빅데이터분석기사 교본

빅데이터분석기사(BAE, Bigdata Analysis Engineer)는 빅데이터 분석 기획, 수집·저장·처리, 분석, 시각화 능력을 검정하는 국가기술자격이다. 이 문서는 공식 출제기준(주요항목·세부항목·세세항목)을 뼈대로 삼아, 각 항목을 공부할 때 읽어야 할 위키 문서를 이어 둔 학습 목차이다.

관련 부처 : 국가데이터처, 과학기술정보통신부
시행 기관 : 한국데이터산업진흥원 (데이터자격검정)
관련 근거 : 국가기술자격법 제23조 및 동법 시행령 제29조
출제기준 적용기간 : 2024. 1. 1. ~ 2026. 12. 31.
시행 횟수 : 필기·실기 연 2회
학점은행제 20학점 인정

시험 개요

구분	검정방법	문항수	시험시간	합격기준
필기	객관식 (4과목)	80문항 (과목당 20문항, 문항당 1.25점)	120분	과목별 40점 이상, 전 과목 평균 60점 이상
실기	통합형 (작업형, CBT)	작업형 제1·2·3유형	180분	100점 만점에 60점 이상

필기 합격자는 실기시험 전에 응시자격 증빙서류(최종학력증명서, 경력·재직증명서 등)를 온라인으로 제출해 심사를 통과해야 한다.
필기시험 면제기간 : 필기 합격자 발표일로부터 2년. 그 2년 동안 검정이 2회 미만 시행되면 다음 회차 필기 1회를 추가로 면제한다.
실기는 Python 또는 R로 코드를 작성하는 CBT 시험이다. 제6회(2023. 6. 24.)부터 단답형 10문항이 폐지되고 작업형 제3유형으로 바뀌었다. 자세한 내용은 빅데이터분석기사 실기 문서를 본다.

응시자격

다음 중 하나에 해당하면 응시할 수 있다. 전공과 직무분야는 따지지 않는다.

대학졸업자등 또는 졸업예정자
3년제 전문대학 졸업 후 직장경력 1년 이상
2년제 전문대학 졸업 후 직장경력 2년 이상
기사 등급 이상 자격 취득자
기사 수준 기술훈련과정 이수자 또는 이수예정자
산업기사 등급 이상 자격 취득 후 직장경력 1년 이상
산업기사 수준 기술훈련과정 이수 후 직장경력 2년 이상
기능사 등급 이상 자격 취득 후 직장경력 3년 이상
직장경력 4년 이상

2026년 검정일정

회차	필기 원서접수	필기시험	필기 합격예정자 발표	실기 원서접수	실기시험	최종 합격자 발표
제12회	3. 3. ~ 3. 9.	4. 4.(토)	4. 24.(금)	5. 18. ~ 5. 22.	6. 20.(토)	7. 10.(금)
제13회	8. 3. ~ 8. 7.	9. 5.(토)	9. 23.(금)	10. 26. ~ 10. 30.	11. 28.(토)	12. 18.(금)

공부 순서

통계 기초를 먼저 잡는다. 기초통계량, 확률분포, 표본분포, 추정과 가설검정이 필기 2과목의 중심이고, 실기 작업형 제3유형(통계 검정)과도 이어진다.
전처리와 탐색(결측값·이상값, 변수 변환, 차원 축소)을 익힌다. 실기 작업형 제1유형이 이 범위이다.
모델링과 평가(회귀, 분류, 군집, 앙상블, 평가 지표, 교차 검증)를 익힌다. 실기 작업형 제2유형이 이 범위이다.
분석 기획(빅데이터 개요, 개인정보 제도, 분석 방법론, 과제 발굴)은 암기 비중이 높으므로 필기 직전에 정리한다.
실기는 제공되는 CBT 체험환경에서 pandas·scikit-learn·scipy로 직접 풀어 본다.

필기

빅데이터 분석 기획

주요항목	세부항목	세세항목	학습 문서
빅데이터의 이해	빅데이터 개요 및 활용	빅데이터의 특징 빅데이터의 가치 데이터 산업의 이해 빅데이터 조직 및 인력	빅데이터 : 특징(3V~5V), 가치 데이터 산업 데이터 분석 조직, 데이터 분석 인력, 데이터 과학자
빅데이터의 이해	빅데이터 기술 및 제도	빅데이터 플랫폼 빅데이터와 인공지능 개인정보 법·제도 개인정보 활용	빅데이터 플랫폼 : 하둡, HDFS, 맵리듀스, 스파크, 하이브 인공지능, 기계 학습, 딥 러닝 개인정보 보호법, 데이터 3법, 가명정보, 익명정보 가명처리, 개인정보 비식별, 마이데이터
데이터분석 계획	분석방안수립	분석 로드맵 설정 분석 문제 정의 데이터 분석 방안	분석 과제 발굴 : 하향식·상향식 접근, 우선순위 평가, 로드맵 데이터 분석 기획 빅데이터 분석 방법론, CRISP-DM, KDD 데이터 분석 성숙도, 데이터 분석 준비도, 데이터 분석 거버넌스
데이터분석 계획	분석 작업 계획	데이터 확보 계획 분석 절차 및 작업 계획	데이터 분석 기획 빅데이터 분석 방법론 : 분석 기획 → 데이터 준비 → 데이터 분석 → 시스템 구현 → 평가 및 전개
데이터 수집 및 저장 계획	데이터 수집 및 전환	데이터 수집 데이터 유형 및 속성 파악 데이터 변환 데이터 비식별화 데이터 품질 검증	데이터 수집 : 스크래핑, ETL, API, 로그 수집 정형 데이터, 반정형 데이터, 비정형 데이터, 통계 척도 데이터 변환 개인정보 비식별 기법 : K-익명성, L-다양성, T-근접성, 차분 프라이버시 데이터 품질 관리
데이터 수집 및 저장 계획	데이터 적재 및 저장	데이터 적재 데이터 저장	빅데이터 저장 기술 : NoSQL, HDFS 데이터 웨어하우스, 데이터 레이크, 데이터 마트, 데이터 파이프라인

빅데이터 탐색

주요항목	세부항목	세세항목	학습 문서
데이터 전처리	데이터 정제	데이터 정제 데이터 결측값 처리 데이터 이상값 처리	데이터 정제 결측치, 다중 대체법 이상치, 박스 플롯
데이터 전처리	분석 변수 처리	변수 선택 차원축소 파생변수 생성 변수 변환 불균형 데이터 처리	변수 선택법 차원 축소, 주성분 분석, 다차원 척도법 파생 변수, 특성 공학 변수 변환 (표준화·정규화), 원 핫 인코딩 클래스 불균형
데이터 탐색	데이터 탐색 기초	데이터 탐색 개요 상관관계 분석 기초통계량 추출 및 이해 시각적 데이터 탐색	탐색적 데이터 분석 상관 분석, 피어슨 상관계수, 스피어만 상관계수, 공분산 기초통계량, 표준 편차, 분산, 사분위수, 백분위수, 왜도, 첨도 시각적 데이터 탐색, 히스토그램, 박스 플롯, 산점도
데이터 탐색	고급 데이터 탐색	시공간 데이터 탐색 다변량 데이터 탐색 비정형 데이터 탐색	시공간 데이터, 공간 데이터 다변량 분석 비정형 데이터, 텍스트 마이닝
통계기법 이해	기술통계	데이터요약 표본추출 확률분포 표본분포	기초통계량 표본추출, 표본 확률 분포, 정규 분포, 이항 분포, 조건부 확률 표본 분포
통계기법 이해	추론통계	점추정 구간추정 가설검정	통계적 추정, 신뢰구간 통계적 가설 검정, 귀무가설, 대립가설, 유의 수준, P-값, 제1종 오류, 제2종 오류 t-검정, 분산분석, 카이제곱 검정, 비모수 검정

빅데이터 모델링

주요항목	세부항목	세세항목	학습 문서
분석모형 설계	분석 절차 수립	분석모형 선정 분석모형 정의 분석모형 구축 절차	데이터 분석 모형 빅데이터 분석 방법론
분석모형 설계	분석 환경 구축	분석 도구 선정 데이터 분할	데이터 분석 도구, 파이썬, R (언어), 파이썬 pandas 데이터 분할
분석기법 적용	분석기법	회귀분석 로지스틱 회귀분석 의사결정나무 인공신경망 서포트벡터머신 연관성분석 군집분석	회귀 분석, 선형 회귀, 선형 회귀의 기본가정, 다중 공선성, 최소제곱법 로지스틱 회귀 의사결정 나무, 지니 지수, 엔트로피 인공 신경망, 퍼셉트론, 활성화 함수, 역전파 서포트 벡터 머신 연관 규칙 분석, 아프리오리 알고리즘 군집화, 계층적 군집 분석, K-평균 군집화, DBSCAN, 혼합 분포 군집, 자기 조직화 지도
분석기법 적용	고급 분석기법	범주형 자료 분석 다변량 분석 시계열 분석 베이지안 기법 딥러닝 분석 비정형 데이터 분석 앙상블 분석 비모수 통계	범주형 자료 분석 다변량 분석 시계열 분석, 정상성, ARIMA 베이즈 정리, 나이브 베이즈 딥 러닝, 합성곱 신경망, RNN, LSTM 텍스트 마이닝, 오피니언 마이닝, 소셜 네트워크 마이닝 앙상블 기법, 배깅, 부스팅, 랜덤 포레스트 비모수 검정

빅데이터 결과해석

주요항목	세부항목	세세항목	학습 문서
분석모형 평가 및 개선	분석모형 평가	평가 지표 분석모형 진단 교차 검증 모수 유의성 검정 적합도 검정	모형 평가, 혼동 행렬, 정밀도, ROC 곡선, AUC 회귀 지표 : 평균 제곱 오차, 평균 제곱근 오차, 평균 절대 백분율 오차, 결정 계수 선형 회귀의 기본가정, 잔차 N-fold 교차 검증 통계적 가설 검정 적합도 검정
분석모형 평가 및 개선	분석모형 개선	과대적합 방지 매개변수 최적화 분석모형 융합 최종모형 선정	과적합 문제, 부적합 문제, 드롭아웃, L1 정규화, L2 정규화, 배치 정규화 매개변수 최적화, 경사 하강법, 확률적 경사 하강법, Adam 옵티마이저, 하이퍼파라미터, 베이지안 최적화 앙상블 기법 모형 평가
분석결과 해석 및 활용	분석결과 해석	분석모형 해석 비즈니스 기여도 평가	데이터 분석 모형, 설명 가능한 인공지능 비즈니스 기여도 평가
	분석결과 시각화	시공간 시각화 관계 시각화 비교 시각화 인포그래픽	데이터 시각화 시공간 데이터, 산점도, 히스토그램, 박스 플롯 인포그래픽
	분석결과 활용	분석모형 전개 분석결과 활용 시나리오 개발 분석모형 모니터링 분석모형 리모델링	데이터 분석 모형 모형 선정 과정

실기

주요항목	세부항목	세세항목	학습 문서
데이터 수집 작업	데이터 수집하기	정형, 반정형, 비정형 등 다양한 형태의 데이터를 읽을 수 있다. 필요시 공개 데이터를 수집할 수 있다.	파이썬 pandas, 데이터프레임 데이터 수집
데이터 전처리 작업	데이터 정제하기	정제가 필요한 결측값, 이상값 등이 무엇인지 파악할 수 있다. 결측값와 이상값에 대한 처리 기준을 정하고 제거 또는 임의의 값으로 대체할 수 있다.	데이터 정제, 결측치, 이상치
데이터 전처리 작업	데이터 변환하기	데이터의 유형을 원하는 형태로 변환할 수 있다. 데이터의 범위를 표준화 또는 정규화를 통해 일치시킬 수 있다. 기존 변수를 이용하여 의미 있는 새로운 변수를 생성하거나 변수를 선택할 수 있다.	변수 변환 (표준화·정규화), 원 핫 인코딩 파생 변수, 변수 선택법
데이터 모형 구축 작업	분석모형 선택하기	다양한 분석모형을 이해할 수 있다. 주어진 데이터와 분석 목적에 맞는 분석모형을 선택할 수 있다. 선정모형에 필요한 가정 등을 이해할 수 있다.	데이터 분석 모형, 선형 회귀의 기본가정
데이터 모형 구축 작업	분석모형 구축하기	모형 구축에 부합하는 변수를 지정할 수 있다. 모형 구축에 적합한 형태로 데이터를 조작할 수 있다. 모형 구축에 적절한 매개변수를 지정할 수 있다.	랜덤 포레스트, 부스팅, 로지스틱 회귀 매개변수 최적화, 하이퍼파라미터
데이터 모형 평가 작업	구축된 모형 평가하기	최종 모형을 선정하기 위해 필요한 모형 평가 지표들을 잘 사용할 수 있다. 선택한 평가지표를 이용하여 구축된 여러 모형을 비교하고 선택할 수 있다. 성능 향상을 위해 구축된 여러 모형을 적절하게 결합할 수 있다.	모형 평가, AUC, 평균 제곱근 오차 N-fold 교차 검증, 앙상블 기법
데이터 모형 평가 작업	분석결과 활용하기	최종모형 또는 분석결과를 해석할 수 있다. 최종모형 또는 분석결과를 저장할 수 있다.	빅데이터분석기사 실기 : 결과 파일 제출 형식

기출문제

빅데이터분석기사 2회
위키에 옮겨 둔 관련 문서는 분류:빅데이터분석기사에서 볼 수 있다.

같이 보기

참고 문헌