시계열 데이터에 대한 특성 이해부터 실전 적용까지! 딥러닝 시계열 분석을 시작하기 위한 기초 내용을 배워보세요.
파이썬 초보, 비전공자 분들도 이해하기 쉬운 시계열 분석! 완전 기초부터 다양한 실습을 통한 지식 습득이 가능하도록 신속정확한 커리큘럼을 준비했습니다.
다른 데이터와 달리 시계열 데이터는 특별한 성질을 띄고 있습니다. 다양한 시계열 모형을 사전 삼아 보실 수 있도록 온라인으로 준비했습니다.
시계열 분석에 탁월한 성능을 발휘해줄 딥러닝의 기초를 함께 배우며, 추후 실전에 도입할 준비가 갖춰집니다.
데이터의 특성을 이해하고 기본 모형이 익숙하다면,
다양한 케이스에 근거한 실전 적용 강의가 필요합니다.
정상성, 계절성, 노이즈
시계열 데이터는 다른 데이터에 비해 정상성/비정상성, 계절성 등의 특성을 가지고 있습니다. 이 특성을 완벽하게 이해할 수 있습니다.
RNN과 CNN
시계열 분석에 필요한 딥러닝 기초와 적용 방법에 대해 배우고, 딥러닝 아키텍쳐를 실전 분석해 적용할 수 있습니다.
커리어 시작
데이터 사이언티스트가 시계열 데이터를 활용하는 방법을 배워, 독보적인 분석 커리어를 쌓을 수 있도록 도와드립니다.
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. 시계열 데이터가 무엇인지, 그 특성은 무엇인지에 대한 이해부터 진행합니다.
시계열을 다루는 모형에는 기본적으로 AR, MA를 넘어 ARIMA가 있고, 나아가 더 높은 성능을 위해 만들어진 딥러닝 모형들도 많이 존재합니다. 하지만 시계열 분석과 딥러닝 기초를 동시에 알려주는 과정을 찾기란 쉽지 않을 것입니다. 앞서 말씀드린 모든 시계열 모형과 딥러닝 기반의 모델에 대해 설명해드리고, 다양한 분석을 준비하기 위한 기반을 마련하실 수 있도록 도와드립니다.
딥러닝을 활용한 시계열 분석을 시작하기에 불필요한 지식들은 과감히 배제했습니다. Univariate&Multivariate Time Series, RNN, CNN 등 딥러닝 시계열 분석에 반드시 필요한 지식들만 꾹꾹 눌러담았고, 그 외 지식들도 실습 기반으로 빠르게 습득하실 수 있도록 구성했습니다.
기본적인 파이썬 문법을 알고 계신 분이 수강 하시는 것을 권장 드리나,
본 과정에서 필요한 기초 문법은 함께 배우기 때문에 기초 지식이 없어도 수강 가능하십니다.
실습을 진행하기 위해서는 노트북 또는 데스크탑이 필요합니다.
강의 중 실습은 Colab 환경에서 진행되기 때문에 별도의 설치 파일은 불필요합니다.
커리어를 위해 시계열 분석을 처음으로 도전해보고 싶은 분
시계열 데이터 분석을 위해 필요한 기초지식을 체계적으로 학습해보고 싶은 분
시계열 데이터에 딥러닝을 접목하는 방법론을 모델의 기초부터 학습해보고 싶은 분
SECTION 1. 시계열 데이터 이해 및 기본 모형 구현
1-1. 시계열 데이터의 개념
1-2. 시계열 데이터의 특성
1-3. 시계열을 다루는 기본 모형 (AR, MA, ARMA, ARIMA)
1-4. Colab 환경에서 시계열 로딩 및 처리 방법
1-5. AR, MA, ARMA, ARIMA 모형 구현 실습 (1)
1-6. AR, MA, ARMA, ARIMA 모형 구현 실습 (2)
SECTION 2. 시계열 데이터 전처리 및 교차 검증 방법
2-1. 시계열 데이터 전처리 - 결측치
2-2. 시계열 데이터 전처리 - 결측치 처리 방법
2-3. 시계열 데이터의 전처리 - 노이즈
2-4. 시계열 모델링 - AIC, Univariate, Multivariate, Horizon
2-5. 시계열 데이터의 교차 검증 방법
SECTION 3. Multivariate 시계열과 머신러닝
3-1. Prophet 알고리즘에 대한 설명
3-2. Univariate Time Series VS Multivariate Time Series
3-3. 시계열 간의 통계적 관계 (상관관계, 스프레드, 공적분 관계 등)
3-4. Colab 환경에서 Prophet 알고리즘 실습
SECTION 4. 시계열과 딥러닝 - 딥러닝의 기초
4-1. 뉴럴 네트워크의 개념
4-2. Supervised Learning vs Un-Supervised Learning
4-3. Discriminative model vs Generative model
4-4. Colab 환경에서 XOR - 뉴럴 네트워크 실습
SECTION 5. 시계열과 딥러닝 - RNN의 개념
5-1. RNN의 배경 및 이론
5-2. RNN의 종류, 문제점, LSTM
5-3. DRNN(Deep RNN)의 개념
5-4. Colab 환경에서 RNN 예측 실습
5-5. Colab 환경에서 Multivariate TimeSeries LSTM 실습
SECTION 6. 시계열과 딥러닝 - CNN의 개념
6-1. CNN의 배경 및 이론
6-2. 2D CNN에서 1D CNN으로의 변환 과정과 Temporal Conv. Network (TCN)
6-3. TCN 네트워크를 활용한 예측 모델 생성 실습
SECTION 7. 시계열 분석 실전
7-1. CNN - LSTM (RNN) 하이브리드 모델
7-2. Seq2Seq 아키텍쳐
7-3. 데이터 과학(AI)이 할 수 있/없는 것, Feature Transform & Feature Adding
7-4. CNN-LSTM 실습
7-5. Seq2Seq 실습
지금 보고 계시는 강의의 관련 태그로 다른 강의도 찾아보세요.
로그인 후 이용가능합니다.
로그인 페이지로 이동합니다.
