huggingface · ahnjj · Mar 19, 2025 · Mar 19, 2025 · Mar 19, 2025 · Mar 24, 2025
diff --git a/notebooks/ko/_toctree.yml b/notebooks/ko/_toctree.yml
@@ -20,8 +20,11 @@
       sections:
         - local: multiagent_web_assistant
           title: 다중 에이전트 계층 구조에서 여러 에이전트가 협업하도록 하기
+        - local: agent_data_analyst
+          title: 데이터 분석 에이전트: 눈깜짝할 사이에 데이터에서 인사이트 뽑아내기
+
     - title: Multimodal 레시피
      isExpanded: false
       sections:
         - local: faiss_with_hf_datasets_and_clip
-          title: 유사성 검색을 위한 멀티모달 데이터 임베딩
+          title: 유사성 검색을 위한 멀티모달 데이터 임베딩
diff --git a/notebooks/ko/agent_data_analyst.ipynb b/notebooks/ko/agent_data_analyst.ipynb
@@ -0,0 +1,311 @@
+{
+  "cells": [
+    {
+      "cell_type": "markdown",
+      "source": [
+        "# 데이터분석 에이전트: 눈깜짝할 사이에 데이터에서 인사이트 얻기 ✨\n",
+        "_저자: [Aymeric Roucher](https://huggingface.co/m-ric)_\n", "번역: [안정](https://huggingface.co/Ahnj-Stability)_\n",
+        "\n",
+        "> 이 튜토리얼은 고급 과정입니다. 사전에 [이 쿡북](agents)에 대한 개념을 이해하고 있어야 합니다!\n",
+        "\n",
+        "이번에 만들 **데이터 분석 에이전트**는 :\n",
+        " **데이터 분석 라이브러리를 사용한 코드 에이전트로,데이터프레임을 불러오고 변환해 데이터로부터 인사이트를 찾아내고,결과를 시각화합니다!**\n",
+        "\n",
+        "\n",
+        "예를 들어 여러분이 '[Kaggle Titanic 챌린지](https://www.kaggle.com/competitions/titanic)'의 데이터를 직접 분석해 개별 승객의 생존 여부를 예측하고 싶다고 가정해 봅시다.\n",
+        "하지만 직접 분석에 들어가기 전에, 자율 에이전트가 수치도 추출해주고 그에 맞게 그래프도 그려주어 인사이트를 뽑아내주면 좋겠군요.\n",
+        "\n",
+        "이 시스템을 설정해 보겠습니다.\n",
+        "\n",
+        "아래 명령어를 실행하여 필요한 의존성을 설치하세요:"
+      ],
+      "metadata": {
+        "id": "ihQ3c6IWDa6G"
+      }
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "0WauABimpjta"
+      },
+      "outputs": [],
+      "source": [
+        "!pip install seaborn \"transformers[agents]\""
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "4LJXMiy3pjtb"
+      },
+      "source": [
+        "우선 에이전트를 생성합니다. 이 쿡북에서는 `ReactCodeAgent`를 사용했습니다. (더 많은 종류의 에이전트를 확인하려면 [이 문서](https://huggingface.co/docs/transformers/en/agents) 를 참조하세요.)\n",
+        "이 에이전트는 별도의 도구를 제공하지 않아도 스스로 코드를 작성하고 실행할 수 있습니다.\n",
+        "\n",
+        "일반적으로 `additional_authorized_imports`에 라이브러리를 전달할 때, 파이썬 인터프리터는 환경에 설치된 라이브러리만 사용할 수 있기 때문에, 해당 라이브러리들이 로컬 환경에 설치되어 있는지 확인해야 합니다.\n",
+        "\n",
+        "\n",
+        "⚙ 해당 에이전트는 [meta-llama/Meta-Llama-3.1-70B-Instruct](https://huggingface.co/meta-llama/Meta-Llama-3.1-70B-Instruct) 모델을 사용하며, HF의 Inference API를 사용하는 `HfEngine` 클래스로 구동됩니다. Inference API를 통해 빠르고 쉽게 OS 모델을 실행할 수 있습니다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "XPrHXQgFpjtb"
+      },
+      "outputs": [],
+      "source": [
+        "from transformers.agents import HfEngine, ReactCodeAgent\n",
+        "from huggingface_hub import login\n",
+        "import os\n",
+        "\n",
+        "login(os.getenv(\"HUGGINGFACEHUB_API_TOKEN\"))\n",
+        "llm_engine = HfEngine(\"meta-llama/Meta-Llama-3.1-70B-Instruct\")\n",
+        "\n",
+        "agent = ReactCodeAgent(\n",
+        "    tools=[],\n",
+        "    llm_engine=llm_engine,\n",
+        "    additional_authorized_imports=[\"numpy\", \"pandas\", \"matplotlib.pyplot\", \"seaborn\"],\n",
+        "    max_iterations=10,\n",
+        ")"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "iGSuFGGwpjtb"
+      },
+      "source": [
+        "## 데이터 분석 📊🤔\n",
+        "저자는 구글 코랩을 사용하였으므로, 드라이브를 마운트하고 분석에 사용할 디렉토리를 생성했습니다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "from google.colab import drive\n",
+        "drive.mount('/content/drive')  # 구글 드라이브 마운트"
+      ],
+      "metadata": {
+        "id": "qWYp-IertEN1",
+        "collapsed": true
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "import os\n",
+        "\n",
+        "os.chdir('/content/drive/My Drive/Colab Notebooks')  # 원하는 경로로 변경\n",
+        "print(os.getcwd())  # 변경된 경로 확인"
+      ],
+      "metadata": {
+        "id": "UCK6t2u5sKpm",
+        "collapsed": true
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "pywHujGvpjtb"
+      },
+      "outputs": [],
+      "source": [
+        "# 디렉토리 생성\n",
+        "os.mkdir(\"./figures\")"
+      ]
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "os.chdir('/content/drive/My Drive/Colab Notebooks/figures')  # 생성한 디렉토리 경로로 변경\n",
+        "print(os.getcwd())  # 변경된 경로 확인"
+      ],
+      "metadata": {
+        "id": "X2wTtXDjNYyI",
+        "collapsed": true
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "markdown",
+      "source": [
+        "실제 캐글 대회에서 사용된 추가 노트를 에이전트를 실행할 때 `run`메소드의 kwarg로 넘겨주었습니다."
+      ],
+      "metadata": {
+        "id": "gnruiFV_62KL"
+      }
+    },
+    {
+      "cell_type": "code",
+      "source": [
+        "additional_notes = \"\"\"\n",
+        "### Variable Notes\n",
+        "승객ID : 승객 아이디\n",
+        "생존여부 : (0: 사망, 1: 생존)\n",
+        "클래스: 사회경제적 지위\n",
+        "1 = 상류층\n",
+        "2 = 중산층\n",
+        "3 = 하류층\n",
+        "성별 : 남성, 여성\n",
+        "나이 : 나이가 1 미만일 경우 소수로 표시됩니다. 나이가 추정된 경우, xx.5 형태로 표시됩니다.\n",
+        "형제배우자: 이 데이터셋은 가족 관계를 다음과 같이 정의합니다...\n",
+        "형제자매 = 형제, 자매, 이복형제, 이복자매\n",
+        "배우자 = 남편, 아내 (애인과 약혼자는 간주하지 않았습니다.)\n",
+        "부모자식: 이 데이터셋은 가족 관계를 다음과 같이 정의합니다...\n",
+        "부모 = 어머니, 아버지\n",
+        "자식 = 딸, 아들, 양녀, 양자\n",
+        "유모와 여행을 온 몇 어린이들의 경우, 부모자식=0 로 표현합니다.\n",
+        "요금: 티켓 요금\n",
+        "\"\"\"\n",
+        "\n",
+        "analysis = agent.run(\n",
+        "    \"\"\"당신은 데이터 분석 전문가입니다. 소스 파일을 로드하고 내용을 분석해주세요.\n",
+        "먼저 주어진 변수와 생존율과의 상관관계에 대해 흥미로운 질문 3가지를 나열하고, 해당 질문에 하나씩 답하고 관련된 숫자를 찾아내세요.\n",
+        "matplotlib/seaborn을 사용해 3가지 질문에 관련된 그래프를 그리고, './figures/' 폴더에 저장하십시오. 다른 그래프를 그리기 전에 plt.clf()로 각 그래프를 지워야 합니다. 그래프의 라벨명은 영어로 해주세요.\n",
+        "\n",
+        "최종 답변 :  숫자로부터 찾은 상관관계와 인사이트를 요약해주세요.\n",
+        "(인사이트 예시: \"is_december와 boredness 간의 상관관계는 1.3453으로, 이는 사람들이 겨울에 더 지루함을 느낄 가능성이 높다는 것을 시사합니다.\")\n",
+        "최종 답변은 최소한 3개의 번호가 매겨진 항목이어야합니다.\n",
+        "\"\"\",\n",
+        "    additional_notes=additional_notes,\n",
+        "    source_file=\"titanic_ko/train.csv\",\n",
+        ")"
+      ],
+      "metadata": {
+        "id": "Xe5jfSWStgrc",
+        "collapsed": true
+      },
+      "execution_count": null,
+      "outputs": []
+    },
+    {
+      "cell_type": "code",
+      "execution_count": 21,
+      "metadata": {
+        "id": "8hA-jMsePGQF",
+        "colab": {
+          "base_uri": "https://localhost:8080/"
+        },
+        "outputId": "be0dd5c4-8bda-4723-9acf-394ed044297e"
+      },
+      "outputs": [
+        {
+          "output_type": "stream",
+          "name": "stdout",
+          "text": [
+            "성별과 생존여부 간의 상관관계: \n",
+            "남성: 0.188908\n",
+            "여성: 0.742038\n",
+            "클래스와 생존여부 간의 상관관계: \n",
+            "1등급: 0.629630\n",
+            "2등급: 0.472826\n",
+            "3등급: 0.242363\n",
+            "나이와 생존여부 간의 상관관계: -0.077221\n"
+          ]
+        }
+      ],
+      "source": [
+        "print(analysis)"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "source": [],
+      "metadata": {
+        "id": "6BnDH9SG3uH4"
+      }
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "hcT-BISRpjtd"
+      },
+      "source": [
+        "놀랍지 않나요? 에이전트에게 시각화 도구를 제공해 자신이 만든 그래프를 분석하게 할 수도 있습니다!\n",
+        "\n",
+        "## 데이터과학자 에이전트 : 예측 수행하기 🛠️\n",
+        "\n",
+        "👉 이제 더 깊이 들어가 봅시다 : **데이터를 기반으로 모델이 예측을 수행하도록 합니다.**\n",
+        "\n",
+        "예측 수행을 위해 `additional_authorized_imports`에 `sklearn`도 추가해줍니다."
+      ]
+    },
+    {
+      "cell_type": "code",
+      "execution_count": null,
+      "metadata": {
+        "id": "1qSXRraDpjtd"
+      },
+      "outputs": [],
+      "source": [
+        "agent = ReactCodeAgent(\n",
+        "    tools=[],\n",
+        "    llm_engine=llm_engine,\n",
+        "    additional_authorized_imports=[\n",
+        "        \"numpy\",\n",
+        "        \"pandas\",\n",
+        "        \"matplotlib.pyplot\",\n",
+        "        \"seaborn\",\n",
+        "        \"sklearn\",\n",
+        "    ],\n",
+        "    max_iterations=12,\n",
+        ")\n",
+        "\n",
+        "output = agent.run(\n",
+        "    \"\"\"당신은 전문가 수준의 머신러닝 엔지니어입니다.\n",
+        "'titanic_ko/train.csv' 파일을 사용하여 '생존여부'를 예측하는 머신러닝 모델을 학습시키세요.\n",
+        "'titanic_ko/test.csv' 파일의 행에 대한 예측을 수행한 후, 결과를 'titanic_ko/output.csv'에 출력하세요.\n",
+        "함수와 모듈을 사용하기 전에 반드시 임포트하세요!\n",
+        "\"\"\",\n",
+        "    additional_notes=additional_notes + \"\\n\" + analysis,\n",
+        ")"
+      ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {
+        "id": "Iimn7AWtpjtd"
+      },
+      "source": [
+        "위에서 에이전트가 출력한 테스트 예측을 Kaggle에 제출하면 **0.78229**으로, 이는 17,360명 중 2824등에 해당하며, 저자가 몇 년 전 이 데이터분석 챌린지를 처음 시도해 힘들게 얻었던 결과보다 더 나은 성과입니다.\n",
+        "\n",
+        "결과는 다를 수 있지만, 몇 초 만에 에이전트를 사용해 이 정도 성과를 낼 수 있다는 점이 매우 인상적입니다.\n",
+        "\n",
+        "🚀 이것은 에이전트를 활용한 단순한 데이터 분석 사례일 뿐입니다. 사용 사례에 맞게 충분히 개선할 수 있습니다 🤗"
+      ]
+    }
+  ],
+  "metadata": {
+    "kernelspec": {
+      "display_name": "disposable",
+      "language": "python",
+      "name": "python3"
+    },
+    "language_info": {
+      "codemirror_mode": {
+        "name": "ipython",
+        "version": 3
+      },
+      "file_extension": ".py",
+      "mimetype": "text/x-python",
+      "name": "python",
+      "nbconvert_exporter": "python",
+      "pygments_lexer": "ipython3",
+      "version": "3.12.2"
+    },
+    "colab": {
+      "provenance": []
+    }
+  },
+  "nbformat": 4,
+  "nbformat_minor": 0
+}
diff --git a/notebooks/ko/index.md b/notebooks/ko/index.md
@@ -11,6 +11,7 @@
 - [지식 그래프를 활용한 RAG 추론 향상](ko_rag_with_knowledge_graphs_neo4j)
 - [GitHub 이슈를 위한 EEVE와 LangChain을 사용한 간단한 RAG](rag_zephyr_langchain)
 - [다중 에이전트 계층 구조에서 여러 에이전트가 협업하도록 하기](multiagent_web_assistant)
+- [데이터분석 에이전트: 눈깜짝할 사이에 데이터에서 인사이트 얻기](https://huggingface.co/learn/cookbook/en/agent_data_analyst)
 
 - [유사성 검색을 위한 멀티모달 데이터 임베딩](faiss_with_hf_datasets_and_clip)