딥러닝 모델을 활용한 시계열 분석 MASTER : 예측부터 이상치 탐지까지

강의목표

• 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

강의목표

• 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, AutoEncoder, GAN 기반한 이상치 탐지 기법에 대해 학습합니다.

이론

• anomaly란 무엇인가?
• anomaly vs outlier
• AutoEncoder기반 이상치 탐지 알고리즘(LSTM AutoEncoder, CNN-LSTM AutoEncoder)
• 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

강의목표

• 최근 모든분야에서 핫하게 주목받는 모델은 단연코 Attention 기반의 모델입니다.
• Attention 기반 모델은 예측결과에 더해, 변수에 대한 attention weight까지 제공해주기에, 결과의 해석이 필요한 use-case에 제격입니다.
• 본 시간에는 Attention 기반의 시계열 예측 모델, 특히 SOTA로 알려진 TFT (Temporal Fusion Transformer) 모델에 대해 학습하고, 이를 통해 이상치를 탐지해보는 실습을 합니다.

이론

• Attention 모델의 정의
• Attention 모델과 시계열 데이터
• DA-RNN 모델의 개념
• TFT (Temporal Fusion Transformer) 모델의 개념

실습

• DA-RNN 모델, TFT 모델을 이용한 이상치 탐지 실습

강의목표

• 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

강의목표

• 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