심사위원이 직접 조작하는 예측 대시보드
최종 결과물은 웹 대시보드입니다. 심사위원이 산화제·금속 첨가제·압력 슬라이더를 움직이면, 학생이 학습시킨 모델이 연소 속도를 실시간으로 예측해 그려 줍니다. 아래는 수업에서 만드는 결과물의 예시입니다.
12~16회, 연구 사다리를 따라
첫 주에 이미 돌아가는 모델을 손에 넣고, 나머지 기간은 '나만의 연구'에 씁니다.
돌아가는 모델부터
검증된 베이스라인 노트북(boraiks/Rocket-Propellant-Analysis)을 Colab에서 그대로 실행합니다. 137개 데이터의 변수(산화제·금속 첨가제·압력 → 연소 속도)를 이해하고, Random Forest·SVM·KNN 세 모델을 처음으로 학습시켜 성능을 비교합니다.
나만의 실험 — 이 트랙의 핵심
rocketcea로 연료비를 바꿔 가며 비추력(Isp)과 연소 온도를 계산해 수천 행의 시뮬레이션 데이터를 만듭니다. 특성 공학과 하이퍼파라미터 실험을 더하고, 실험 데이터로 학습한 모델과 시뮬레이션 데이터로 학습한 모델이 어떻게 다른지 비교합니다. 이 비교가 대회에 낼 독창적 기여입니다.
세상이 볼 수 있게
학습한 모델을 Streamlit 대시보드로 감쌉니다. 슬라이더를 움직이면 예측이 그려지도록 만들고, GitHub 저장소와 README로 정리해 누구나 재현할 수 있게 공개합니다.
대회 제출본으로
겨냥한 대회 요강에 맞춰 연구 노트·포스터·발표를 다듬습니다. 제출본에는 연구가 시뮬레이션 범위임을 명시해, 대회의 위험물질 규정을 처음부터 충족시킵니다.
이름을 감추지 않습니다
| 도구·데이터 | 학부모께 | student note (EN) |
|---|---|---|
| Kaggle 실험 데이터 | 실제로 측정된 137개의 추진제 실험 기록입니다. 18개 변수가 담겨 있습니다. | 137 samples, 18 vars: oxidizers (NC/NG/RDX), metal additives, pressure → burning rate (mm/s) |
| boraiks/Rocket-Propellant-Analysis | 위 데이터로 이미 완성된 공개 코드입니다. 첫 주에 그대로 돌려 봅니다. | Complete Jupyter notebook — trains RF, SVM, KNN. Colab-ready baseline. |
| rocketcea | NASA의 열화학 계산 코드를 파이썬에서 부르는 라이브러리입니다. 시뮬레이션 데이터를 만듭니다. | NASA CEA in Python (pip). Loop fuel ratios → Isp, combustion temp. |
| Streamlit | 학습한 모델을 웹 대시보드로 바꿔 주는 도구입니다. | Turns the trained model into an interactive slider app for judges. |
데이터셋·저장소는 수업 시작 전 CIT가 로컬 사본을 보관하고, 베이스라인 저장소는 CIT GitHub로 포크해 안정적인 출발점을 제공합니다.
누구에게 맞나요
파이썬 기초 문법을 한 번은 접해 본 중2~고2 학생에게 맞습니다. 머신러닝은 처음이어도 됩니다. 첫 주부터 돌아가는 코드로 시작하기 때문에, 데이터를 다뤄 본 경험이 없어도 따라올 수 있습니다.
파이썬이 아주 처음이라면 바이오매스 트랙의 노코드 시작을 먼저 권합니다.
겨냥하는 무대
KSEF와 ISEF 계열 지역 페어가 기본 무대입니다. 대시보드는 앱 형태라 Congressional App Challenge에도 응용할 수 있습니다. 대회별 자격과 요강은 출전 전 함께 확인합니다.