1. 전처리
   시계열 데이터 전처리에 좋은 성능을 보이는 Wavelet transform을 사용합니다. 시간-주파수 단위로 변환하여 시계열의 클래스간의 특징을 더 잘 분류할 수 있습니다. pywt를 사용합니다.
   검증 데이터 추가를 통한 오버피팅을 방지했습니다.
    
2. 아키텍쳐
   기본적으로 베이스라인 모델을 사용하였고 Flatten 대신 Global average pooling을 사용했습니다.
    
3. 하이퍼 파라미터 튜닝
   Epoch은 충분히 늘리고 검증 정확도가 낮아지는 경우 훈련을 멈췄습니다.
   Learing rate, Batch size 는 변함없이 훈련했습니다.
    
4. 소감
   시계열 데이터에 가장 익숙한데 경진대회 대부분 Task가 CV, NLP 였던 점이 부담스러웠는데, 드물게 있는 시계열 데이터였던 점이 기억에 남습니다.
   초반에 높은 점수를 받아 신경을 안썻는데 순위가 많이 밀렸더라구요. 더 시간을 투자하지 못한 점 아쉬웠습니다.