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. 모델링 개요]
· 학습 목표
딥러닝 모델링의 기본 개념과 구성 요소를 이해하고 모델링 프로세스를 학습합니다.
· 주요 내용
1. CRISP-DM
2. 모델링과 평가
3. 머신러닝과 딥러닝 코드 차이
[Chapter2. 딥러닝 개념 이해]
· 학습 목표
인공신경망, 딥러닝의 기본 개념과 원리를 파악하여 심층 학습의 핵심을 이해합니다.
· 주요 내용
1. 신경망 이해
2. 학습 절차 - 가중치 업데이트
3. 학습 절차 - epochs, 학습률
[Chapter3. 딥러닝 모델링 - 회귀]
· 학습 목표
딥러닝을 활용한 회귀 모델링을 실습하고 결과를 평가하는 방법을 익힙니다.
· 주요 내용
1. 모델 구조와 Dense Layer
2. 회귀 모델 평가
3. 은닉층과 활성함수
[Chapter4. 딥러닝 모델링 - 이진 분류]
· 학습 목표
이진 분류 문제에 대한 딥러닝 모델을 구축하고 성능을 향상시키는 방법을 습득합니다.
· 주요 내용
1. 모델 구조와 활성화 함수
2. 이진분류의 loss function
3. 분류 모델 평가
[Chapter5. 딥러닝 모델링 - 다중 분류]
· 학습 목표
다중 분류 문제에 대한 딥러닝 모델을 구성하고 정확도를 높이는 방법을 학습합니다.
· 주요 내용
1. 다중분류 모델링을 위한 전처리
2. 다중분류의 Output layer
3. MNIST
[Chapter6. 성능 관리]
· 학습 목표
모델의 성능을 측정하고 최적화하기 위한 방법과 기술을 이해하여 딥러닝 모델의 효율성을 높입니다.
· 주요 내용
1. Early Stopping
2. Drop out
3. 모델 저장
[Chapter7. CNN 기초]
· 학습 목표
CNN의 구조와 활용 방법을 이해하고 이미지 처리에 적용하는 기초 기술을 습득합니다.
· 주요 내용
1. CNN 개념 이해
2. CNN 모델 구조
3. ConvNet, MaxPooling 이해
[Chapter8. RNN 기초]
· 학습 목표
RNN의 개념과 활용을 학습하여 순차적 데이터 처리에 적합한 모델을 구성합니다.
· 주요 내용
1. RNN 개념 이해와 전처리
2. SimpleRNN Layer
3. LSTM 이해