시계열 분석, 파이썬, 딥러닝 시계열, Transformer, 트랜스포머, 시계열, 강의
  • 데이터사이언스
  • 기초 학습 권장

예측 정확도를 높이는 딥러닝 시계열 분석 MASTER : RNN부터 Transformer까지

Transformer 모델을 시계열 분석에 적용하는 유일한 강의! 단순 예측 결과에서 나아가 결과에 대한 원인 설명까지 수요, 주가, 게임, 의료, 센서 데이터에 적용해 보세요!

16기
강의 일정
24.07.30 ~ 24.09.03 (총 6회) 매주 화요일 19:30 ~ 22:30 (총 18시간)
  • LIVE
    Zoom 온라인 라이브 (링크제공)

Transformer 모델을 적용하여
예측 결과에 대한 원인까지 설명할 수 있는
시계열 분석

시계열 데이터 분석의 이해를 넘어 딥러닝을 활용한 예측 모델까지 한 번에!

강의소개

퀀트 리서처 출신 금융 AI CEO와
우리 비즈니스에 적용해보는 딥러닝 시계열 분석

시계열 분석 강의

01. Use-Case를 통한 비즈니스별 적합한 딥러닝 알고리즘 핵심 학습

다양한 산업군에서 지속적인 모니터링과 데이터 수집이 점점 보편화되면서 시계열 분석을 필수적으로 활용하는 비즈니스 니즈가 증가하고 있습니다. 시계열을 다양한 Use-Case 실습에 접목하기 전 이론 개념과 딥러닝 알고리즘까지 명확하게 배울 수 있습니다. 시계열과 딥러닝 접목 시 '현재까지 무엇이 가능하고, 무엇이 불가능한가?' 한계점에 대한 질문의 확실한 답을 할 수 있는 능력을 가르칩니다.

02. 딥러닝을 활용한 시계열 예측, 이상치 탐지, 분류, 생성의 문제 해결

단순한 시계열 데이터를 입력해 예측 혹은 분류 결과를 도출하는 수준이 아닌, 딥러닝에 수요, 주가, 의료, 게임, 센서 데이터를 활용하여 모델을 코드로 구현하는 방법을 배워 유의미한 결과를 도출해내는 연습을 합니다. 이를 통해 시계열 분석의 전반적인 흐름을 파악하며, 데이터 종류에 따라 시계열의 예측, 이상치 탐지, 분류, 생성 중 필요한 것을 선택하여 문제를 해결할 수 있습니다.

03. Temporal Fusion Transformer 모델을 시계열에 적용한 트렌디한 강의

통계 시계열 분석, Tensorflow, GAN, 딥러닝 Fundamental, 베이지안 이론, 강화학습 바이블 뿐만 아니라 RNN, LSTM 이후에 등장한 최신 트렌드 딥러닝 기법과 알고리즘 관련하여 학습합니다. 결과에 해석이 필요한 유즈케이스에 제격인 Attention 모델과 최신 트렌드 HMM 알고리즘 학습 등 최신 기술을 습득해 비즈니스 적용 시 큰 인사이트를 얻을 수 있는 강의를 만나보세요!

✨온라인 강의 무료 제공 혜택✨

딥러닝・시계열에 대한 기초적인 이해로
더 효과적으로 강의를 수강하실 수 있습니다.

*수강 전, 아래의 안내사항을 반드시 참고해주세요.

시계열 분석 강의

[안내사항]
1. 온라인 강의는 현장 강의 개강 후 [내 강의장]에서 확인할 수 있습니다.
2. 현장 강의 환불 시 수강 권한이 소멸됩니다.
3. 수강 기한은 개강일로부터 30일입니다.



본 강의에서
무엇을 얻어갈 수 있나요?

단순 패턴 분석이 아닌 비즈니스에 즉시 활용 가능한 시계열 분석 노하우

  • 상황별 시계열 알고리즘 선택 노하우

    시계열 데이터의 예측부터 마코브 체인까지

    시계열 데이터는 통상적인 데이터와 어떻게 다른지 이해해야 가공, 정제된 상태로 모델에 학습시켜 유의미한 결과를 얻을 수 있습니다.

    시계열 모델링 시 주의사항, CNN, RNN, Seq2Seq,Probabilistic Forecasting 등 딥러닝 기반 예측 모델을 이해하기 위한 Building Block을 배웁니다.

    시계열 분석 강의
  • 4가지 Use-Case와 목적에 따른 데이터셋 활용법

    딥러닝 시계열 분석 비즈니스 적용

    시계열 예측, 생성, 분류, 이상치 탐지 등과 같은 다양한 유즈케이스 상황에 적합한 데이터셋을 활용합니다.

    '시계열과 딥러닝을 언제 어떻게 결합해야 하는지'에 대한 관점을 중심으로 4가지 유즈케이스를 접해보고 딥러닝을 접목하려는 시도를 통해, 시계열과 딥러닝
    두 토픽을 결합해 비즈니스에 적용해보세요!

    시계열 분석 강의
  • 실리콘밸리에서 사용하는
    최신 시계열 기법

    GPT, GAN 등 트렌디한 기술

    AWS나 Facebook과 같은 실리콘밸리에서 사용하는 Seq2Seq 기반의 모델과 CNN-LSTM 하이브리드 계열 알고리즘 활용뿐만 아니라 AutoEncoder과 GAN과 같은 유의미한 성과를 낸 최신 트렌드 알고리즘까지 기술을 습득할 수 있습니다.

    최신 트렌드를 파악하고 적용할 줄 알아야 더 좋은 성과를 낼 수 있습니다.

    시계열 분석 강의

본 강의가 특별한 이유는
무엇인가요?

1

Time Series + Deep Learning 2가지 공부를 한 번에!

시계열과 딥러닝 두 토픽의 결합에 대해 학습한다는 것은 쉽지 않은 일입니다. 하지만 어려운 만큼 커리어 성장의 지름길이 됩니다. 시계열 데이터 분석의 이해를 넘어 최신 트렌드 딥러닝을 활용한 예측 모델까지 배우는 6주 과정을 통해 커리어 전문성을 길러 보세요!

2

수요, 주가, 의료, 게임, 센서 등 유의미한 데이터로 실전 적용!

시계열 데이터를 비즈니스에 활용할 수 있도록 수요, 주가, 의료, 게임, 센서 등의 데이터로 시계열 예측, 이상치 탐치, 시계열 분류 및 생성 등을 적용해 시계열 분석의 실무능력을 익힙니다. 다양한 분야에서 활용 가능한 Use-Case로 상황에 적합한 데이터셋을 활용할 수 있는 역량을 쌓아 실제 비즈니스에 적용해보세요!

3

어디서도 볼 수 없었던
Use-Case별 실습 교안 제공!

각 Use-Case별 어려운 데이터를 쉽고 간단하게 변경하여 실행할 수 있는 실습 교안을 제공합니다! 딥러닝을 접목 시켜 많은 시행착오를 보유하신 강사님께서 딥러닝 및 시계열 분석 전반에 걸친 커리어 노하우 등 즉각적인 질의응답을 통해 문제를 해결해보세요! 수업 이후 디스코드 채널을 통해 지속적으로 강사님과 소통할 수 있습니다.

'시계열' + '딥러닝'
2가지 토픽을 함께 공부해 독보적인 인재로 성장할 수 있습니다!

Special Session

다양한 현직자와의 네트워킹


강의를 수강하시는 분들과 함께 지속적인 커뮤니티를 만들어갑니다.
금융, 경제, 경영, 컴퓨터 공학 등 다양한 분야의 현직자와의 네트워킹 자리를 마련하여, 수업 이외의 특별한 인사이트를 얻을 수 있도록 합니다.

시계열 분석 강의

수료하신 분들의
추가적인 후기는 어떤가요?

"시계열 데이터의 정의부터 시작해서 특성에 따른 분석 방법 및 알고리즘 선택 방법과 예제까지 강의 내용에 있어서 정말 좋았습니다. 실제 데이터를 분석 할 때 생각하지 못한 개념들을 알게 되어 많은 도움이 되었습니다. 기본 개념에 대해서 잘 알려주셨고 질문사항에 있어서 자세히 대답해 주셔서 좋았습니다."

빅데이터 스타트업, AI개발

"어렴풋했던 것들이 명확해지는 느낌! 분석 가능한 것과 아닌 것, 익숙하게 많이 본 그림들과 개념들에 대한 깔끔한 설명과 모델이 어떻게 코드로 연결되는지까지 알 수 있었습니다. 많은 것을 얻어갈 수 있을거라는 생각이 들고 수강료가 전혀 아깝지 않았네요."

대기업 자회사, BA

"교육을 듣기 전 수집된 데이터를 다양한 딥러닝 기법을 활용해 이상탐지를 해보자는 목표가 있었는데 평소 알 수 없었던 깊이 있는 내용을 다뤄 업무 능력 향상에 도움이 되었습니다. 시계열 데이터를 활용해 실무에서의 사용 방식과 최신 트렌드 딥러닝 기법을 익히는 유익한 시간이었습니다."

의료 스타트업, Software Engineer
수강 대상

이런 분들은 꼭 들으셔야 해요!


시계열 예측, 이상치 탐지 등의 유즈 케이스를 현업에서 접하는 데이터 직군 종사자


커리어 전환 및 실전 시계열 데이터 분석 스킬을
얻고 싶은 데이터 사이언티스트


최신 트렌드 딥러닝 기법을 배우고 싶은
AI 개발자 및 머신러닝 엔지니어

강사소개

우리 강사님을 소개할게요!

시계열 분석 강의

James Lee

이력사항
  • (현) 퀀터스테크놀로지스 CEO & CTO - 퀀트 알고리즘 기반 자산운용 자회사 준비중
  • (현) 숭실대학교 정보과학대학원 겸임교수 - 금융과 딥러닝의 접목에 대해 강의 (국민연금 / 우리금융 등 다수 출강)
  • (전) 인텔리퀀트 퀀트 & 데이터사이언티스트
  • (전) 넥슨코리아 데이터사이언티스트
  • (전) Riiid AI 사이언티스트
  • 성균관대학교 전자전기컴퓨터공학부 박사과정 수료
프로젝트 경력
  • 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%)

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?

기존의 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 수도 없을 뿐더러, 시계열 데이터를 딥러닝에 활용하는 Use-Case는 예측 / 분류 결과 도출 이외에도 이상치 탐지, 시계열 생성 등 매우 다양하게 존재합니다. 본 강의에서는 앞서 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 어렵겠지만, 시간이라는 변수와 데이터의 관계에는 수 많은 노이즈가 섞여있기에 태생적으로 불확실성을 내포하는 데이터를 다루는 문제이기 때문에 더더욱 어려울 수 밖에 없죠. 하지만 세상 모든 것에는 항상 양면이 존재하죠.

마스터하기 힘든 시계열인만큼, 다룰 수 있는 능력을 가진자의 가치는 더더욱 올라갑니다. 저는 시계열 분석을 배우는 일이 쉬운 길이라고 포장하지는 않겠습니다만, 그만큼 가치 있는 일이니 열심히 배우실 의지가 있다면 최선을 다해 이끌어드리겠다는 말씀을 드리고 싶습니다.

커리큘럼 (6)

  • 1주차. 시계열 및 딥러닝 기초

    강의목표

    • 앞으로 함께 공부할 시계열과 딥러닝의 기초적인 내용을 다집니다.
    • 구체적으로, 시계열의 정의 및 특성, 그리고 시계열을 다루는데에 핵심이 되는 근간 모델들 (퍼셉트론, RNN, CNN 등)을 학습합니다.

    이론

    • 시계열의 정의 및 특성
    • 딥러닝과 퍼셉트론의 개념
    • RNN의 정의
    • CNN의 정의

    실습

    • 시계열 기초 모형 실습
    • RNN, CNN을 활용한 시계열 예측 실습
  • 2주차. Time Series Forecasting (시계열 예측 - 1)

    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
    • Seq2Seq 모델
    • Case study: Multivariate CNN-LSTM Model

    실습

    • Multivariate CNN-LSTM Model을 통한 경기 지표 예측
    • Univariate 모델과의 비교
  • 3주차. Temporal Fusion Transformer (시계열 이상치 탐지 - 1)

    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
    • Anomaly Transformer

    실습

    • DA-RNN 모델, TFT, Anomaly Transformer 모델을 이용한 이상치 탐지 실습
  • 4주차. Time Series Anormaly Detection (시계열 이상치 탐지 - 2)

    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
  • 5주차. Time Series Forecasting (시계열 예측 - 2)

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

    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

커리어 성장으로 가는 길, 러닝스푼즈와 함께 하세요!

지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.

LIVE

예측 정확도를 높이는 딥러닝 시계열 분석 MASTER : RNN부터 Transformer까지

강의찾기