X)

model = sm.OLS(y,X_const).fit()

print(model.pvalues)

print(model.params)

corr = df5[['experience','salary']].corr()

print(corr['salary']['experience'])

certi_Y = df5[df5['certified']=='Y']['salary']

certi_N = df5[df5['certified']=='N']['salary']

from scipy.stats import ttest_ind

stat,p = ttest_ind(certi_N,certi_Y)

print(stat,p)

728x90

문제6

df6 = pd.read_csv(file_path + 'mock3_type_problem6.csv')

print(df6)

print(df6.corr()['satisfaction']['usage'])

from scipy.stats import shapiro

stat,p = shapiro(df6['usage'])

print(stat,p)

Q1 = df6['usage'].quantile(0.25)

Q3 = df6['usage'].quantile(0.75)

IQR = Q3-Q1

upper = Q3 + 1.5*IQR

lower = Q1 - 1.5*IQR

normal_df6 = df6[(lower <= df6['usage']) & (df6['usage'] <= upper)]

gap = df6['usage'].mean() - normal_df6['usage'].mean()

print(gap)

문제7

df7 = pd.read_csv(file_path + 'mock3_type_problem7.csv')

print(df7)

dummy = pd.get_dummies(df7['contract_type'],prefix = 'contract', drop_first=True)

total = pd.concat([df7,dummy],axis=1).drop(columns='contract_type',axis=1).astype(int)

print(total)

y = total['churn']

X = total.drop(columns='churn',axis=1)

print(X.dtypes, y.dtypes)

import statsmodels.api as sm

X_const = sm.add_constant(X)

model = sm.Logit(y,X_const).fit()

print(model.summary())

print(round(model.params['support_calls'],3)) # 출력 0.7497이 반올림되서 0.750

print(f"{round(0.7497, 3):.3f}") # 출력: 0.750

print(f'contract odds ratio : {np.exp(model.params['contract_one-year'])}')

pred = model.predict(X_const)

print((pred>0.5).sum())

from sklearn.model_selection import train_test_split

import statsmodels.api as sm

# 훈련 데이터와 테스트 데이터 분리 (예: 80% 훈련, 20% 테스트)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)

# 모델 훈련

X_train_const = sm.add_constant(X_train)

model = sm.Logit(y_train, X_train_const).fit(disp=False)

# 테스트 데이터로 예측

X_test_const = sm.add_constant(X_test)

pred = model.predict(X_test_const)

# 예측 결과 분석

print((pred > 0.5).sum()) # 테스트 데이터에서 해지 예측된 고객 수 출력

문제가 도움이 되실 것 같다면, 좋아요 한번 정도 눌러주시거나, 댓글도 환영합니다:)

빅분기 실기 3유형 대비 연습문제_통합7문제(정답코드1~3)

일찍자요 — Sat, 15 Nov 2025 22:24:45 +0900

앞서 올려드렸던 3유형 통합7문제에 대한 정답코드입니다.(문제1~3번)

file_path는 여러분께서 사용하시는 경로로 별도 지정해주셔야합니다.

최대한 문제만 보고 직접 해보시고, 아래 코드를 참고하시면 훨씬 도움이 되실 것 같습니다.

문제를 아직 안보신 분들이라면 아래 링크에서 문제를 먼저 확인하세요!

빅분기 실기 3유형 대비 연습문제_통합7문제

junnys.tistory.com

문제1 코드

#문제1

df1 = pd.read_csv(file_path + 'mock3_type_problem1.csv')

print(df1)

X = df1[['age','study_hours']]

y = df1['grade']

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2)

import statsmodels.api as sm

X_train_const = sm.add_constant(X_train)

X_test_const = sm.add_constant(X_test)

model = sm.OLS(y_train,X_train_const).fit()

print(model.summary())

#----- 유의하지 않은 개수 없다

df_spr = df1[['study_hours','grade']]

corr = df_spr.corr()

print(corr['grade']['study_hours'])

pred = model.predict(X_test_const)

from sklearn import metrics

rmse = metrics.root_mean_squared_error(y_test,pred)

print(rmse)

from sklearn.linear_model import LinearRegression

model = LinearRegression()

model.fit(X_train,y_train)

pred_ln = model.predict(X_test)

print(metrics.root_mean_squared_error(pred,pred_ln))

print(pred)

print(pred_ln)

문제2 코드

df2 = pd.read_csv(file_path + 'mock3_type_problem2.csv')

print(df2)

from scipy import stats

Male = df2[df2['gender']=='M']['income']

Female = df2[df2['gender']=='F']['income']

stat,p = stats.ttest_ind(Male,Female,equal_var = True)

print(stat,p)

l_stat,l_p = stats.levene(Male,Female)

print(l_stat,l_p)

Male_norm = stats.shapiro(Male)

Female_norm = stats.shapiro(Female)

print(Male_norm.statistic, Male_norm.pvalue)

print(Female_norm.statistic, Female_norm.pvalue)

728x90

문제3 코드

df3 = pd.read_csv(file_path + 'mock3_type_problem3.csv')

print(df3)

y = df3['y']

X = df3[['x1','x2']]

import statsmodels.api as sm

X_const = sm.add_constant(X)

model = sm.OLS(y,X_const).fit()

print(model.summary())

from scipy import stats

resid = model.resid

resid_stat,resid_p = stats.shapiro(resid)

print(resid_stat,resid_p)

from statsmodels.stats.diagnostic import het_breuschpagan

print(het_breuschpagan(resid,X_const))

문제가 도움이 되실 것 같다면, 좋아요 한번 정도 눌러주시거나, 댓글도 환영합니다:)

빅분기 실기 3유형 대비 연습문제_통합7문제

일찍자요 — Sat, 15 Nov 2025 10:33:49 +0900

이제 마지막 3유형 연습문제입니다.

7개의 문제와 데이터셋을 만들어보았고, 저는 3유형은 이 7문제와 다음에 포스팅할 추가연습문제로만 공부하고 시험 응시했습니다.

사실, 3유형도 다 맞을 수 있었으나...1개 틀렸더라구요 ㅎㅎ

문제안에 나오는 하위 문제들에 대해 잘 살펴보시고,

유첨파일은 하단에 problem1~7까지 있는데 문제순서 그대로이니,

코드 작성하실 때 경로와 파일이름 잘 확인하셔서 직접 코딩을 해보시기 바랍니다.

아무래도 3유형은, 상관계수, 회귀분석, 오즈비 분석 등이 필수단골인거 같고,

개인적으로 1유형만큼이나 범위과 광범위해서 까다롭다는 생각이 듭니다.

나름 여러 영역에서 나올법한 문제유형을 AI와 함께 만들어 공부했었고,

공부한 자료를 공유드리니,

꼭 도움이 되시길바랍니다.

화이팅!

[문제 1]

학생들의 나이(age)와 공부시간(study_hours), 그리고 성적(grade)에 대한 데이터이다.

① age 와 study_hours 를 설명변수로 성적에 대해 회귀분석을 수행하고 유의하지 않은

변수의 개수를 구하시오.

② study_hours 와 grade 의 피어슨 상관계수를 구하시오.

③ 테스트 데이터를 기준으로 RMSE 를 구하시오.

[문제 2]

성별(gender)에 따른 소득(income)에 대한 데이터이다.

① 성별 간 소득의 평균차이에 대해 등분산 t 검정을 수행하시오.

② 등분산성 검정을 수행하고 결과를 해석하시오.

③ 소득의 정규성 검정을 성별로 각각 수행하시오.

[문제 3]

다중설명변수(x1, x2)를 이용하여 종속변수 y 를 예측하고자 한다.

① 다중회귀 분석을 통해 유의하지 않은 변수 개수를 구하시오.

② 잔차에 대한 정규성 검정을 수행하시오.

③ 잔차에 대한 등분산성 검정을 수행하시오.

[문제 4]

치료군(treatment)과 비치료군의 회복일(recovery_days)에 대한 데이터이다.

① treatment 에 따른 회복일의 평균 차이에 대해 t-test 를 수행하시오.

② 치료군의 회복확률(recovered=1)의 오즈비를 구하시오.

728x90

[문제 5]

경력(experience)과 자격증 보유 여부(certified)에 따른 연봉(salary)에 대한 데이터이다.

① 선형회귀 분석에서 certified 변수의 유의성(p-value)을 구하시오.

② experience 와 salary 의 상관계수를 구하시오.

③ certified 그룹별 salary 의 평균 차이에 대해 t-test 를 수행하시오.

[문제 6]

고객의 서비스 만족도(satisfaction, 1~5 점)와 월간 사용량(usage)에 대한 데이터이다.

① satisfaction 과 usage 간 상관계수를 구하시오.

② usage 값에 대해 정규성 검정을 수행하시오.

③ usage 의 이상치를 제거하고 평균 차이를 구하시오.

[문제 7]

다음은 고객의 나이(age), 월간 사용량(monthly_usage), 고객센터 문의 횟수(support_calls),

계약 형태(contract_type), 그리고 이탈 여부(churn)에 대한 데이터이다.

① 로지스틱 회귀분석을 실시하고, support_calls 변수의 p-value 를 소수 셋째 자리까지

구하시오.

② contract_type 변수의 오즈비를 구하시오.

③ 예측된 확률이 0.5 이상인 이탈 고객 수를 구하시오.

문제가 도움이 되실 것 같다면, 좋아요 한번 정도 눌러주시거나, 댓글도 환영합니다:)

mock3_type_problem1.csv

0.01MB

mock3_type_problem2.csv

0.00MB

mock3_type_problem3.csv

0.01MB

mock3_type_problem4.csv

0.00MB

mock3_type_problem5.csv

0.00MB

mock3_type_problem6.csv

0.01MB

mock3_type_problem7.csv

0.01MB

주식입문 5년이 지난 지금 달라진 것

일찍자요 — Sun, 9 Nov 2025 21:44:18 +0900

지난 시간들 동안 블로그에 올려왔던 시황들, 매매일지 등을 보니..

참 치열하게 뭔가 하려고 했구나 싶습니다.

사실 AI가 크게 대두되기 직전부터 주목받기 시작하던 시기에

자동크롤링과 약간의 수작업이 더해져서 매일매일 시황을 업로드 하곤 했는데,

사실 저초자 그 시황들이 매매에 도움이 되었다고 생각이 들지 않았거든요.

AI가 그려준건데 한글은 참 아직 멀었군요 ㅎㅎ

그냥...

누군가는 필요한 정보가 있겠거니 하고 올리곤 했죠.

그러다보니 여러 일도 많아지고 하다보니 결국 이런 활동은 접게되었습니다.

그리고 실제적으로 수익은 없고 큰 손실을 보니 힘이 빠졌고,

감정을 제거하고자 만든 자동매매도 결국 큰 수익을 못보고 또 시간이 흐르고 흘러,

주식이란 것에 손을댄지 이제 5년이 되었습니다.

스트레스로 머리도 빠졌어..ㅠ

그리고 올해,

장이 유난히도 좋았던 대상승의 시기가 있었다고는 하나,

어찌되었건 누적실현손익을 월급수준으로 마감해보는 좋은 성과를 가져가고 있습니다.

남은기간 큰 뻘짓이 없다면 아마 그럴 것 같습니다.

그럼,

과연 지난 4년과 올해1년은 무엇이 달랐을까 보니,

'욕심'이 많이 사라졌다는 점입니다.

최근 뉴스를 보니 60대 아줌마가 수익률 1등을 먹고,

20~30대 남자가 회전율도 높고 수익도 꼴지라고 하죠?

저도 그 20~30대에 속했었는데,

올해는 적어도 그정도는 아닌 것 같습니다.ㅎㅎ

그렇다고 저도 60대 아줌마처럼 그냥 넣고 가만히 있는것은 아닌데,

욕심을 버리고 나니, 소액의 수익도 기쁘고,

비중조절이 되니 물려도 마음이 푸근하더군요.

아마도 20~30대 남자는 욕심도 크고

큰 수익을 빨리 벌고 싶은 마음에

야수의 심장으로 도전하는 비율이 많을 것 같습니다.

근데 이 욕심 버리기가 참 어려운 것 같습니다.

회사 동료는 종목 선정은 잘해서 한번에 수익을 크게 벌긴한데,

역시 아직 입문 1년차라 그런지 한번에 몰빵을 하고

결국 와이프 몰래 사용하던 비자금을 대부분 잃었다고 합니다.

그런데 지금도 마통을깨서 또..몰빵을 하고 있습니다.

모 아니면 도.

이게 정말 위험한 걸 알면서도

한번의 큰 수익을 맛 본 사람은 '모'만 생각하고 '도'를 가볍게 여깁니다.

그래서 저는 지난 4년간의 손실을 경험한 이후,

올해는 욕심과 감정을 버린 매매방식을 고수하고 있고,

프로그램 트레이딩으로 낮엔 국장, 밤엔 미장 이렇게 돌리며

야금야금 수익을 가져가고 있습니다.

위 트렌드는 지난 1주일간 총자산대비 누적수익률인데

실제 프로그램 돌린 3개월의 결과라 봐야하고,

총자산대비 수익이 얼마 안되죠?

그런데, 예전이었으면 이런 쓰레기!! 했을텐데,

지금은 그렇지 않습니다.

이야...5%나 벌었다! 하고 있죠.

(나는 손하나 까딱 안하고)

제 손을 믿지 않고 프로그램에 맡기니

맘도 편하고 낮엔 일에 집중하기도 좋고 그렇네요.

내년에도 이렇게 푸근하게 웃고 있어 보자..

혹시, 본인의 손매매에 또 감정에 휘둘리며 힘들어하는 분들은

매매방식을 바꿔보는 것도 어떨까요?

물론, 프로그램은...초기 세팅과 수많은 시행착오를 겪으며

수없이 수정을 해가야합니다.

백테스트도 해야하고, 검증기간도 필요하죠 ㅠ

세상 쉬운게 하나 없어요 참..

728x90

어쨌든 지금 또 AI버블 이야기 나오고 있고

국장이건 미장이건 한번 조정국면을 맞이할 때 가 되었기에,

저 또한 지금의 매매방식이 계속 효과를 볼지는 의문이지만,

적어도 최근 3개월간의 결과는 만족스럽고,

앞으로도 이제 조정이 이어지는 시기에도 선방을 할지는 두고봐야겠습니다.

부디...그렇게 이어질 수 있기를 ㅠ

나도 좀 벌즈아

빅분기 실기 2유형 대비 연습문제_Wine 분류문제(회귀X)

일찍자요 — Sun, 9 Nov 2025 20:51:07 +0900

이 앞까지는 대부분 회귀분석하여 레포팅 하는 연습문제였다면,

이번에는 분류레포팅을 해보도록 합시다.

전체적인 흐름은 회귀분석과 유사합니다.

다만, Regressor가 아닌 Claissifier를 사용해야하며,

classification_report로 원하는 지표를 가져와야한다는 점입니다.

실제 시험에서는 어떤 지표를 요구할지 모르기 때문에 어떤 지표도 출력할 수 있게 연습해보시는게 중요합니다.

728x90

★ 문제
주어진 와인 데이터를 기준으로 데이터를 학습하여 와인등급예측모델의 성능지표를 출력하라

import pandas as pd
import numpy as np


# 1. 파일의 정보를 살펴보기 탐색적분석석
file_path = '경로/wine.csv'
df = pd.read_csv(file_path)
print(df)

print(df.shape)
print(df.info())

# target에 있는 값들의 범주화하여 갯수를 파악한다.
print(df['target'].value_counts())

# 정말 중요하다.
# 결측치가 만약에 있다면, 반드시 처리해야한다. 평균을 넣든, 그 행을 지워버리든...
print(df.isnull().sum()) # 결측치 확인하기


#2. 자 이제 시작이다.


#[1] 데이터 분리
from sklearn.model_selection import train_test_split

column_list = [col for col in df.columns if col != 'target']

X_col = column_list
y_col = 'target'

X_train, X_test, y_train, y_test = train_test_split( df[X_col], df[y_col])

#[2] 분류를 위한 모델을 정의한다.
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier()


#[3] 모델에 fitting 해서 학습화한다.

model.fit(X_train,y_train)  # 이게 train으로 학습하는거다.

#[4] 학습된걸로 X_test를 예측해서 pred를 가져온다.

pred = model.predict(X_test)

#[5] 예측이 잘 되었는지 평가를 레포트 해야한다. 분류표로
from sklearn import metrics

report = metrics.classification_report(y_test,pred)
print(report)


# print(dir(metrics)) # metrics로 쓸 수 있는 리스트 확인
# accuracy를 가져온다.
print(metrics.accuracy_score(y_test,pred)) #accuracy는 무조건 이렇게 한다.
print(metrics.f1_score(y_test, pred, average='weighted')) #
print(metrics.recall_score(y_test, pred, average='macro'))

문제가 도움이 되실 것 같다면, 좋아요 한번 정도 눌러주시거나, 댓글도 환영합니다:)

wine.csv

0.01MB

빅분기 실기 2유형 대비 연습문제_5회기출(랜덤포레스트, XGboost)

일찍자요 — Sun, 9 Nov 2025 20:45:29 +0900

5회 기반 기출도 역시 랜덤포레스트와 XGboost를 같이 비교해보도록 합시다.

★ 문제
다음에 주어진 데이터셋은 중고차와 관련된 데이터이다.
학습용 데이터를 이용하여 중고차의 판매 가격을 예측하고, 평가용 데이터에 대한 예측 결과를 csv파일로 제출하시오.

(모델의 성능은 RMSE로 평가)

728x90

import numpy as np
import pandas as pd


df_train = pd.read_csv('경로/기출문제5회_2유형_train.csv')
df_test = pd.read_csv('경로/기출문제5회_2유형_test.csv')


#target 떼어내기
target = df_train.pop('price')

# df_train = train_set.copy()
# df_test = test_set.copy()

# ID 제거
df_train.drop('ID', axis=1, inplace=True)
df_test.drop('ID', axis=1, inplace=True)


#원핫인코딩 및 겟더미
df_total = pd.concat([df_train,df_test])
df_total = pd.get_dummies(df_total)

print(df_total)

train = df_total.iloc[:len(df_train)].copy()
test = df_total.iloc[len(df_train):].copy()

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()

#수치형 열 
col_num = train.select_dtypes(include=['number']).columns

train[col_num] = scaler.fit_transform(train[col_num])
test[col_num] = scaler.transform(test[col_num])

#모델링
from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(train,target,test_size = 0.2)

from xgboost import XGBRegressor

model = XGBRegressor()

model.fit(X_train, y_train)

pred = model.predict(X_test)

from sklearn import metrics

report = metrics.root_mean_squared_error(y_test,pred)
print(report)

#최종 예측아웃풋
pred_result = model.predict(test)

result = pd.DataFrame({'pred' : pred_result})

print(result)

result.to_csv('경로/5회_result.csv',index=False)

# 번외로 랜덤포레스트 회귀를 한다면

from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor(random_state=123)
model.fit(X_train,y_train)

pred = model.predict(X_test)

report = metrics.root_mean_squared_error(y_test,pred)

print(report)

pred_result = model.predict(test)

result = pd.DataFrame({'pred':pred_result})

result.to_csv('경로/5회_result(random_foreset_regressor).csv',index=False)

참고로, 분류 classifier가 아니라 회귀 Regressor를 했기 때문에, 수치적인 연속적인 데이터입니다.

따라서 이런 경우는 분류레포트가 나올 수가 없습니다.

회귀 검증은 mean_absolute_error나 mean_square_error를 사용해야합니다.(report부분)

문제가 도움이 되실 것 같다면, 좋아요 한번 정도 눌러주시거나, 댓글도 환영합니다:)

빅분기 실기 2유형 대비 연습문제_7회기출(랜덤포레스트, XGboost)

일찍자요 — Sun, 9 Nov 2025 20:35:57 +0900

이번엔 2유형 7회 기출기반 문제입니다.

랜덤포레스트와 XGboost를 같이 공부하실 수 있게 코드와 데이터셋을 준비하였으니,

코드와 함께 공부해보시면 좋겠습니다.

특별한 상황이 아니라면 그냥 랜덤포레스트 쓰는게 제일 무난한 거 같더라구요.

참고하시기 바랍니다.

★문제
주어진 훈련 데이터로 머신러닝 회귀 모델을 학습하고, 테스트 데이터에 대한 매출을 예측하여 CSV로 제출합니다.

728x90

import numpy as np
import pandas as pd


df_train = pd.read_csv('경로/07.02.01-sales_train_dataset.csv').copy()
df_test = pd.read_csv('경로/07.02.02-sales_test_dataset_x.csv').copy()

# 타겟 가져오기
target = df_train.pop('Sales')

# 원핫인코딩 
total = pd.concat([df_train,df_test])
total = pd.get_dummies(total)


train = total.iloc[:len(df_train)].copy()
test = total.iloc[len(df_train):].copy()


# 스켈링
from sklearn.preprocessing import MinMaxScaler
scale = MinMaxScaler()

# 수치형 칼럼 확인
num_col = train.select_dtypes(include = 'number').columns

train[num_col] = scale.fit_transform(train[num_col])
test[num_col] = scale.transform(test[num_col])

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(train, target, test_size = 0.2)


### 랜덤포레스트
from sklearn.ensemble import RandomForestRegressor

model = RandomForestRegressor(random_state=123)

model.fit(X_train,y_train)

pred = model.predict(X_test)

from sklearn import metrics

rmse = metrics.root_mean_squared_error(y_test,pred)
print(rmse)

pred_result = model.predict(test)
print(len(pred_result))
result = pd.DataFrame({'BranchName' : df_test['BranchName'], 'Sales' : pred_result})
print(result)

df_answer = pd.read_csv('경로/07.02.03-sales_test_dataset_y.csv')

rmse_result = metrics.root_mean_squared_error(df_answer['Sales'], pred_result)
print(rmse_result)


### XGboost

from xgboost import XGBRegressor
model_XG = XGBRegressor()
model_XG.fit(X_train, y_train)
pred = model_XG.predict(X_test)

XG_rmse = metrics.root_mean_squared_error(y_test,pred)
print(XG_rmse)

XG_predict = model_XG.predict(test)
result = pd.DataFrame({'BranchName':df_test['BranchName'],'Sales' : XG_predict})
print(result)

result.to_csv('경로/result_7회_2유형_XG.csv', index=False,encoding='utf-8-sig')

df_result = pd.read_csv('경로/result_7회_2유형_XG.csv')
print(df_result)

df_answer = pd.read_csv('경로/07.02.03-sales_test_dataset_y.csv')

XG_rmse_result = metrics.root_mean_squared_error(df_answer['Sales'],XG_predict)
print(XG_rmse_result)

print(f'랜덤포레스트 rmse : {rmse_result}, XG부스트 rmse : {XG_rmse_result}')

위의 코드를 가지고 랜덤포레스트와 XGboost 결과를 출력해보고 비교해보시면서 최종 시험때는 어떤걸 선택할지 선택해보시면 좋겠습니다.

결국 흐름은 동일합니다.

타겟을정하고 → 데이터 전처리를 하고(인코딩, 스케일링) → Train, Test를 위한 데이터 분리 → 모델선정(랜포, XG 등) → 결과 출력 및 저장.

이 흐름 속에서 코드를 어떻게 작성할지는 몇번 보고도 해보고, 안보고도 해보고 반복하다 보면 익숙해 지실겁니다.

문제가 도움이 되실 것 같다면, 좋아요 한번 정도 눌러주시거나, 댓글도 환영합니다:)

07.02.01-sales_train_dataset.csv

0.01MB

07.02.02-sales_test_dataset_x.csv

0.00MB