데이터 사이언스 4기 수업에서도 여름휴가가 일주일 있었습니다.
여름휴가를 다녀와서 claude.ai를 활용해 머신러닝 구현이 가능한 앱(V14)을 만들어 보았습니다.
물론 열심히 연구를 통해 정교하게 feature engineering을 적용하고, 이와 더불어 머신러닝에 대한 기술적 지식을 결부시킬 때 비로소 제대로 머신러닝을 구현할 수 있고, 또 결과를 읽어낼 수 있겠지만, 전체적인 흐름을 빠르게 실험하고 또 점검하는 정도에서는 어느 정도 MLPREDICTION_V14이 활용될 수 있을 것 같습니다.
링크 ➡️ https://healthdata-dumapopgwok6jyzgkxuo4o.streamlit.app/
특히 머신러닝에 대한 이해가 있는 Healthcare financing, Health financing, 및 Global health 분야 담당자들의 경우에는 간단히 CSV 파일만 업로드하여 활용할 수 있을 것 같습니다 (물론 사용 대상이 해당 분야 전문가로만 제한될 필요는 없습니다). 간단한 EDA부터 모델 학습 및 예측 결과 리포트까지 자동으로 생성되며, 실무에서 즉시 활용한 뒤 보다 심도 있는 분석으로 확장할 수 있도록 구현되었습니다.
There was still a summer break for the data science trainee programme!
After returning from the break, I developed MLPREDICTION_V14, a machine learning–enabled app built using Claude.ai.
Of course, truly effective machine learning requires thorough research, carefully applied feature engineering, and a solid understanding of the underlying algorithms in order to both implement models properly and interpret their results accurately - in particular the proper judgement. However, for the purpose of quickly experimenting with and reviewing the overall workflow, MLPREDICTION_V14 can serve as a useful tool.
LINK ➡️ https://healthdata-dumapopgwok6jyzgkxuo4o.streamlit.app/
In particular, professionals in Healthcare Financing, Health Financing, and Global Health who have some understanding of machine learning can simply upload a CSV file to begin using the app (though its use is not limited to these domains). The app automatically generates everything from a basic EDA to model training and a prediction results report, enabling users to apply it directly in practice and then expand into more in-depth analyses as needed.
부트캠프 초기의 머신러닝 학습 과정을 회고하며, 보건 정책 및 데이터 담당자의 관점에서 머신러닝 파이프라인 구현 가능성을 고려해 보았습니다. 특히 관련 학술 논문을 몇 편 읽어본 다음, Health & Healthcare Financing 및 Global Public Health 분야에서 AI/ML은 데이터의 수집·분석·해석 과정을 효율화하고, 정책 결정과 실행에 소요되는 시간을 단축하는 보조 도구로서의 활용에 나름 장점이 있을 것이라고 생각했습니다. 이러한 관점을 바탕으로, Datathon에서 사용한 실제 데이터를 적용하여 앱을 시연해 보았습니다.
Revisiting the early machine learning training sessions from the bootcamp, I explored, from a policy and data professional’s perspective, how an ML pipeline could be implemented in practice. By reviewing several relevant academic papers, I considered how AI/ML could be applied in the fields of Health & Healthcare Financing and Global Public Health—not only to process numerical data but also to support the reading, interpretation, and application of data in a way that saves time for decision-making and action. Based on this perspective, I demonstrated the app using the dataset from our Datathon project.