course thumbnail
  • 데이터사이언스
  • 중급, 고급

4가지 USE-CASE를 활용한 딥러닝 시계열 분석 실전

(9기 모집 중! 오프라인&온라인라이브 병행 / 녹화본 제공) 딥러닝 시계열 분석의 핵심 마코브 체인을 수요, 주가, 게임, 의료, 센서 데이터 실전으로 배워보세요.

9기
22.10.09 ~ 22.11.13 (총 6회) 매주 일요일 14:00 ~ 17:00, 총 18시간

딥러닝 시계열 분석 실전

실전 Use-Case로 배우는
시계열 분석 심화 6주 완성


강의소개

퀀트 리서처 출신 금융 AI CEO와 함께하는
시계열 분석 마스터!

시계열 분석

01. 실전에서 바로 활용 가능한 시계열 분석 방법

시계열 분석에 딥러닝을 적용해 유의미한 결과를 도출해내는 것은 쉬운 일이 아닙니다. 이론뿐만 아니라 실제로 코드를 작성하는 것도 초심자 입장에서는 어려울 수 밖에 없습니다. 그렇기에 더욱 더 실전에서 활용 가능한 핵심 내용 위주로 이론과 실습을 병행하여 강의를 진행합니다.

02. 시계열과 딥러닝의 이해부터 예측, 이상치 탐지, 분류, 생성까지

시계열과 딥러닝 핵심은 물론 Multivariate CNN-LSTM Model, 분포모델 기반 Anomaly Detection, 예측 모델 기반 Anomaly Detection, 시계열 분석 및 생성 알고리즘, 그리고 RNN/LSTM 이후 등장한 최신 트렌드의 딥러닝 기법들까지 모두 알려드립니다.

03. 시계열 데이터 미래 예측의 핵심, HMM 학습

RNN, LSTM, ARIMA, Attention 등의 Discriminative 모델은 샘플로 보여준 데이터의 관계만 알 수 있습니다. 주어진 데이터 안에 여러 개의 분포가 존재한다고 가정하는 모델인 Mixture Models이 필요하며, Multivariate에 해당하는 분포를 추정하게 하는 모델 중 대표적인 예가 바로 Hidden Markov Models(HMM)입니다.

 
 
 
 
사전 온라인 강의 안내

이 과정을 수강하기 전, 아래 과정부터 확인하세요!

해당 분야에 대한 기초 지식이 부족하다면? 꼭 이 강의를 수강해야 해요!
시계열 데이터에 대한 특성 이해부터 최신 트렌드까지 6시간 만에 완성할 수 있습니다.


본 강의에서
무엇을 얻어갈 수 있나요?

퀀트 데이터 리서처에게 배우는 시계열 분석 실전

  • 시계열 딥러닝의 핵심

    딥러닝 알고리즘의 확실한 이해

    Time Series + Deep Learning
    두 토픽의 결합에 대해 학습한다는 것은 정말 어려운 일입니다. 시계열과 딥러닝 접목 시 한계점과 딥러닝 알고리즘 핵심 개념을 이해하며
    시계열을 다양한 USE-CASE에 접목해봅니다.

    시계열 분석
  • 최신 트렌드 적용

    시계열 딥러닝 기법 이해

    통계 시계열 분석, Tensorflow, GAN, 딥러닝 Fundamental, 베이지안 이론, 강화학습 바이블 뿐만 아니라
    RNN / LSTM 이후에 등장한 최신 트렌드 기법 관련하여 디스코드 채널을 통해 지속적으로 강사님과 소통할 수 있습니다.

    시계열 분석
  • 실전에 바로 활용하는

    실습 기반 학습

    Seq2Seq기반 모델을 활용한 주가 차트 예측 모델 생성 실습부터, Multivariate CNN-LSTM Model을 통한 경기 지표 예측, GAN 기반 이상치 탐지 알고리즘을 활용한 센서 데이터 이상 탐지 실습, AutoEncoder 기반 이상치 탐지 알고리즘을 활용한 서버로그 데이터 이상 탐지 실습까지 경험할 수 있습니다.

    시계열 분석

실전에 바로 써먹는 딥러닝 시계열 분석
러닝스푼즈와 함께하세요.


본 강의가 특별한 이유는
무엇인가요?

1

시계열 데이터의 예측,
마코브 체인까지

시계열 데이터는 지금까지 통상적으로 다루는 데이터와는 확연히 다른 특징을 갖고 있습니다. 그렇기에, 시계열 데이터를 활용하고자 한다면 구체적으로 통상적인 데이터와 어떻게 다른지 확실히 이해하고 제대로 가공하고 정제한 상태로 모델에 학습시켜야 유의미한 결과를 얻을 수 있습니다. 예측, 이상치 탐지, 분류, 생성 뿐만 아니라 효과적인 시계열 데이터 미래 예측을 위한 마코브 체인까지! 다양한 기법을 학습합니다.

2

시계열 관련
최신 딥러닝 기법 파악

데이터 사이언스의 분야는 빠르게 연구되며 발전하고 있습니다. 최신 트렌드를 파악하고 적용할 줄 알아야 더 좋은 성과를 낼 수 있습니다. AWS나 Facebook과 같은 실리콘밸리에서 사용하는 Seq2Seq 기반의 모델과 CNN-LSTM 하이브리드 계열 알고리즘 활용뿐만 아니라 AutoEncoder과 GAN과 같은 유의미한 성과를 낸 최신 트렌드 알고리즘까지 현업에 계신 전문가를 통하여 알아가실 수 있습니다.

3

다양한 USE-CASE로 배우는 시계열 분석

다양한 업계에서 이미 시계열 분석을 많이 이용하고 있습니다. 하지만 모두 같은 목적으로 시계열 분석을 할까요? 아닙니다. 단순히, 시계열 하면 떠오르는 시계열예측뿐만 아닌 Anomaly detection, Time series classification, Time series generation, Change point analysis 등과 같은 다양한 use-case를 상황에 적합한 각기 다른 데이터셋을 활용하여 배웁니다.

FAQ

강의에 대해
궁금한 점이 있으신가요?

Q. 온라인 라이브로만 진행하나요?

해당 과정은 오프라인과 온라인 라이브가 동시 진행됩니다.
온라인 라이브 강의는 zoom을 활용해 진행될 예정입니다.
과정 진행 시간 동안 담당 매니저가 디스코드 채널을 운영할 예정이며, 강사님과도 해당 채널을 통해 언제든 소통하실 수 있습니다.

Q. 수강 시, 준비 사항은 어떤 것이 있을까요?

실습을 위해 개인 PC가 꼭 필요합니다. OS는 Windows OS, Mac OS 모두 가능합니다.
또한, 본 강의는 파이썬 문법 기초 이상의 지식이 필요합니다.

Q. 실제 프로젝트도 같이 진행되나요?

6주라는 짧은 시간동안 시계열에 대한 학습을 진행하다 보니, 프로젝트를 함께 하는 시간은 다소 부족하실 수 있습니다.
다만 강사님께서 제공해주시는 실습 자료와 지속적인 커뮤니케이션을 통해 충분히 만족스러운 결과를 가져가실 수 있을 것입니다.

수강 대상

이런 분들은 꼭 들으셔야 해요!


최신 시계열 분석 딥러닝 기법을 배우고 실습해보고 싶은 분


데이터 사이언티스트 커리어를 쌓으며 실전 시계열 데이터분석을 하고 싶은 분


다양한 각 분야에 시계열 분석이 필요한 업무를 보시는 분

강사소개

우리 강사님을 소개할게요!

시계열 강의
James Lee
이력사항
  • (현) 금융AI 스타트업 스토아컴퍼니 CEO
  • 머신러닝 기반 팩터 모델 연구 및 개발
  • 머신러닝 기반 포트폴리오 최적화 모델 연구 및 개발
  • 2022년 상반기 결산 기준 실전 투자전략 수익률 16.95% (시장 대비 초과수익률 약 30%)
  • (현) 숭실대학교 정보과학대학원 겸임교수
  • (전) 인텔리퀀트 퀀트 & 데이터사이언티스트
  • (전) 넥슨코리아 데이터사이언티스트
  • (전) Riiid! AI 사이언티스트
  • 성균관대학교 전자전기컴퓨터공학부 박사과정 수료
1. 강의에서는 주로 어떤 내용을 다룰 예정이시고, 어떤 형태로 진행되나요?

시계열과 딥러닝, 이 둘은 따로 떼어놓고 각각 다루기에도 어려운 주제입니다.
이론 자체도 친숙하지 않은 개념이 많이 등장하기에 쉽게 이해하기 어렵고, 실제로 코드를 작성하는 것도 데이터의 특성 자체가 기존 데이터와는 다르기에 초심자 입장에서는 더더욱 어렵습니다.
그렇기에 더더욱 실전에서 활용이 가능한 핵심 내용을 위주로 다룰 예정입니다.
이론과 실습 모두 핵심이 되는 내용을 위주로 기초를 탄탄히 다지고, 추후 실전을 접했을 때 수강생이 스스로 문제를 푸는 데에 필요한 퍼즐을 찾아 해결해 나갈 수 있는 기반을 다지는 데에 초점을 맞출 것입니다.

2. 본 강의에서 배운 내용을 수강생 분들이 어떻게 활용할 수 있을까요?

본 강의에서 다루는 내용을 통해 시계열을 딥러닝에 적용할 때 주의 깊게 살펴봐야 할 부분들을 모두 학습하실 수 있을 것이고, 실제로 시계열을 딥러닝에 적용하는 방법 역시 코드 레벨에서 제대로 학습하실 수 있으실 겁니다. 이러한 내용들은 실제 현업에서 시계열을 접하고 문제를 풀어야 할 때 전처리 과정부터 모델링까지 어떤 방식으로 수행해야 하는지 큰 그림을 그릴 수 있게 해줄 것이고, 더 나아가 실제 구현 단계에서까지 도움을 줄 것입니다.

3. 다른 강의와 어떤 차별점이 있나요?

기존에 시계열 분석에 딥러닝을 적용한 사례 자료는 RNN / LSTM과 같은 알고리즘에 단순히 시계열 데이터를 입력해 예측 혹은 분류 결과를 도출하는 수준에 그치는 경우가 대부분입니다.
하지만 단순히 시계열 데이터를 딥러닝 모델에 입력하는 것 만으로는 유의미한 결과를 도출해낼 수 없습니다.
거기에 더해, 시계열 데이터를 딥러닝에 활용하는 use-case는 예측 / 분류 결과 도출 이외에 이상치 탐지, 시계열 생성 등 매우 다양합니다.
본 강의에서는 앞 서 언급한 다양한 use-case에 딥러닝을 활용하는 방법을 다루고, RNN / LSTM 이후에 등장한 최신 트렌드의 딥러닝 기법들에 대해서도 다룹니다.

4. 마지막으로 수강생들에게 하고 싶으신 말이 있나요?

시계열 분석에 딥러닝을 적용해서 유의미한 결과를 도출해내는 것은 쉬운 일이 아닙니다.
두 개념을 각각 따로 떼놓고 이해하기도 어려울 뿐더러, 시간이라는 변수와 데이터의 관계에는 수많은 노이즈가 섞여있기에,
태생적으로 불확실성을 내포하는 데이터를 다루는 문제이기 때문에 더더욱 그렇습니다.

하지만 세상 모든 것에는 항상 양면 존재하듯이, 시계열은 다루기 어렵기 때문에 그만큼 다룰 수 있는 능력을 가진자의 가치는 더더욱 올라갑니다.
저는 시계열 분석을 배우는 일이 쉬운 길이라고 포장하는 말씀을 드리기 보다는 어렵지만, 그만큼 가치 있는 일이니 열심히 배우실 의지가 있다면 최선을 다해 이끌어드리겠다는 말씀을 드리고 싶습니다.

커리큘럼 (6)

  • 1회차. Time Series Forecasting (시계열 예측) - 1

    본 강의에서 첫번째로 다룰 유즈케이스는 시계열 예측입니다.

    시계열 예측 첫 시간에는 시계열 예측이라는 문제 자체에 대한 정의를 학습하고, Univariate 시계열 예측에 필요한 제반 사항들을 학습합니다.


    이론

    – 시계열 예측 문제의 정의

    – Univariate Forecasting vs Multivariate Forecasting

    – Seq2Seq 모델의 정의

    – Seq2Seq 기반 모델 (Basic seq2seq, CNN-QR, DeepAR 등)


    실습

    – CNN-LSTM 하이브리드 모델을 활용한 수요 예측 모델 생성

    – Seq2Seq기반 모델을 활용한 주가 차트 예측 모델 생성 실습 및 RNN 모델과의 비교

  • 2회차. Time Series Forecasting (시계열 예측) - 2

    시계열 예측에 특히 많이 활용되는 알고리즘 중에서는, HMM (Hidden Markov Model) 이라는 알고리즘이 있습니다.

    이 알고리즘은 흔히들 많이 사용하는 뉴럴넷 기반의 알고리즘들과는 가정 자체가 다르다는 특징이 있습니다.

    이번 시간에는 HMM의 정의부터 시작하여 응용까지 이르는 과정을 학습합니다.


    이론

    – HMM (Hidden Markov Model)의 정의

    – Deep Markov Models (DMM)의 정의와 한계점

    – HMM 계열 알고리즘과 DMM 계열 알고리즘의 차이점


    실습

    – HMM 모델을 활용한 주가 예측 모델 생성

    – RNN 모델과의 비교

  • 3회차. Time Series Forecasting (시계열 예측) - 3

    Univariate 모델은 시계열 데이터 자체에서 모델 가능한 패턴이 있는 경우, 제대로된 예측 결과를 보여주지만 그렇지 못할 경우 결코 올바른 결과를 도출할 수 없습니다.

    이럴 경우 우리는 Multivariate 모델의 도입을 고려해보아야 합니다.

    이번 시간에는 Multivariate 모델의 도입 필요성과 그 방법론에 대해 학습합니다.


    이론

    – Univariate 모델의 한계점과 극복 방안들

    – Multivariate 모델의 설계 및 적용 방법

    – Case study: Multivariate CNN-LSTM Model


    실습

    – Multivariate CNN-LSTM Model을 통한 경기 지표 예측

    – Univariate 모델과의 비교

  • 4회차. Time Series Anormaly Detection (시계열 이상치 탐지) - 1

    시계열 예측에 이어, 현업에서 시계열을 많이 활용하는 분야는 바로 anomaly detection(이상치 탐지)입니다.

    이번 시간에는 시계열 데이터에서 이상치를 탐지하는 여러가지 딥러닝 기법에 대한 이론을 학습하고, 기존에 배운 예측 모델에 기반한 이상치 탐지 기법에 대해 학습합니다.


    이론

    – anomaly란 무엇인가?

    – anomaly vs outlier

    – 기존 이상치 탐지 모델들에 대한 개념 설명(PCA, clustering 등)

    – 예측 모델 기반의 Anomaly Detection (SARIMA, CNN-LSTM)


    실습

    – SARIMA 기반 이상치 탐지 알고리즘을 활용한 이상 탐지 실습

    – CNN-LSTM기반 이상치 탐지 알고리즘을 활용한 이상 탐지 실습

  • 5회차. Time Series Anormaly Detection (시계열 이상치 탐지) - 2

    이상치 탐지에 최적화된 딥러닝 모델 중, AutoEncoder와 GAN이라는 알고리즘은 그 개념 자체를 이해하는 것이 시계열에 대한 이해를 돕는 데에 아주 큰 도움을 줍니다.

    이번 시간에는 AutoEncoder와 GAN의 개념부터 시작하여, 응용까지 이르는 과정을 학습합니다.


    이론

    – AutoEncoder 모델의 개념

    – AutoEncoder기반 이상치 탐지 알고리즘(LSTM AutoEncoder, CNN-LSTM AutoEncoder)

    – GAN (Generative Adversarial Network) 모델의 개념

    – GAN기반 이상치 탐지 알고리즘(MAD-GAN, TadGAN등)


    실습

    – AutoEncoder기반 이상치 탐지 알고리즘을 활용한 서버로그 데이터 이상 탐지 실습

    – GAN기반 이상치 탐지 알고리즘을 활용한 센서 데이터 이상 탐지 실습

  • 6회차. Time Series Anormaly Classification & Generation (시계열 분류 및 생성)

    마지막 회차에서는 시계열 예측, 이상치 탐지 외에 시계열 데이터를 딥러닝에 활용하는 시계열 분류, 시계열 생성과 같은 다양한 use-case에 대해 학습하고 시계열 데이터 분석의 한계점과 주의사항에 대해 알아봅니다.

    주가차트 데이터를 이용하여 시계열 분류 알고리즘을, 의료데이터를 활용하여 시계열 생성 알고리즘을 실습해봅니다.


    이론

    – 시계열 분류 알고리즘인 CNN과 RNN기반 모델의 비교(Inception Time, LSTM-FCNs)

    – 시계열 생성 알고리즘(TimeGAN)

    – 시계열 분석의 한계점 및 주의사항


    실습

    – 시계열 분류 알고리즘을 활용한 유사한 주가 차트를 갖는 종목 분류기 실습

    – 시계열 생성 알고리즘을 활용한 가상 의료데이터 생성 실습

커리어 성장으로 가는 길, 러닝스푼즈와 함께 하세요!

지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.

오프라인 LIVE

4가지 USE-CASE를 활용한 딥러닝 시계열 분석 실전

매일 선착순 20명 한정! 할인가 확인하고 커리어 성장하세요!