개발로그

9주차 회고

Keep (잘한점)

• 매일 알고리즘 문제 풀이
• 팀 내에서 실험 공유를 잘했다.
• 1일 1 commit 이상하면서 주중에는 git 잔디밭 관리가 성공적으로 되고 있다.

Problem(실수)

• 개인적으로 건강을 신경 안쓰다가 감기에 걸렸는데 계속해서 약만 먹고 몸살기운이 계속 있다...

Try (계획)

• 주말에는 ai ground에 전념하는 시간을 가지려고 한다.
• 병원가서 쎈 약 달라고해서 빠르게 회복해야겠다. 아니면 주사라도 맞고 올 예정.

DKT 대회에서는 다음주 부터 팀내에서 branch를 바꾸어서 실험을 계속해서 진행하기로 했다.

현재까지는 boosting 계열 실험을 진행하였으나 다음주부터는 graph 계열 모델을 실험해보고

lightGCN 모델을 딥하게 공부해야겠다.

수요일까지 어느 결과를 내고 다음에는 dkt sequential 모델을 실험해보고자 한다.

그러기 위해서는 건강관리가 필수! 일단 약부터 잘 챙겨먹자 ~!

DKT 

DKT 대회에서 부스팅 모델계열을 실험하고있다.

현재까지는 Cat, XG, LGBM 모델을 돌려보았고 

각각의 모델에 맞게 feature를 선택하기 쉽게 만들기위한 Feature Selection기능을 개발하고 있다.

그 외에 FE 과정을 통해서 팀원 한명과 계속해서 FE total 데이터에 계속해서 추가하고 있다.

구조는 대략 위와같은 파일 구조로 진행이 되어있고 

아마 향후에 wandb, optuna를 사용해서 feature 선택 부분과  하이퍼 파라미터 튜닝을 실행하기 쉽게 하기 위한 과정도 준비해야 할 것 같다.

+) 추가로 이번주 금요일까지 인수인계를 하기 위한 기능과 Readme를 작성해두어야겠다. 이번 기회에 실험 정리하는 것을 연습 겸 실습할 수 있을 것 같다.

AI Ground

요즘들어 제일 열심히 참여하는 것 중 하나가 ai ground가 아닐까 싶다.

하지만 기본 베이스라인 모델을 아직까지는 이기고 있지 못하고 있다...

Rule Baesed 방법으로 시도를 해보았지만 graph기반 모델의 아웃풋이 생각보다 견고하다.

생각보다 graph 기반 모델이 나보다 많이 똑똑한것 같다... 허허허

어제는 경황이 없어서 블로그에 정리를 하지 못했다.

요즘 시간이 엄청 빠르게 흘러가고 있다. 하고 싶은 실험도 많고 데이터 관련해서 어떻게 하면 성능을 높일 수 있을지 고민을 많이 하게된다. 그런 시도를 하면서 종종 만나는 사소한 오류들로 시간이 불타 사라지는 것을 경험하면서 경황이 없는 것 같다. 

아무래도 매번 새로운 시도를 하다보니깐 새로운 오류들을 만나는 것 같다. 앞으로도 계속해서 오류들을 만날 예정이지만 점차 pytorch 경험이 쌓이면서 처음보다는 성장한다는 것을 느끼며 계속해서 성장하고자 한다.

+) 그래도 알고리즘 문제 풀이와 git 프로젝트 관리를 하면서 요즘 잔디 관리가 잘 되고 있어서 소소한 만족감을 느끼고 있다.

+) 아래는 이력서관련 포스티을 추천받았는데 나중에 참고하고자 남겨둔다.

https://wonny.space/writing/work/engineer-resume

멘토링

RL for recSys with Ray RLlib

강화학습을 추천시스템에 사용하는 법

Ray 프레임워크

RLlib 라이브러리

튜토리얼 링크 : https://github.com/anyscale/academy

applicaiton of Reinforcement learning

-observation

-action

-Rewards

환경에서 액션에 따른 새로운 상태와 새로운 리워드를 받게되며, 이는 새로운 observation이 된다.

목표 : '누적' 보상액을 최대화 하는 것

정책 : 에이전트가 행동을 선택하는데 사용하는 규칙

XGBoost

int, float, bool or category 변수를 받는다. str 타입을 인풋으로 받지 않는다. 

일단 catboost와의 차이점이 두드러진다.

모델을 돌렸을 시 category 변수보다는 중복도가 낮았던 변수가 feature importance가 높게 측정이 되었다.

즉, catboost와 달리 요구하는 feature의 특징이 다르다는 점.

이는 FE에서 새로운 접근 방식으로 시도해봐야 할 것 같다.

Cardinality

중복도가 낮으면 cardinality가 높다.

중복도가 높으면 cardinality가 낮다.

즉, catboost는 cardinality가 낮을 때 성능이 좋다.

XGboost에서는 cardinality가 높은 feature의 importance가 높게 측정이 되었다.

+) 이거 외에 ai ground에서 데이터 셋을 참고해서 여러 디폴트 세팅을 하고 있는데 쉽지가 않다. 

접근 방법을 다시 항번 생각해 봐야 할 수도 있을 것 같다.

DKT 6일차의 날이 밝았다.

오늘은 데이터 파일 정리랑 xg boost 를 기초적으로 만들어보고 성능을 확인해 보았다.

그 후 주피터 노트북으로 만들어진 결과를 .py 파일로 만들면서 모듈화를 할 수 있는 방법을 시도해보고 있다.

하지만 아직까지 만족스럽게 완성이 되지는 않아서 아쉬움으로 남고 있다.

ai ground 는 아직까지 활로가 마땅히 찾지 못해서 계속 데이터와 도메인 지식들을 보면서 어떤 추천 방식으로 해야 좋을지를 생각해 보고 있다. 계속해서 머리 속에 떠오른 아이디어를 구현해봐서 확인 할 필요가 있다.

9주차 회고

Keep (잘한점)

• 블로그에 학습정리 잘한 점
• 매일 알고리즘 문제 풀이
• GIT 활용해서 프로젝트 공유 활발하게 한 것 (Issue, Project, PR, branch 전략)
• EDA를 바탕으로 대회 진행하는 것
• 새로운 팀과 모인 첫 주지만 나름 편한 분위기로 진행 중
• 팀원들과 칭찬 시간을 가졌다.

Problem(실수)

• 중간중간 집중을 못하는 시간이 있었다.
• 새롭게 참여한 동료는 낯을 가리고 어색할 수 있는데 배려를 많이 못한 점이 아쉽다.

Try (계획)

• AI ground 참여를 위해서 주말에 열심히 하자.
• 매일매일 알고리즘 풀기
• 적극적으로 알아보고 공유하기

알고리즘 문제 풀이

• 문제 링크 : https://www.acmicpc.net/problem/10989
• 개인 깃허브 알고리즘 코드 링크  https://github.com/SeongJaeBae/algorithm

내 풀이 

def main():
    n = int(input())
    answer = [0] * 10001
    for i in range(n):
        answer[int(input())] +=1

    #n ~ 천만이다. 메모리 터진다.
    for i in range(10001):
        if answer[i] != 0:
            for j in range(answer[i]):
                print(i)
if __name__ == "__main__":
    main()

계속해서 시간초과가 발생해서 구글링을 해보았다.

for 반복문 안에서는 input 대신에 sys.stdin.readline()를 사용해서 시간초과가 발생하지 않는다고 한다.

input과 sys.stdin.readline()이 소모하는 시간 복잡도 값이 다르다는 사실을 알게 되었다.. 

어떻게 메모리를 더 줄이지 하는 고민으로 시간만 계속 잡아먹었다.

정답 코드

import sys
def main():
    n = int(input())
    answer = [0] * 10001
    for i in range(n):
        answer[int(sys.stdin.readline())] +=1
    for i in range(10001):
        if answer[i] != 0:
            for j in range(answer[i]):
                print(i)
if __name__ == "__main__":
    main()

오늘이 다 끝나지는 않았고 이번주가 다 끝나지 않았지만 이르게 회고를 하고자한다.

이번주에는 회고할 내용이 많이 있지만 오늘은 많은 내용을 쓰지는 않을 예정이다.

7시에 끝이나고 술페션 피어세션을 하면서 다른 캠퍼분들과 많은 이야기를 할 수 있으면 좋겠다.

현재 팀원들과도 피어세션에서 발표도 진행하면서 각자 하고 있는 작업에 대해서 공유하는 시간이 좋았다.

또한, 서로 칭찬하는 시간을 가지면서 내가 인식하고 있는 나와 객관적인 나에대해서 인지할 수 있어서 좋았다. 

주의 마지막 피어세션에 칭찬으로 마무리하는 문화는 좋은 것 같다:)

6강

Feature Engineering, Feature Embedding 

CV(Custom Validation)

Bottom - up

ML Approach (Kaggle View)

1) Search EDA for things that look weird.

2) Verify weirdness by comparing to randomly generated data and confirm that those weird things are in test data

3) Create new features to capture what you see

4) Add to model and tune your model hyperparameters.

5) Confirm CV increases and submit

Top - Down

가설 기반 (Hypothesis-driven)

컨설팅 방법론 (Logical thinking) 

가설 – 구현 – 검증 Feature Extraction

1) 데이터에 대한 질문 & 가설

2) 데이터를 시각화하고, 변환하고, 모델링하여 가설에 대한 답을 탐색(구현-성능평가)

3) 찾는 과정에서 배운 것들을 토대로, 다시 가설을 다듬고 또 다른 가설 만들기

가설과 데이터에 의한 추론을 딱 잘라서 구분하기는 어렵지만 개념을 알고있으면 좋을 것 같다.

위는 변수들을 분류하는 예시이다.

숫자형과 범주형 변수에 대해서 말을 하였지만 

Continuous, Discrete 변수에 대한 의미를 파악하고 말하는 것이 중요할 것 같다.

나도 모르는 사이에 단어의 의미를 오용하는 경우가 있었던 것 같다. 주의!!

강의에서 제안해주는 FE들

• 시간 데이터가 있다고 무조건 시계열 데이터는 아니다.
• 사용자의 정답률 추이 = 누적 정답률, 최근 정답률 feature를 추가하는 것도 실험해 볼 수 있을 듯 하다.
  • 아래는 Continuous Embedding을 사용한 kaggle 솔루션
  • https://www.kaggle.com/c/riiid-test-answer-prediction/discussion/210171
• 이전에 풀었던 문항. 시험지가 다시 나오는 경우 -> 과거의 결과를 반영하면 성능 개선이 일어날 수 있을까?
  • -> 마스터 클래스에서 이전에 풀었던 문제에서 틀렸던 경우에도 모델에서는 다음에 풀었을 경우에 맞출 것이라고 예측한다고 한다. -> feature importance로 직접적으로 확인해볼 필요가 있을까?? 흠... FE에서 3옵션 정도로 남겨두자.
• 문항, 시험지, 태그의 평균 정답률
• 문항, 시험지, 태그의 등장한 횟수가 정답률과 어느 정도 상관 관계가 있다.

Data Leakage

train, test 데이터가 분리되어 있기 때문에 이를 고려해야한다.

train과 test에서 성능의 차이를 줄이기 위한 방법 중 하나는 역시 데이터를 늘리는 것이다.

다양한 방법으로 고유한 Feature 추출하기

Matrix Factorization 

사용자와 사용자가 푼 문항을 통해 user-item 행렬을 만들어줄 수 있다.

-> 실제로 대회에서 제공해준 lightGCN 같은 경우에 테스트 데이터에서 맞춰야 되는 값의 이전 데이터를 사용해서 MF를 만들어준다. => 이렇게 만들어진 MF 를 임베딩 할 수 있는 Feature로 쓸 수 있는 모델과 다른 모델에 어떻게 임베딩해서 적용할 수 있는지 고민해 볼 여지가 있을 것 같다.

유사한 방법으로는 SVD가 있다.단, svd의 단점은 빈공간이 다 차있어야한다. 물론 0으로 fillna를 해주겠지만...

ELO

ELO,IRT를 활용할 수 있다. -> 학생의 잠재능력을 가정하고 학생의 과거 데이터를 토대로 모수를 추론-> 문제의 난이도, 정답률을 보고 이 둘의 관계를 계산해서 정답률을 추론한다.

+) elo 레이팅 : https://www.kaggle.com/code/stevemju/riiid-simple-elo-rating/notebook

나무위키 :  https://namu.wiki/w/Elo%20%EB%A0%88%EC%9D%B4%ED%8C%85

아마 학생의 elo 점수를 내서 문제 난이도보고 계산할 수 있도록 하는 feature인 듯하다.

Continuous Embedding

범주형 데이터를 새롭게 feature로 만들어서 사용했는데 이를 가중합으로 만들어서 새로운 feature 를 만들어 줄 수 있다.

-> 시도해 볼만하고 합리적으로 보인다.

대회 1등 솔루션 분석

LGBM,DNN 

• 일반적으로 FE을 통해 아주 많은 Feature를 만들어 내야하고, 유의미한 것을 찾기도 어려움

Transformer

• 아주 많은 양의 데이터를 요구로 하고
• Sequence 길이의 제곱에 비례한 시간 복잡도를 가지기 때문에 사용하기에 부담스러운 점이 있다.

Riiid 대회에서도 한 유저가 위 두 가지 문제를 모두 해결한 방법을 통해서 1등을 차지했다.

Last Query Transformer RNN 

• Last Query Transformer RNN - Discussion
• Last Query Transformer RNN - Paper

1. 다수의 feature를 사용 안하고 Sequence를 늘렸다. -> 시간 복잡도가 상승함

2. 마지막 Query만 사용하여 시간 복잡도를 낮췄다.

3. 문제 간 특징을 Transformer로 파악, 

일련의 Sequence 사이 특징들을 LSTM을 활용해 뽑아낸 뒤 마디작에 DNN 을 통해 Sequence 별 정답을 예측함

+) 개인적으로는 FE를 transformer로 대체하고, 그 대신 늘어난 시간 복잡도는 마지막 query만 사용하면서 FE에 시간 투자도 안해도 되고, 모델을 돌렸을 때의 시간 소모도 줄이면서 sequence 형태로 데이터를 소모하는 좋은 모델로 보인다.

+) 위 모델을 구현해본 사람이 첨부해둔 Git 주소를 발견하였다. 하지만 이전에 Tabnet 구조를 만들어둔 사람의 git을 참고해서 이식해보려고했지만 실패했던 경험이 있어서 두렵기는 하다. 라이브러리화 되서 제공되는 모델들은 사용하기 쉽지만 이렇게 git으로 구현되어있는 모델들을 활용해서 data에 맞게 돌리는 것은 조금 더 난이도가 높은 듯 보인다.

그래도 한번 보면서 시도해볼만한지 아닌지는 판단해보자.

https://github.com/arshadshk/Last_Query_Transformer_RNN-PyTorc

스페셜 미션 4 FE

우선 가상환경 세팅부터 충돌이 일어났었다.

파이썬 버전 이슈가 있기 때문에 아래와 같은 파이썬 버전을 쓰는 것을 권장한다.

conda create -n mission  python=3.6.9
conda activate mission
pip install -q -U PyYAML
pip install -q -U scikit-learn
pip install -q shap eli5 cairosvg jupyter_contrib_nbextensions mglearn pip install category_encoders

pip install gensim==3.8.3

#sudo apt update
#sudo apt install build-essential
# apt update, install은 라이브러리 설치시 gcc 오류가 나는 경우에 실행

추가적으로 

상황을 마주하게 된다면 gcc 버전을 최신화 하는 것을 추천한다.

sudo apt update
sudo apt install build-essential

리눅스 서버에서 진행을 했는데 sudo를 빼고 진행해도 된다.

우선 pip install genism을 했을시 4.2.0 버전이 설치 되었다.

하지만 3.8 버전과는 다르게 함수나 여러개가 바뀌어서 에러가 계속해서 난다. 

아마도 special mission으로 제공되었던 함수의 recommand.txt가 있었다면 더 쉽게 했을 텐데 아쉬울 따름...

pip install gensim==3.8.3

genism을 설치할 때 3.8 버전으로 설치를 하자

이제 환경설정을 완료하였으므로 과제 내용 학습 시작

FE 대분류

• 도메인 지식 (Domain Knowledge)
• 메모리 (Memory)
• 통계량 (Statistics)
• 날짜와 시간 (Datetime)
• 이산화 (Binning)
• 상호작용 (Interaction)
• 행렬 분해 (Matrix Factorization)
• 차원 축소 (Dimension Reduction)
• 임베딩 (Embedding)
• 외부 데이터 활용 (Data Enrichment)

눈에 띄었던 추천 feature

• 앞으로 풀 문제에 대한 누적합(미래 정보)
• 이전까지 풀었던 문제에 대한 누적합(과거 정보)
• 과거 평균 정답률
• 과거 해당 문제 평균 정답률
• 최근 3개 문제 평균 문제 풀이 시간
• 문제 풀이에 사용한 시간을 중간값 기준 +.-,.0 으로 나누어서 얼마나 걸렸는지

알고리즘 문제 풀이

• 문제 링크 : https://www.acmicpc.net/problem/2839
• 개인 깃허브 알고리즘 코드 링크  https://github.com/SeongJaeBae/algorithm

내 풀이 

def main():
    s = int(input())
    #3 5 
    m_3 = int(s/3)
    l_3 = s%3
    m_5 = int(s/5)
    l_5 = s%5
    answer = 99999
    #
    if l_5 ==0:
        return print(m_5)
    else:

        for i in range(0,m_5+1):
            for j in range(0,m_3+1):
                if i*5 + j*3 > s:
                    break
                if i*5 + j*3 == s:
                    answer = min(answer, i+j)
        if answer == 99999:
            return print("-1")
        else:
            return print(answer)

그냥 빡구현 어거지로 풀었다.

그래서 모범적인 풀이는 무엇일지 검색해보았다.

sugar = int(input())

bag = 0
while sugar >= 0 :
    if sugar % 5 == 0 :  # 5의 배수이면
        bag += (sugar // 5)  # 5로 나눈 몫을 구해야 정수가 됨
        print(bag)
        break
    sugar -= 3  
    bag += 1  # 5의 배수가 될 때까지 설탕-3, 봉지+1
else :
    print(-1)

while ~ else 조건문을 사용해서 break에 걸려서 나가지 않으면 자동적으로 -1을 출력해준다.

내가 짠 코드는 거의 완전 탐색에 가까운 방식이어서 시간 복잡도가 조금이라도 타이트했으면 바로 오류가 났을 것 같다.

오늘로 DKT 대회 4일차이자 LG AI Ground를 본격적으로 시작한 첫날이다.

DKT 대회에서 주어진 베이스라인 코드들을 기억해두고 나중에 적용할 수 있을 만큼 학습하는 것이 dkt에서의 또하나의 목표라고 생각이든다. 부스트캠프 과정에서 얻을 수 있는 가장 대표적인 교육 과정이며 가져가야 할 것이다.

매일매일 알고리즘 문제를 1문제씩 푸는 것은 계속해서 이어나가야할 생활 습관이라고 생각이 든다. 이제 겨우 3일 정도 된 것 같은데 간단하게 문제를 푸는 정도라면 스트레스도 풀리고, 내가 성장하고 있나 하는 불안감 해소에도 도움이 된다.

AI ground 팀과 첫 미팅을 하면서 느낀 점은 목표를 향해 나아갈 때는 동료와 함께 달려가는 것이 좋다는 점이다. 무엇보다 서로 의견을 교류하면서 동기부여도 되고, 같이 하고 있는 팀에대한 책임감으로 task에 대한 집중도가 올라가는 것을 느낀다. DKT, book rating에서도 EDA를 진득하게 해본 적은 없는 것 같다. DKT를 하면서 어느정도 eda를 해보았지만 특정 column을 분석하면서 아이디어를 얻은 후 top-down으로 FE를 해본 것이기 때문에 이번에는 bottom-up 을 할 수 있을 정도로 EDA를 진행해보자. 

부스트캠프를 진행하면서 너무나 좋은 사람들을 너무 많이 만나고있다. 그런데 주변 사람들이 이 힘든 과정 속에서 힘들어하는 모습들이 보이고 있다. 동료들이 힘들어할 때 웃음을 줄 수 있는 사람이 되자. 다들 이렇게 힘들어하고만 있기에는 너무나 뛰어난 사람들이기 때문에 내가 할 수 있는 최선을 다하며 주변에 에너지를 주는 사람이 되자. 지금 이 과정이 육체적으로는 힘들 수 있지만 언제나 말하듯이 내가 할 수있는 최선의 방법은 너무나도 간단하다. 나 스스로는 최선을 다하며, 주변의 사람들에게 먼저 인사하며 잠시라도 웃을 수 있게 열심히 하자.

Baseline

lightGCN - MF 계열인 것처럼 보인다. 먼저 interaction 을 만든 후에 예측한다. 

DKT - Sequential 데이터를 다루는 것이 특징이다. sequential한 feature를 추가할 수 있는 방향으로 고민해볼 것

EDA

3)우리나라의 경우 연말이 가까워질수록 (수능이 가까워질 수록 학생들의 학습률이 올라가면서 정답률이 올라가지 않을까?)

 

a) 이것은 마스터 클래스에 데이터 도메인이 초등 수학 문제 풀이라는 것을 알기전에 추론했던 영역이었다.

하지만 초등 수학문제라는 것을 알게 된 후에는 내가 너무 삽질을 했구나... 하는 생각을 했다.

위 처럼 1분기에 정답률이 높길래 설마 미국 데이터라서 ssat가 이루어지는 것과 연관성이 있나? 했지만

연관성이 우연의 일치로 1분기가 높았다고 생각이 든다.

하지만 팀원이 month로 다시해서 보면 어느정도의 편향을 예측할 수 있을 것 같다고 말해주어서

내일 달 별로 확인해보고 결과를 확인하고자 한다.

+)

어제와 오늘 진행했던 EDA로 Feature를 저장해서 기존의 모델에 돌려보면서 리더보드와 validation에서 어떻게 성능이 개선되는지를 확인해보고자 했다.

우선 Timestamp를 가지고 생성했던 feature를 사용해서 베이스라인에는 아직 적용을 하지 못했지만 어느정도 성능개선이 있었다.

내가 생각했던 것 보다 이렇게 성능이 많이 오를 수 있나 싶을 정도로 개선이 되어서 놀라웠지만 EDA를 통해서 Feature를 만들고 이를 모델에 적용해보면서 생각이 틀렸는지 아닌지를 점검해보는 방식은 이전에 수업을 학습하면서 배우는 것보다 더 능동적이고 재미있는 것같다.

알고리즘 문제 풀이

• 문제 링크 : https://www.acmicpc.net/problem/7576
• 개인 깃허브 알고리즘 코드 링크  https://github.com/SeongJaeBae/algorithm

처음에는 bfs를 생각해서 쉽게 접근을 했다.

그전에 check를 하고 전체를 돌리는 방식으로 코드를 의식의 흐름대로 짜다보니 당연하게도 시간초과가 나왔다.

이 과정에서 hard copy를 위해서 deepcopy()도 사용했다. 일단 여기서 시간 터짐. 반성하자

import copy

copy.deepcopy()

n*m 번을 무지성으로 서치하는 것이 아니라 그 과정에서 deque 사용해서 리스트로 넣고 그 리스트에 들어간 애들을 따로 돌리는 방식의 정형화된 bfd로 수정하고나서야 시간초과가 해결했다.

일단 무지성으로 코드를 짜보는 것도 도움이 되기는한다. -> 일단 빡구현실력은 개선 될 수 있다고 봄

하지만 어느정도 bfs,dfs 라는 감이 잡혔으면 deque 사용해서 시간을 최소화하는 방식을 자연히 무지성으로 짤 수 있을 정도로 루틴화 되어야 할 것 같다.

+) 확실히 골드와 실버부터는 시간초과를 신경을 많이 써야 한다. 앞으로도 배울 점이 많고 재미있는 과제들이 너무나 많다. 힘내자

오늘로 DKT 대회 3일차이다. 

이번 대회에서는 학습하며 배우는 것도 하고 싶었지만 이전 대회에서는 모델을 추가하는 것에 급급해서 아쉬웠던 점을 보완하고 싶었다. 그래서 EDA 부터 FE 그리고 모델에 테스트 해보고 난 후에 Validation이랑 어느정도 연관이 되는지를 확인해 보고싶었다. 위의 과정에서 validation을 어떻게 만들지에대한 고민을 더 해봐야 겠지만 아직까지는 그것에 대한 insight는 얻지 못했다. 이를 위해서 많은 사람들과 어떻게 하면 좋은 validation을 얻을 수 있을지 대화하고 싶다.

우선 처음으로 시도했던 실험이 생각보다 성능이 개선되어서 0.8을 넘길 수 있었다. 이것도 팀원이 도움이 있었기에 실험의 결과물을 리더보드 결과물로 연결해서 성과를 맛 볼 수 있었던 것 같다. 정말이지 좋은 팀원들과 상호작용을 하며 성장하는 것은 무엇보다 강한 동기 부여가 된다. 개인적으로는 피어세션 시간에 내가 생각하고 실험했던 내용을 어떻게하면 조금 더 잘 설명 할 수 있을지 고민해봐야 겠다. 

아쉽게도 이렇게 DKT에 집중하고 있는 동안 AI Ground에는 집중을 많이 하지 못했던 상황이라 내일 있을 AI Ground 대회 팀과의 회의에서 조금 더 잘 할 수 있도록 내일은 저녁 먹고 난 이후부터 EDA 와 기초 모델링을 실험부터 시작해야 할 것 같다. 

오늘 부캠 라디오를 들으면서 사람들도 오프라인 회식을 원하는 모습이 있었던 것 같다. 이전 기수 방식 중에서 2주 마다 사람들이 제일 많이 모일 수 있는 곳으로 선정해서 결정을 했다고 하는데 이 방식은 아무거나 톡방에서 스페셜 피어세션을 결정할 때 적용하면 좋을 것 같다. 물론 12월 달에 이종혁 멘토님이 오프라인 회식 채널을 만들어 준다고 하셨으니 기대하고 있다.