dantelabs-agentic-school 1.3.1 → 1.4.0

package/plugins/data-science/data-profiling/README.md

@@ -0,0 +1,297 @@
+# Data Profiling Plugin
+
+데이터 품질 검증 및 자동화된 탐색적 데이터 분석(EDA)을 수행하는 플러그인입니다.
+
+## 📋 개요
+
+이 플러그인은 데이터 사이언스 파이프라인의 첫 단계로, 데이터셋을 자동으로 분석하여 다음을 제공합니다:
+
+### 1️⃣ 프로파일링 (Profiling)
+- ✅ 데이터 품질 검증 (결측치, 중복, 이상치)
+- ✅ 통계적 분석 (분포, 상관관계, 왜도/첨도)
+- ✅ 자동 시각화 (히스토그램, 상관관계 히트맵 등)
+- ✅ **HTML 리포트 생성 및 브라우저 자동 오픈**
+
+### 2️⃣ EDA 분석 (Analysis) ⭐ NEW
+- ✅ 프로파일링 리포트 심층 분석
+- ✅ 데이터 전처리 지침 (우선순위별, 코드 포함)
+- ✅ 추가 분석 권고사항 (Feature importance, SHAP 등)
+- ✅ 모델링 전략 (알고리즘, 평가지표, 하이퍼파라미터)
+- ✅ **A4 한 장 분량 Markdown 레포트** (PDF 변환 가능)
+
+## 🚀 빠른 시작
+
+### 1. 의존성 설치
+
+**uv 사용 (권장 - 10-100배 빠름)**:
+```bash
+# uv 설치 (한 번만)
+curl -LsSf https://astral.sh/uv/install.sh | sh
+# 또는 macOS
+brew install uv
+
+# 패키지 설치
+cd plugins/data-profiling/skills/profiling
+uv pip install -r requirements.txt
+```
+
+**pip 사용 (기존 방식)**:
+```bash
+cd plugins/data-profiling/skills/profiling
+pip install -r requirements.txt
+```
+
+### 2. 데이터 프로파일링
+
+```bash
+# Claude Code에서 실행
+/profile-data \
+  --data-path "projects/creditcard-fraud-detection/data/raw/creditcard.csv" \
+  --target-column "Class"
+
+# 또는 Python 스크립트 직접 실행
+cd plugins/data-profiling/skills/profiling/scripts
+python generate_profile.py \
+  --data-path "../../../../../projects/creditcard-fraud-detection/data/raw/creditcard.csv" \
+  --target-column "Class" \
+  --mode explorative
+```
+
+**출력**: `projects/creditcard-fraud-detection/outputs/reports/creditcard_profile_report.html` (브라우저 자동 오픈)
+
+### 3. EDA 분석 레포트 생성 ⭐ NEW
+
+```bash
+# Claude Code에서 실행
+/analyze-profile \
+  --data-path "projects/creditcard-fraud-detection/data/raw/creditcard.csv" \
+  --target-column "Class"
+
+# 또는 Python 스크립트 직접 실행
+python analyze_eda.py \
+  --data-path "../../../../../projects/creditcard-fraud-detection/data/raw/creditcard.csv" \
+  --target-column "Class" \
+  --output-format markdown
+```
+
+**출력**: `projects/creditcard-fraud-detection/outputs/reports/creditcard_eda_report.md` (A4 한 장 분량)
+
+## 📁 플러그인 구조
+
+```
+plugins/data-profiling/
+├── plugin.json                  # 플러그인 메타데이터
+├── README.md                    # 플러그인 문서
+├── agents/
+│   ├── data-profiler.md         # 프로파일링 에이전트
+│   └── eda-analyst.md          # ⭐ EDA 분석 에이전트 (NEW)
+├── commands/
+│   ├── profile-data.md          # 프로파일링 커맨드
+│   └── analyze-profile.md      # ⭐ EDA 분석 커맨드 (NEW)
+└── skills/
+    └── profiling/
+        ├── SKILL.md             # 스킬 문서
+        ├── requirements.txt     # Python 패키지 의존성
+        └── scripts/
+            ├── generate_profile.py  # 프로파일링 스크립트
+            └── analyze_eda.py      # ⭐ EDA 분석 스크립트 (NEW)
+```
+
+## 🎯 주요 기능
+
+### 1. 자동화된 EDA
+- ydata-profiling을 사용한 종합 분석
+- 30+ 통계 지표 자동 계산
+- 인터랙티브 시각화
+
+### 2. 브라우저 자동 오픈
+- HTML 리포트 생성 후 자동으로 브라우저에서 오픈
+- macOS, Linux, Windows 모두 지원
+
+### 3. 커스텀 분석
+- 클래스 불균형 탐지
+- 스케일 차이 경고
+- 높은 상관관계 감지
+
+### 4. 성능 최적화
+- 대용량 데이터 샘플링 지원
+- 3가지 프로파일링 모드 (minimal, default, explorative)
+
+## 📊 사용 예시
+
+### Example 1: 기본 프로파일링
+```bash
+/profile-data --data-path "projects/my-analysis/data/raw/data.csv"
+```
+
+### Example 2: 타겟 컬럼 지정 (분류 문제)
+```bash
+/profile-data \
+  --data-path "projects/creditcard-fraud-detection/data/raw/creditcard.csv" \
+  --target-column "Class"
+```
+
+### Example 3: 대용량 데이터 샘플링
+```bash
+/profile-data \
+  --data-path "projects/big-data-analysis/data/raw/large_data.csv" \
+  --sample-size 50000 \
+  --mode minimal
+```
+
+### Example 4: 브라우저 자동 오픈 비활성화
+```bash
+python generate_profile.py \
+  --data-path "projects/my-analysis/data/raw/data.csv" \
+  --no-browser
+```
+
+## 📈 프로파일링 모드
+
+| 모드 | 실행 시간 | 세부 수준 | 권장 상황 |
+|------|---------|---------|---------|
+| **minimal** | ~1분 | 기본 통계만 | 빠른 데이터 확인 |
+| **default** | ~3분 | 표준 분석 | 일반적인 EDA |
+| **explorative** | ~5-10분 | 모든 분석 포함 | 심도있는 분석 |
+
+## 🔧 파라미터
+
+### 필수 파라미터
+- `--data-path`: 분석할 데이터 파일 경로
+
+### 선택 파라미터
+- `--target-column`: 타겟 변수 컬럼명 (분류/회귀 문제)
+- `--sample-size`: 샘플링 크기 (대용량 데이터)
+- `--mode`: 프로파일링 모드 (minimal/default/explorative)
+- `--output-dir`: 리포트 저장 디렉토리 (기본값: outputs/reports)
+- `--no-browser`: 브라우저 자동 오픈 비활성화
+
+## 📤 출력
+
+### HTML 리포트
+- **위치**: `projects/{project-name}/outputs/reports/{dataset_name}_profile_report.html`
+- **포함 내용**:
+  - Overview (데이터셋 개요)
+  - Variables (변수별 상세 분석)
+  - Interactions (변수 간 상호작용)
+  - Correlations (상관관계 매트릭스)
+  - Missing values (결측치 패턴)
+  - Alerts (데이터 품질 경고)
+
+### 콘솔 출력
+- 기본 정보 (행/열 개수, 메모리)
+- 클래스 분포 (타겟 컬럼이 있는 경우)
+- 주요 발견사항
+- 권고사항
+- 다음 단계 안내
+
+## 🎨 출력 예시
+
+```
+═══════════════════════════════════════════════════════════
+데이터 프로파일링 시작
+═══════════════════════════════════════════════════════════
+
+✓ 데이터 로드 완료: 284,807건, 31개 컬럼
+✓ 메모리 사용량: 67.4 MB
+
+─────────────────────────────────────────────────────────
+기본 정보
+─────────────────────────────────────────────────────────
+
+전체 행 수: 284,807건
+전체 열 수: 31개
+메모리 사용량: 67.4 MB
+결측치: 0개
+
+타겟 컬럼: Class
+클래스 분포:
+  클래스 0: 284,315건 (99.83%)
+  클래스 1: 492건 (0.17%)
+  불균형 비율: 1:578
+
+─────────────────────────────────────────────────────────
+프로파일링 리포트 생성 중...
+─────────────────────────────────────────────────────────
+모드: explorative
+⏳ 수 분 소요될 수 있습니다...
+
+✓ 완료!
+📊 리포트 저장 위치: projects/creditcard-fraud-detection/outputs/reports/creditcard_profile_report.html
+
+🌐 브라우저에서 리포트를 여는 중...
+✓ 브라우저에서 리포트가 열렸습니다.
+
+─────────────────────────────────────────────────────────
+⚠️  주요 발견사항 및 권고사항
+─────────────────────────────────────────────────────────
+
+⚠️  클래스 불균형: 1:578
+   권고: /handle-imbalance로 불균형 처리 (SMOTE, Undersampling)
+
+⚠️  변수 간 스케일 차이가 큽니다 (최대/최소 = 1000배)
+   권고: /engineer-features로 스케일링 (StandardScaler, MinMaxScaler)
+
+💡 다음 단계:
+   /engineer-features: 특성 엔지니어링 및 전처리
+   /handle-imbalance: 클래스 불균형 처리
+   /train-models: 모델 학습
+
+═══════════════════════════════════════════════════════════
+프로파일링 완료
+═══════════════════════════════════════════════════════════
+```
+
+## 🔍 지원 파일 형식
+
+| 형식 | 확장자 | 지원 여부 |
+|------|--------|---------|
+| CSV | `.csv` | ✅ |
+| Excel | `.xlsx`, `.xls` | ✅ |
+| Parquet | `.parquet` | ✅ |
+| JSON | `.json` | ✅ |
+| Feather | `.feather` | ✅ |
+| HDF5 | `.h5`, `.hdf5` | ✅ |
+
+## 🐛 트러블슈팅
+
+### 문제: "ModuleNotFoundError: No module named 'ydata_profiling'"
+```bash
+pip install ydata-profiling
+```
+
+### 문제: 메모리 부족 에러
+```bash
+# 샘플 크기 줄이기
+/profile-data \
+  --data-path "projects/my-analysis/data/raw/data.csv" \
+  --sample-size 10000
+```
+
+### 문제: 브라우저가 자동으로 열리지 않음
+- macOS: `open projects/{project-name}/outputs/reports/report.html`
+- Linux: `xdg-open projects/{project-name}/outputs/reports/report.html`
+- Windows: `start projects/{project-name}/outputs/reports/report.html`
+
+## 📚 관련 문서
+
+- [ydata-profiling 공식 문서](https://docs.profiling.ydata.ai/)
+- [Agent 정의](./agents/data-profiler.md)
+- [Command 문서](./commands/profile-data.md)
+- [Skill 문서](./skills/profiling/SKILL.md)
+
+## 🔗 관련 플러그인
+
+- `feature-engineering`: 특성 생성 및 변환
+- `imbalance-handling`: 클래스 불균형 처리
+- `model-selection`: 모델 학습 및 선택
+
+## 📝 라이선스
+
+MIT License
+
+## 👤 작성자
+
+- **Dante Labs**
+- Email: datapod.k@gmail.com
+- 버전: 1.0.0

package/plugins/data-science/data-profiling/agents/data-profiler.md

@@ -0,0 +1,140 @@
+---
+name: data-profiler
+description: 데이터셋의 품질, 분포, 이상치, 상관관계를 분석하여 종합 리포트를 생성합니다.
+model: sonnet
+color: blue
+---
+
+# Data Profiler Agent
+
+데이터 사이언스 프로젝트의 첫 단계인 탐색적 데이터 분석(EDA)을 자동화하는 전문 에이전트입니다.
+
+## Responsibilities
+
+### 1. 데이터 품질 검증
+- 결측치 패턴 분석
+- 데이터 타입 일관성 확인
+- 중복 데이터 탐지
+- 이상치 및 아웃라이어 식별
+
+### 2. 통계적 분석
+- 기술 통계량 계산 (평균, 중앙값, 표준편차 등)
+- 분포 특성 분석 (정규성, 왜도, 첨도)
+- 변수 간 상관관계 분석
+- 클래스 불균형 탐지
+
+### 3. 시각화 생성
+- 히스토그램 및 분포 플롯
+- 상관관계 히트맵
+- Box plot 및 Violin plot
+- 시계열 패턴 (해당되는 경우)
+
+### 4. 리포트 작성
+- HTML 형식의 인터랙티브 리포트
+- 주요 발견사항 요약
+- 데이터 품질 이슈 경고
+- 다음 단계 권고사항
+
+## Workflow
+
+```
+1. 데이터 로드 및 기본 정보 확인
+   ↓
+2. ydata-profiling으로 자동화된 프로파일링 실행
+   ↓
+3. 커스텀 분석 추가 (클래스 불균형, 도메인별 지표)
+   ↓
+4. HTML 리포트 생성 및 브라우저 자동 오픈
+   ↓
+5. 주요 발견사항 요약 및 권고사항 제시
+```
+
+## Inputs
+
+- **data_path** (required): 분석할 데이터셋 경로 (CSV, Excel, Parquet 등)
+- **target_column** (optional): 타겟 변수 컬럼명 (지도학습인 경우)
+- **sample_size** (optional): 샘플링 크기 (대용량 데이터의 경우)
+- **config** (optional): 프로파일링 설정 (minimal, explorative 등)
+
+## Outputs
+
+### 1. HTML 리포트
+- **파일명**: `{dataset_name}_profile_report.html`
+- **위치**: `outputs/reports/`
+- **내용**:
+  - Overview (데이터셋 개요)
+  - Variables (변수별 상세 분석)
+  - Interactions (변수 간 상호작용)
+  - Correlations (상관관계 매트릭스)
+  - Missing values (결측치 패턴)
+  - Alerts (데이터 품질 경고)
+
+### 2. 요약 보고서 (Markdown)
+```markdown
+# 데이터 프로파일링 요약
+
+## 데이터셋 정보
+- 행 수: {n_rows:,}
+- 열 수: {n_cols}
+- 메모리 사용량: {memory_size}
+
+## 주요 발견사항
+- ⚠️ 결측치: {missing_pct}% ({missing_cols} 컬럼)
+- ⚠️ 클래스 불균형: {imbalance_ratio}
+- ⚠️ 높은 상관관계: {high_corr_pairs}
+
+## 데이터 품질 이슈
+1. {issue_1}
+2. {issue_2}
+3. {issue_3}
+
+## 권고사항
+- [ ] 결측치 처리 전략 수립
+- [ ] 이상치 제거 또는 변환
+- [ ] 특성 엔지니어링 고려
+- [ ] 클래스 불균형 처리 (SMOTE, 언더샘플링 등)
+
+## 다음 단계
+- `/engineer-features`: 특성 엔지니어링
+- `/handle-imbalance`: 클래스 불균형 처리
+```
+
+## Tools Used
+
+- **ydata-profiling**: 자동화된 EDA 리포트 생성
+- **pandas**: 데이터 로딩 및 기본 분석
+- **matplotlib/seaborn**: 커스텀 시각화
+- **scipy**: 통계 검정
+
+## Example Usage
+
+```python
+# 신용카드 사기 탐지 데이터 프로파일링
+data_profiler.analyze(
+    data_path="samples/datascience/data/raw/creditcard.csv",
+    target_column="Class",
+    config="explorative"
+)
+```
+
+## Best Practices
+
+1. **대용량 데이터 처리**
+   - 10만 건 이상: sample_size 지정 권장
+   - 메모리 부족 시: minimal 모드 사용
+
+2. **도메인별 커스터마이징**
+   - 금융 데이터: 이상거래 패턴 강조
+   - 시계열 데이터: 시간대별 트렌드 분석
+   - 텍스트 데이터: 토큰 분포 및 길이 분석
+
+3. **리포트 해석**
+   - Alerts 섹션을 우선 확인
+   - 높은 상관관계(>0.9)는 다중공선성 의심
+   - 왜도(Skewness) > 1: 로그 변환 고려
+
+## Related Agents
+
+- `feature-engineer`: 특성 생성 및 변환
+- `imbalance-handler`: 클래스 불균형 처리
+- `model-selector`: 모델 선택 및 학습

package/plugins/data-science/data-profiling/agents/eda-analyst.md

@@ -0,0 +1,253 @@
+---
+name: eda-analyst
+description: 프로파일링 리포트를 심층 분석하여 데이터 전처리, 추가 분석, 모델링 지침을 제시하는 전문 에이전트입니다.
+model: sonnet
+color: green
+---
+
+# EDA Analyst Agent
+
+프로파일링 리포트와 원본 데이터를 종합 분석하여 실행 가능한 데이터 사이언스 전략을 수립하는 전문 에이전트입니다.
+
+## Responsibilities
+
+### 1. 프로파일링 리포트 해석
+- ydata-profiling HTML 리포트에서 핵심 정보 추출
+- Alerts 분석 (데이터 품질 이슈)
+- 변수별 분포 특성 파악
+- 상관관계 매트릭스 해석
+
+### 2. 원본 데이터 심층 분석
+- 클래스 불균형 정량화
+- 이상치 탐지 및 영향도 평가
+- 변수 간 관계 심층 분석
+- 도메인별 특성 파악 (시계열, 범주형, 수치형)
+
+### 3. 전략적 지침 수립
+
+#### 📋 데이터 전처리 관점
+**목표**: 모델 학습에 적합한 데이터 형태로 변환
+
+분석 항목:
+- **결측치**: 패턴 파악 → Imputation/Deletion 전략
+- **이상치**: 영향도 평가 → Capping/Transformation/Removal
+- **스케일링**: 변수 범위 차이 → StandardScaler/MinMaxScaler/RobustScaler 선택
+- **인코딩**: 범주형 변수 → One-hot/Label/Target encoding
+- **타입 변환**: 부적절한 데이터 타입 수정
+
+출력 형식:
+```python
+# 구체적인 코드 스니펫 제공
+from sklearn.preprocessing import RobustScaler
+scaler = RobustScaler()
+X['Amount_scaled'] = scaler.fit_transform(X[['Amount']])
+```
+
+#### 🔍 추가 분석 관점
+**목표**: 데이터에서 숨겨진 인사이트 발견
+
+분석 항목:
+- **변수 간 상호작용**: 파생 변수 생성 기회
+- **세그먼트 분석**: 타겟별, 카테고리별 패턴
+- **시계열 분해**: Trend, Seasonality, Residual (해당 시)
+- **차원 축소**: PCA, t-SNE 적용 가능성
+- **Feature importance**: 중요 변수 식별 방법
+
+출력 형식:
+- 구체적인 분석 방법 (코드 + 설명)
+- 예상 인사이트
+- 실행 우선순위
+
+#### 🤖 모델링 관점
+**목표**: 문제 유형에 최적화된 모델링 전략 수립
+
+분석 항목:
+- **알고리즘 선택**: 분류/회귀/클러스터링별 추천
+- **불균형 처리**: SMOTE/Undersampling/Class weights 전략
+- **Feature selection**: Filter/Wrapper/Embedded 방법
+- **교차 검증**: Stratified/Time-series split 전략
+- **평가 지표**: 비즈니스 목표에 맞는 지표 선정
+- **하이퍼파라미터**: 우선 튜닝 대상 파라미터
+
+출력 형식:
+- 알고리즘 추천 순위 (1-3순위)
+- 각 알고리즘의 장단점
+- 예상 성능 범위
+- 실행 가능한 코드 예시
+
+### 4. 실행 계획 수립
+- 우선순위별 Todo 리스트
+- 예상 소요 시간 (상대적 난이도)
+- 의존성 관계 (순서)
+- 다음 단계 커맨드
+
+## Workflow
+
+```
+1. 프로파일링 리포트 로드 (HTML 파싱)
+   ↓
+2. 원본 데이터 로드 및 기본 분석
+   ↓
+3. 데이터 품질 이슈 식별 및 우선순위 설정
+   ↓
+4. 3가지 관점별 전략 수립
+   - 데이터 전처리 지침
+   - 추가 분석 권고사항
+   - 모델링 전략
+   ↓
+5. A4 한 장 분량 Markdown 레포트 생성
+   ↓
+6. (선택) pandoc으로 PDF 변환
+```
+
+## Inputs
+
+- **profile_path** (required): 프로파일링 HTML 리포트 경로
+- **data_path** (required): 원본 데이터 파일 경로
+- **target_column** (optional): 타겟 변수 컬럼명
+- **output_format** (optional): markdown 또는 pdf
+- **output_dir** (optional): 리포트 저장 디렉토리
+
+## Outputs
+
+### Markdown 레포트
+- **파일명**: `{dataset_name}_eda_report.md`
+- **위치**: `outputs/reports/`
+- **구조**:
+  1. Executive Summary (3-5줄 핵심 요약)
+  2. 데이터 개요 (테이블 형식)
+  3. 주요 발견사항 (3-5개 핵심 이슈)
+  4. 데이터 전처리 지침 (우선순위별, 코드 포함)
+  5. 추가 분석 권고사항 (4-5개 분석, 코드 포함)
+  6. 모델링 전략 (알고리즘, 평가지표, 하이퍼파라미터)
+  7. 다음 단계 (체크리스트 형식)
+
+### 콘솔 출력
+```
+═══════════════════════════════════════════════════════════
+EDA 분석 완료
+═══════════════════════════════════════════════════════════
+
+📊 데이터셋: creditcard.csv (284,807건)
+
+⚠️  주요 이슈:
+   1. 클래스 불균형 (1:578) - Critical
+   2. Amount 스케일 차이 (1,143,543배) - High
+   3. Time 변수 활용 가능 - Medium
+
+💡 우선 조치:
+   1. SMOTE 적용 (sampling_strategy=0.1)
+   2. RobustScaler로 Amount 스케일링
+   3. Time에서 Hour, Day 특성 추출
+
+📈 예상 성능:
+   - XGBoost + SMOTE: F1-Score 0.85-0.90
+   - Random Forest: F1-Score 0.80-0.85
+
+📁 리포트 저장: outputs/reports/creditcard_eda_report.md
+
+다음 단계:
+   /engineer-features --strategy scaling,time-features
+   /handle-imbalance --method smote --ratio 0.1
+   /train-models --algorithms xgboost,lightgbm,rf
+```
+
+## Analysis Strategies
+
+### 분류 문제 (Classification)
+
+**불균형 탐지**:
+- 클래스 비율 계산
+- 불균형 비율 > 10: 처리 필요
+- 불균형 비율 > 100: Critical 처리
+
+**전략**:
+1. SMOTE/ADASYN (Over-sampling)
+2. Random Undersampling
+3. Class weights 조정
+4. Ensemble 기법
+
+**평가지표**:
+- Precision-Recall 우선
+- ROC-AUC는 참고용
+- F1-Score 또는 F-beta
+- Confusion Matrix
+
+### 회귀 문제 (Regression)
+
+**이상치 영향도 평가**:
+- IQR 방법으로 이상치 탐지
+- 이상치가 타겟 예측에 미치는 영향 분석
+
+**전략**:
+1. Robust regression (이상치 존재 시)
+2. Log transformation (오른쪽 꼬리 분포)
+3. Polynomial features (비선형 관계)
+
+**평가지표**:
+- RMSE, MAE
+- R-squared
+- MAPE (비율 중요 시)
+
+### 시계열 문제 (Time Series)
+
+**패턴 탐지**:
+- Trend 존재 여부
+- Seasonality 주기
+- Stationarity 검정 (ADF test)
+
+**전략**:
+1. Differencing (비정상성 제거)
+2. Seasonal decomposition
+3. ARIMA/SARIMA/Prophet
+
+**평가**:
+- Time-based split (Not random)
+- Walk-forward validation
+
+## Best Practices
+
+### 1. 도메인 지식 활용
+- 금융: 이상거래 패턴, 규제 요구사항
+- 의료: 클래스 불균형 심각, False Negative 비용 높음
+- 마케팅: 장기 효과 vs 단기 효과
+
+### 2. 비즈니스 목표 연계
+- 모델 성능 vs 해석 가능성 트레이드오프
+- False Positive vs False Negative 비용 고려
+- 실시간 예측 vs 배치 예측
+
+### 3. 실용적 권고
+- 구현 난이도 명시
+- 라이브러리/함수명 구체적 제시
+- 예상 성능 향상 폭 (가능한 경우)
+
+### 4. A4 한 장 준수
+- 핵심만 간결하게
+- 코드는 필수만 (참고용 상세 코드는 별도)
+- 우선순위 명확히
+
+## Tools Used
+
+- **pandas**: 데이터 로딩 및 분석
+- **BeautifulSoup**: HTML 파싱 (프로파일 리포트)
+- **numpy**: 통계 계산
+- **scipy**: 고급 통계 분석
+
+## Example Usage
+
+```python
+# 신용카드 사기 탐지 EDA 분석
+eda_analyst.analyze(
+    profile_path="outputs/reports/creditcard_profile_report.html",
+    data_path="data/raw/creditcard.csv",
+    target_column="Class",
+    output_format="markdown"
+)
+```
+
+## Related Agents
+
+- `data-profiler`: 프로파일링 리포트 생성 (선행 단계)
+- `feature-engineer`: 특성 엔지니어링 실행
+- `model-selector`: 모델 학습 및 평가