EDA를 관점에 따라 나누어 여러 번 진행하는 것을 제안합니다.

[yeseoLee]

제안

우선 데이터셋 파악을 위한 기초 EDA를 진행합니다. 이후 세부 목적에 맞게 추가적인 분석을 진행하는 구조를 제안합니다.
실제 작업을 수행하는 것이 아닌 작업 수행에 필요한 배경을 데이터를 통해 확인하는 과정이라고 보면 되겠습니다.

Pros

1. 분업하기 용이합니다. 여러 명이 EDA를 진행하더라도 겹치는 내용을 최소화할 수 있습니다.
2. 목적을 미리 설정하기 때문에 일단 분석은 했는데 이걸로 어떤 인사이트를 얻을 수 있을까? 같은 고민을 하지 않게 됩니다.

Cons

1. 그럼에도 겹치는 내용이 발생할 수 밖에 없고 기존에 비해 작업 공수가 늘어납니다.
2. EDA라고 하기 애매한 부분이 있습니다. (데이터 분석을 벗어나는 작업이 포함되어 있는 느낌이 있습니다.)

Example

• 데이터 오류 탐지를 위한 EDA
  데이터 오류를 탐지하고 수정하는데 목적이 있습니다.
• 사회/국어 분류를 위한 EDA
  사회 국어 문제를 직접 라벨링하여 분류를 위해 학습에 사용하는 등을 시도할 수 있습니다.
• 데이터 출처 및 사전 지식 기반 EDA
  Ko-MMLU, Multilingual MMLU, KLUE-MRC, 수능 데이터를 직접 사용할 수는 없지만 성공적으로 moking하기 위해서 해당 데이터 셋의 특징은 알야한다고 생각합니다.

[Sujinkim-625]

데이터 오류 탐지를 위한 EDA : 성재/민서

사회/국어 분류를 위한 EDA : 가연/수진

데이터 출처 및 사전 지식 기반 EDA: 예서/성민