[데이터 사이언스 SCHOOL/강사 인터뷰] “문제를 스스로 제시하고 해결하는 데이터 사이언티스트로 성장시킨다” 트레이드 인포매틱스 김도형 대표님

dss_kdh

데이터 분석가로 커리어를 전환하고자 하는 직장인, 데이터 분석 직무로 취업하고자 하는 취업 준비생분들을 위해 준비한 [데이터 사이언스 SCHOOL]은 3개월 동안 전일제로 진행되는 취업 연계 교육 프로그램입니다.

현재 진행 중인 데이터 사이언스 SCHOOL 1기에 이어, 2기 수업도 이끌어 주실 김도형 강사님과의 인터뷰를 통해, 커리큘럼은 어떻게 구성되어 있는지, 이를 소화하기 위해 어떤 준비를 해야 하는지, 커리큘럼을 모두 소화했을 때에 어떤 목표를 이룰 수 있는지 등을 자세히 소개해 드립니다!

[데이터 사이언스 SCHOOL] 자세히 보기 >>>


안녕하세요? 자기소개 부탁드립니다.

안녕하세요? 트레이드 인포매틱스의 대표인 ‘김도형’입니다. 저는 원래 자동 제어와 신호처리를 전공했으나, 금융 공학 분야로 전환하여 KDB대우증권에서 알고리즘 트레이딩 및 구조화 파생상품 퀀트로 7년간 일하였고, 현재는 금융 공학 및 데이터 분석 기반의 IT 플랫폼 개발, 교육, 컨설팅을 하고 있습니다.

데이터 사이언스 SCHOOL 1기에 이어, 2기에서도 확률론, 선형대수부터 머신러닝, 딥러닝까지를 맡아 강의해 주실텐데요, 커리큘럼에 대해 자세히 설명 부탁드립니다!

데이터 사이언스 SCHOOL의 최종 목표는 딥러닝을 포함한 머신러닝과 데이터 분석의 각종 방법론을 이해하고, 실제 데이터 분석 문제를 파이썬(Python)을 사용하여 해결할 수 있는 능력을 함양하는 것입니다.

이 분야를 처음 접하는 분들을 위해, 머신러닝 이론을 공부하기 위한 최소한의 확률론과 선형대수, 그리고 파이썬의 설치와 사용법 기초부터 차근차근 시작합니다. 이러한 이론적 기반이 갖추어진 다음에는 고전적인 선형 회귀분석부터 Support Vector Machine, Naive Bayesian, Decision Tree, Ensemble Method 등의 다양한 머신러닝 방법론들의 핵심을 이해하도록 도와드립니다.

이 과정에서 파이썬(Python)의 scikit-learn 패키지를 사용하여, 실제 머신러닝 프로그램을 구현하는 방법도 배우게 됩니다. 마지막으로 Convolutional Neural Network를 포함한 최근의 딥러닝 이론들에 대해서도 소개합니다.

이미지 출처 : scikit-learn 사이트

수강생들이 3개월 동안 어떤 것에 중점을 두고 공부하면 좋을까요?

가장 중요한 것은 데이터 사이언스 SCHOOL을 마친 후 현실에서 주어진 자료 분석 과제를 해결할 수 있는 능력입니다. 현실의 과제는 이미 배워서 알고 있는 지식만으로 단기간에 풀 수 있는 경우가 많지 않습니다. 당장 간단한 문제를 풀 수 있는 알고리즘의 세부 사항뿐 아니라, 해당 방법론이 문제에 어떻게 접근하고 있는가에 관심을 가지고 공부를 하셨으면 좋겠습니다.

이 커리큘럼을 수강생들이 잘 소화한다면, 어떤 결과를 얻을 수 있을까요?

데이터 사이언스를 공부한 후에는 현실의 데이터 분석 문제에 대한 해결 방법을 찾아내는 마인드 프레임워크를 가질 수 있습니다. 즉, 자료를 어떤 방식으로 수치화하며, 자료와 자료 사이의 어떤 관계를 찾아내야 하는가, 또 그러한 관계를 찾을 수 있는 데이터 분석 혹은 머신러닝 방법론은 무엇인가 하는 문제들을 스스로 제시하고 해결할 수 있는 능력을 갖추게 됩니다.

그렇다면 수강생들이 수업을 시작하기 전에 미리 갖추거나 준비해야 할 부분이 있다면 무엇인가요?

머신러닝의 이론적인 부분에 대해서는 SCHOOL 과정 내에서 기초부터 다루므로 따로 준비할 필요는 없습니다. 다만 프로그래밍은 외국어 구사 능력과 같아서, 단순히 문법 지식을 아는 것과 실제로 눈앞의 문제를 프로그래밍으로 해결할 수 있는 능력을 갖추는 것 사이의 괴리가 큽니다.

꼭 파이썬(Python)이 아니더라도 프로그래밍 능력을 꾸준히 향상하고자 하는 마인드를 가졌으면 좋겠습니다.

 

마지막으로 이 글을 보는 데이터 사이언스 SCHOOL 2기 예비 수강생 여러분께 한마디 부탁드립니다!

최근 금융투자 분야에서의 로보어드바이저(Robo-Advisor) 사용, 머신 러닝을 사용한 자료 분석 및 의사 결정, 드론(Drone)의 자동 제어 등이 업계 및 대중의 관심을 끌기 시작하고 있습니다.

이러한 애플리케이션들은 어느 한순간에 급격히 이루어진 것이 아니라 오래전부터 발전되어 온 확률 이론, 시계열 분석, 머신 러닝 등의 기초적 학술 지식이 오랜 시간을 지나며 업계에 정착되어 이제 꽃을 피우기 시작한 것이라고 생각합니다.

국내에서도 순간적인 유행에 따라 껍데기만 흉내 내고자 하는 사고방식을 버리고, 기초부터 차근차근 기술적 자산을 쌓아가는 문화가 업계에 정착되기를 바라며, 제가 하는 강의가 이런 노력을 하시는 분들께 도움이 되길 바랍니다.

[데이터 사이언스 SCHOOL] 자세히 보기 >>>

Recent Posts