[오프+온라인 라이브 / 녹화본 제공]

4가지 유즈 케이스를 활용한 시계열 분석
: 전처리부터 딥러닝 적용까지

수요, 주가, 게임, 의료, 센서 데이터로 배우는 시계열 데이터 분석

강의 난이도
3/5
‘시계열 분석’ 하면 떠오르는 시계열 예측.
과연 시계열 데이터로 예측만 가능할까요?
– 시계열 예측은 물론! 시계열 생성, 분류, 이상치 탐지 등
– 다양한 USE-CASE로 학습하여 실전에서 바로 활용할 수 있도록
– 전처리 과정부터 최신 딥러닝 기법까지 모두 담았습니다.

이미 많은 기업에서 활용하고 있는 시계열 분석
그러나 시계열 분석과 관련된 책과 강의를 찾아보기란 쉽지 않습니다.
드물게 있는 강의들은 전처리 과정을 생략하고 모델 적용부터 급급하게 하는 경우가 다반사입니다.

혼자서 공부하기 어려운 시계열 분석!
현업 데이터 사이언티스트 강사님과 함께 소통하며 전처리 과정부터 최신 딥러닝 기법까지 도와드리겠습니다.

일정

21.07.17 ~ 21.08.21 | 총 6회
매주 토요일 10:00 ~ 13:00, 총 18시간
* 코로나 상황에 따라 온라인 라이브 병행

정원 및 준비물

총 15명
노트북

장소

러닝스푼즈 강의장
강남대로 94길 15, S2빌딩 4층
시계열 분석
시계열 분석
설마 아.직.도 시간데이터는 활용 못하시고 계신가요?
회귀모델만 이용한 수요 예측
(수요 예측을 위해 이름, 성별, 지역과 같은
통상적인 데이터로만 데이터 분석을 진행한 경우)
시간에 따른 시계열 분석 예측 모델과 회귀모델의 앙상블을 이용한 수요 예측
(수요 예측을 위해 통상적 데이터뿐만이 아닌, 거래일자와 같은
시간 데이터로 시계열 분석을 진행하여 앙상블을 진행한 경우)
시계열 분석
수요 예측 모델 평가 지수
시계열 데이터의 중요성이 높아지고 있다.
시계열 분석 능력을 가진자의 가치는 더욱 올라간다.
많은 전문가분들께서 하신 말씀입니다.
왜 일까요?
시계열 분석
수요 예측
공급과 수요 차이 감소 및 이윤 극대화
시계열 분석
이상 탐지
안정화 및
고객 이탈 방지
시계열 분석
기계고장 예측
거대 손실금 방지
시계열 분석
데이터 생성
비용 절감 및
신뢰도 향상
시계열 데이터로 예측만 할 수 있을까요?
시계열 생성, 분류, 이상치 탐지 등 다양한 USE-CASE를 통한 학습으로
시계열 분석을 실전에 바로 활용할 수 있도록 도와드리겠습니다.
시계열 분석
많은 분야에서 가지고 있는 수요데이터,
시간으로 기록되어있는 주가데이터 등 시계열 예측을 통해
이윤을 극대화 시킬 수 있습니다.
시계열 분석
의료업계, 소매업과 같이 상대적으로 데이터의 양이 적을 경우
시계열 생성을 이용하여 데이터의 양을 늘려
분석 결과에 대한 신뢰도를 향상시킬 수 있습니다.
시계열 분석
주가데이터를 이용하여 상승세와 하락세를 구분하여
이득을 얻거나, 게임 유저 이탈 예정자를 분류하여
고객 이탈을 방지 할 수 있습니다.
시계열 분석
게임 서버 로그 데이터에 이상치를 탐지하여 핵을 발견하고
게임을 안정화하거나, 기계가 오류난 것을 탐지해
불량품을 제외하여 안정화 시킬수 있습니다.
이미 많은 분야에서 시계열 분석을 활용하고 있다는 사실!
시계열 데이터의 기본 개념은 물론 실리콘밸리의 Seq2Seq 기반 모델 구현까지!
단 6번의 강의로 시계열 분석을 활용할 수 있습니다.

| 강의특징

01
시계열 데이터의 이해와
전처리부터 확실하게
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. 단순히 모델에 적용부터 하는 것이 아닌 시계열 데이터를 이해하고 전처리하는 과정부터 진행합니다.
02
시계열을 딥러닝에 접목하는 방법 및 최신 딥러닝 기법 파악
오래전에 녹화된 강의를 구매하셔봤자 무용지물입니다. 데이터 사이언스의 분야는 빠르게 연구되며 발전되어지고 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.
03
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.
선수지식이 있으면 도움이 되는 것은 맞으나, 필수는 아닙니다.
본 과정은 시계열 분석을 입문하는 분들을 대상으로 하며,
강의에서 필요한 부분을 간단히 다룰 예정입니다.
시계열 분석 강사님
(현) 인텔리퀀트 퀀트 리서쳐 & 데이터 사이언티스트
– 금융 시계열을 활용한 퀀트 전략 연구 + 개발 + 운용
  (NH 투자증권 알고리즘 마켓 수익률 1위)
– 딥러닝 기반 금융 시계열 forecast /
  딥러닝 기반 운용 포트폴리오 최적화 프로젝트 리딩

(전) 넥슨코리아 데이터 사이언티스트
(전) 에듀테크 스타트업 AI 사이언티스트
– 성균관대학교 컴퓨터공학과 박사과정 수료
– 데이터 분석 과외 활동경력 (20+ 긍정 리뷰)
시계열을 활용하는 현업 강사님과 쌍방향 소통!
전처리부터 최신 딥러닝
모델 구현까지 함께!
USE-CASE 학습으로
실무에 바로 적용!
시계열 분석
데이터에 대한 정확한 이해와 전처리부터 시작해야
유의미한 결과를 얻을 수 있습니다.
6주 후, 실전에 바로 통하는 시계열 분석이 가능합니다.

| 수강효과

01
시계열 분석에 딥러닝을
적용하기 위한 노하우 습득
시계열을 단순히 딥러닝 알고리즘에 입력하여 실행하는 것 만으로는 우리가 원하는 결과를 얻을 수 없습니다. 시계열을 바라보는 다양한 시각과 올바른 전처리, 모델링 방법을 실전 데이터를 통해 학습합니다. 또한, 시계열 분석 전문가를 찾기란 쉽지 않은 일입니다. 현업에서 시계열을 다루고 박사과정까지 수료하신 강사님께 시계열 분석에 딥러닝을 어떻게 적용할 수 있는지 노하우를 전수받게 됩니다.
02
시계열 데이터를 다양하게
활용할 수 있는 능력
시계열에 딥러닝을 적용하면 어떤 결과를 도출해낼 수 있을까요? 시계열에 이미 익숙한 RNN, LSTM과 같은 모델에 단순히 적용해보기만 하는 수준이 아닌 딥러닝을 적용할 수 있는 여러 USE-CASE를 다양한 데이터셋으로 배웁니다. 이를 통해 실제로 시계열을 접했을 때, 단순히 예측으로만 데이터를 바라보는 것이 아닌 다양한 시각에서 시계열을 바라볼 수 있는 역량을 갖추게 됩니다.
03
최신 트렌드의
시계열 딥러닝 기법 학습
이미 잘 알려진 RNN계열의 알고리즘 이후에도, 시계열 데이터에서 유의미한 정보를 도출해낼 수 있는 알고리즘은 지속해서 발전되어왔습니다. 본 강의에선 RNN뿐만 아니라, Attention메커니즘, GAN, AutoEncoder 등 시계열과 결합하였을 때 좋은 성과를 낸 최신 트렌드의 알고리즘을 직접 구현해봄으로써 현업에 바로 적용해 볼 수 있습니다.

| 수강대상

본 강의는 아래의 선수지식이 필요합니다.
– 파이썬의 조건문, 반복문, Numpy 등 기초적인 파이썬 구문을 구현해본 적이 있다.
딥러닝 입문

데이터 사이언스 커리어를 위해
시계열 분석을 처음으로
도전해보고 싶은 분

다양한 데이터로 시계열 분석을 접해보고 싶은 분

최신 시계열 분석 딥러닝 기법을 배워 활용하고 싶은 분

Seq2Seq기반의 모델, CNN-LSTM 하이브리드 계열 알고리즘 등 실리콘밸리에서 활용하는 모델을 배우고 싶은 분

"파이썬을 전혀 모르는 데 수강할 수 없는걸까?"

수강대상을 보고
자신은 파이썬을 전혀 모르는
데.알.못이라고 걱정하지 마세요!
수강생 분들의 성장을 위한 의지와 열정에
러닝스푼즈가 최선을 다해 도와드리겠습니다.

시계열 데이터만의 특징을 파악하고 딥러닝 모델에 활용하려면 어떻게 해야하는지에 대해 배울 수 있습니다.
올바른 전처리부터 GAN, AutoEncoder과 같은 최신 딥러닝 모델까지 구현해봅니다.

| OT

| 커리큘럼

시계열 데이터는 ‘시간의 흐름에 따라 관측치가 변화한다’라는 다른 데이터와는 근복적으로 차별화된 특성을 지니고 있으며, 이로 인해 부수적으로 발생하는 다양한 특성 역시 함께 지니고 있습니다. 이러한 특성을 이해해야 우리는 시계열을 제대로 분석할 수 있습니다. 시계열 데이터에 대한 개념 및 특성과 같은 기초적인 배경 지식에 대해 학습하고, 시계열을 다루는 기본 모형들을 구현해봅니다.

이론
– 시계열 데이터의 개념
– 시계열 데이터의 특성(정상성과 비정상성, 계절성, 노이즈 등)
– 시계열을 다루는 기본 모형(AR, MA, ARMA, ARIMA)

실습
– Colab 환경에서 시계열 로딩 및 처리 방법
– AR, MA, ARMA, ARIMA 모형 구현
아무리 훌륭한 모델이라도 적합하지 않은 형태로 데이터를 입력하면 좋은 결과를 얻을 수 없습니다. 좋은 결과를 얻기 위해서 반드시 시계열 데이터를 모델이 해석하기 좋은 형태로 가공해줄 필요가 있습니다. 이번 시간에는 시계열 데이터 전처리 기법 및 모델링할 때의 주의 사항에 대해 알아봅니다.

이론
– 시계열 데이터 전처리(Missing value, Denoising, Multicollinearity, Scaling 등)
– Horizon, Stage의 개념 및 모델링할 때의 유의 사항
– 시계열 데이터의 올바른 교차검증 방법(Time Series Split Cross-Validation, Blocked Cross-Validation)

실습
– 시계열 데이터 전처리
– 교차검증 데이터셋 분할
– 교차검증 적용 이전 / 이후 모델 결과 비교 분석
머신러닝과 딥러닝의 기본 원리에 대해 알아보고 앞으로 다루게 될 모델들에 대해서도 알아본 후, Tensorflow 및 Keras를 이용하여 주가차트 시계열 데이터를 직접 모델링 해보는 실습을 진행합니다.

이론
– 머신러닝 종류(Supervised Learning vs Un-Supervised Learning)
– Discriminative model vs Generative model
– RNN, CNN이란?

실습
– 간단한 딥러닝 모델 구축
– 주가 차트 시계열 데이터에 RNN 및 CNN적용해보기
본격적으로 시계열 데이터를 딥러닝에 제대로 적용하는 방법론들에 대해 알아봅니다. 먼저 다뤄볼 use-case는 많은 분들이 시계열 분석하면 가장 먼저 떠올리는 ‘시계열 예측’입니다. 시계열 예측에 있어 중요하게 생각해야 할 부분은 무엇이고, 어떤 모델을 활용할 수 있는지 학습하고, 시계열 예측이 갖는 한계점에 대해 알아봅니다. 그리고 CNN-LSTM 하이브리드 모델을 활용하여 수요 데이터를, Seq2Seq기반 모델을 이용하여 주가 차트 데이터를 예측해봅니다.

이론
– 단순히 시계열 데이터를 RNN에 적용할 때 발생하는 문제점
– CNN-LSTM 하이브리드 모델
– Seq2Seq 기반 모델(Basic seq2seq, CNN-QR, DeepAR 등)
– 시계열 예측의 한계점

실습
– CNN-LSTM 하이브리드 모델을 활용한 수요 예측 모델 생성
– Seq2Seq기반 모델을 활용한 주가 차트 예측 모델 생성 실습 및 RNN 모델과의 비교
시계열 예측에 이어, 현업에서 시계열을 많이 활용하는 분야는 바로 anomaly detectiono(이상치 탐지)입니다. 이번 시간에는 시계열 데이터에서 이상치를 탐지하는 여러가지 딥러닝 기법에 대한 이론을 학습하고, 서버로그 데이터를 이용하여 AutoEncoder기반의 알고리즘을 센서데이터를 이용하여 GAN기반의 알고리즘을 실습해봅니다.

이론
– anomaly란 무엇인가?
– anomaly vs outlier
– 기존 이상치 탐지 모델들에 대한 개념 설명(PCA, clustering 등)
– AutoEncoder기반 이상치 탐지 알고리즘(LSTM AutoEncoder, CNN-LSTM AutoEncoder)
– GAN(Generative Adversarial Network)기반 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
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

| 강사소개 및 인터뷰

시계열 분석 강사님
James Lee
(현) 인텔리퀀트 퀀트 리서쳐 &
       데이터 사이언티스트
– 금융 시계열을 활용한 퀀트 전략
  연구 + 개발 + 운용
  (NH 투자증권 알고리즘 마켓 수익률 1위)
– 딥러닝 기반 금융 시계열 forecast /
  딥러닝 기반 운용 포트폴리오 최적화
  프로젝트 리딩

(전) 넥슨코리아 데이터 사이언티스트
(전) 에듀테크 스타트업 AI 사이언티스트
– 성균관대학교 컴퓨터공학과 박사과정 수료
– 데이터 분석 과외 활동경력 (20+ 긍정 리뷰)
1. 자기소개 부탁드립니다.
안녕하세요. 저는 현재 핀테크 스타트업에서 퀀트 리서쳐 & 데이터 사이언티스트를 겸임하고 있는 James Lee입니다. 저는 지난 약 4년의 시간동안 데이터 사이언티스트로 커리어를 쌓아오면서 이전 직장들과 현재 직장에서까지, 다양한 형태의 시계열 데이터를 주로 보고 다뤄왔었습니다. 그러한 과정에서 시계열 분석을 딥러닝에 적용하는 다양한 use-case를 접하고 직접 해결해 왔고, 지금도 시계열에 숨겨진 정보와 인사이트를 어떻게 하면 도출해낼 수 있을지를 꾸준히 연구하고, 알고리즘을 개발하고 있습니다. 본 과정을 통해 여러분들께 제 경험을 공유해드리고 싶습니다.
2. 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.
3. 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. 
4. 다른 강의와 어떤 차별 점이 있나요?
기존에 시계열 분석에 딥러닝을 적용한 사례 자료는 RNN / LSTM과 같은 알고리즘에 단순히 시계열 데이터를 입력해 예측 혹은 분류 결과를 도출하는 수준에 그치는 경우가 대부분 입니다. 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.
5. 마지막으로 수강생들에게 하고 싶으신 말

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.

90만 원65만 원
수강신청은 결제 순으로 선착순 마감될 수 있습니다.

개강 후 환불은 학원법 시행령 <제18조 제3항> 수강료 반환기준에 의거합니다.

# 환불 세부규정 확인하기 (클릭)
25만 원 할인, 놓치지 마세요!