23-2_KUCCTHON

• 서비스 개발 부문

  • 대상 : 5조 종깡총강
  • 최우수상 : 2조 T2
  • 우수상 : 4조 종강이즈백

• 데이터 분석 부문

  • 대상 : 8조 무면허
  • 최우수상 : 7조 애7ㅣ
  • 우수상 : 6조 첫눈

조원 구성

조	이름	---	---	---
1조	권민재	문준호	안민영
2조	김병현	이광영	백주환	장윤성
3조	오종민	강신우	이준언	이원준
4조	김현수	이나라	원다혜	송서진
5조	주찬휘	이정수	강화민
6조	홍준영	박기동
7조	은가은	조미겸
8조	송상화	박유한

멘토/심사위원

이름	역할	분야	소속
김현채	멘토 / 심사위원	개발(웹프론트엔드)	재학생 시니어
나마로	멘토 / 심사위원	데이터	재학생 시니어
김은기	심사위원	데이터	재학생 시니어
김나비	멘토	개발(웹프론트엔드)	채널톡코퍼레이션
임상원	멘토/심사	개발(웹프론트엔드)	라프텔
박재온	멘토/심사	개발(백엔드)	포트원
김선민	멘토/심사	개발(게임)	플라네타리움

쿠씨톤 - 서비스 개발 부문

주제 : "종강"

1조 일석일조

대학생의 일정을 우선순위별로 관리하고 월간 및 일별로 조회 가능한 일정 관리 시스템

🛠 Frontend Tech Stack

Framework	React
Language	HTML, CSS, Javascript, React
Deployment	Vercel

🛠 Backend Tech Stack

Framework	FastAPI
Language	Python 3.10
Database/ORM	MySQL, Naver Cloud Platform - Cloud DB for MySQL, SQLAlchemy
ETC	ngrok, Swagger, Channel Talk, ERDCloud, MySQL Workbench, GPT-4 Turbo

다이어그램

ERD

기능

• 캘린더
• 월간 일정 조회
• 일일 일정 조회
• 일정 추가
• 우선순위에 따른 일정 목록 추천
• 일정 관리 비서 추가
  • DB에 있는 일정들을 학습한 GPT-4 Turbo

API 리스트

웹 화면

2조 T2

이번 주제는 "종강" 이었고 팀원들끼리 종강을 염원하는 마음으로 종강까지 버티는 타임어택 미니게임을 개발했습니다.

게임의 형식은 고전 똥피하기 게임을 참고했고, 로컬 컴퓨터에 저장되어 있는 교수님의 사진을 사용하는 기능을 통해 유저 커스터마이징이 가능한 서비스를 개발하고자 했습니다.

3조 보람삼조

4조 종강이즈백

• KUCC 해커톤 쿠시톤 주제 : "종강"에서 아이디에이션

• 주요 기능 : 안안염 일대 술집 각각의 현재 '평균 혈중 알코올 농도'를 알려주는 서비스입니다

🛠 주요 기능 소개

1. 테이블

   • 테이블 등록

   • 주문하기

2. 랭킹

   • 가게 내 랭킹

   • 참살이길 내 가게 랭킹

테이블

테이블 등록

UX/UI

• API 명세서

• 설명 : 첫 주문시 닉네임, 인원 수, 가게명, (소주,맥주,막걸리) 병 수를 입력하여 등록 및 주문을 할 수 있습니다

5조 종깡총강

내 종강을 지켜줘

• 2023 KUCC 해커톤 5조 종깡총강 주찬휘, 이정수, 강화민
• 나만의 학기 중 수호천사가 되어줄래..? ✨
• 학기 중 익명 메시지를 받고, 종강을 맞이한 뒤 누가 보냈는지 확인해보세요.

사용해 보기

여기에서 사용해볼 수 있습니다.
유지보수 관계로 현재는 DB 연결을 끊어둔 상태입니다.

시작하기

git clone https://github.com/kucc/end-my-semester.git && cd end-my-semester && cp .env.example .env.local

이후 .env.local 파일에서 환경 변수를 설정해주세요.

npm install && npm run dev

쿠씨톤 - 데이터 분석 부문

대구 교통사고 피해 예측 AI 경진대회https://dacon.io/competitions/official/236193/overview/description

6조 첫눈

7조 애7ㅣ

8조 무면허

주제: 시공간 정보로부터 사고위험도(ECLO) 예측 AI 모델 개발
ECLO = 사망자수 * 10 + 중상자수 * 5 + 경상자수 * 3 + 부상자수 * 1

팀명: 무면허 (8조)
팀원: 송상화 / 박유한

데이터

• 대구 교통사고 데이터
• 외부 데이터

특이사항

• Train data는 23개의 열로 구성되었으나 Test data는 8개의 열로 구성됨
• Test data는 추론 시점에서 획득할 수 있는 정보로 구성되어 열의 개수가 Train data보다 적음
• 외부 데이터로 전국 교통사고 데이터, 대구 CCTV 정보, 대구 보안등 정보, 대구 어린이 보호 구역 정보, 대구 주차장 정보가 주어짐
• 추가적으로 geopackage 형식의 대구 빅데이터 마트 데이터가 주어짐

전처리

변수 분리

• 사고일시를 년, 월, 일, 시간으로 분리
• 시군구를 도시, 구, 동으로 분리
• 도로형태를 도로형태 1, 도로형태 2로 분리

범주형 변수 처리

• 모든 범주형 변수들에 대해 One-Hot Encoding 수행
• '동' 변수에 대해서는 Target Encoding을 수행 - 범주형 변수의 개수를 줄이기 위함

변수 제거

• 도시 변수에는 대구광역시 하나의 값만 있으므로 해당 변수를 제거
• 기상상태와 노면상태의 상관관계가 높아 다중공선성을 없애기 위해 노면상태 변수를 제거

Train data에만 있는 변수 활용

• '사고유형 - 세부분류'와 '법규위반' 변수를 활용
• 해당 두 변수는 예측하고자 하는 ECLO와 상관관계가 높았음
• Test data에는 없는 변수이므로 해당 결측치를, 동별로 가장 많은 '사고유형 - 세부분류' 및 '법규위반'으로 대체

이상치 제거

• ECLO >= 11 인 경우를 과감하게 모두 제거
• 90% 이상의 데이터가 ECLO <= 10 에 해당
• 이상치를 제거하지 않고 예측해도 모든 데이터가 3~5 부근으로 예측됨

외부 데이터 사용

• CCTV, 보안등, 어린이 보호 구역, 주차장 개수를 동별로 정리
• 외부 데이터에 존재하는 띄어쓰기 오타, 결측 등을 전처리
• '동' 변수를 활용하여 기존 교통사고 데이터와 병합하여 예측에 사용
• geopackage 형식의 데이터는 사용하지 않았음

모델

기준 모델 (Baseline)

• Random Forest Regressor 사용
• CCTV, 보안등, 어린이 보호 구역, 주차장 데이터 및 geopackage 데이터는 사용하지 않았음
• RMSLE는 0.4787을 기록

모델 선택

• 직접 모델을 몇 개 선택해서 실험을 진행
• LightGBM, Random Forest, Linear Regression 등을 수행
• 앙상블 학습 또한 수행
• 이후 Pycaret 라이브러리를 이용하여 자동화하고 10여 개 가량의 모델에 대해 RMSLE를 계산
• RMSLE에서 가장 높은 성능을 내는 모델은 Huber Regressor, Ridge Regression, Linear Regression이었음