전체교육일정
교육개요
이 과정을 통해 재직자들은 시계열 데이터를 정복하고, 통계적 방법에서 최첨단 ML과 DL 기법에 이르기까지 전방위적 분석 기술을 습득합니다. SARIMAX, RNN, LSTM, CNN을 배우며, 실제 비즈니스 시나리오에 적용해 수요 예측과 같은 구체적 성과를 창출할 수 있는 기대를 안고 새로운 도약을 시작하세요.
교육목표
시계열 데이터 분석을 위한 머신러닝, 딥러닝 알고리즘의 원리 이해 및 실습을 통한 자신의 직무에 적용할 수 있는 역량 향상
강의내용
[Chapter1. 시계열 분석 개요]
· 학습 목표
시계열 데이터 분석 및 모델링으로 미래를 예측하고 데이터 기반 의사 결정 능력을 향상시킵니다.
· 주요 내용
1. Sequential Data
2. 시계열 데이터 분석
3. Modeling(통계적, ML/DL 기반 시계열 모델링)
[Chapter2. Baseline 모델 생성 및 평가]
· 학습 목표
시계열 데이터의 전처리와 기본 모델 생성 후 평가를 통해 모델의 성능을 확인합니다.
· 주요 내용
1. 전처리
2. Baseline 모델
3. 시계열 절차
4. 시계열 모델평가(잔차분석/ML Metric)
[Chapter3. 통계적 모델링(SARIMA)]
· 학습 목표
SARIMAX 모델을 사용하여 통계적 시계열 모델링을 수행합니다.
· 주요 내용
1. Modeling(통계적 시계열 모델링)
2. SARIMAX 모형
[Chapter4. ML 모델링(with feature engineering)]
· 학습 목표
시간 요소를 추출하여 특성 엔지니어링을 수행하고 ML 모델을 기반으로 한 시계열 모델링을 진행합니다.
· 주요 내용
1. 날짜요소 뽑기
2. 시간에 따른 흐름 추출하기
3. y에 따른 흐름
4. Modeling - ML 기반 시계열 모델링
[Chapter5. DL 시계열 모델링(RNN, LSTM, CNN)]
· 학습 목표
RNN, LSTM, CNN을 활용한 DL 기반 시계열 모델링 방법을 학습합니다.
· 주요 내용
1. DL 기반 시계열 모델링 방법
2. RNN
3. LSTM
4. CNN
[Chapter6. 비즈니스 관점 평가]
· 학습 목표
회귀모델을 활용한 수요량 예측의 비즈니스적 평가를 학습합니다.
· 주요 내용
1. 회귀모델에 대한 비즈니스 평가
2. 수요량 예측 평가